Nobel 2024: Mạng nơron và học máy - Cánh cửa mở ra kỷ nguyên trí tuệ nhân tạo

Lễ công bố giải Nobel Vật lý năm 2024 thuộc về hai nhà khoa học John J. Hopfield (Mỹ) và Geoffrey E. Hinton (Canada) tại Viện Hàn lâm Khoa học Hoàng gia Thụy Điển ở Stockholm, ngày 8/10/2024. Ảnh: Reuters/TTXVN

Theo tuyên bố của hội đồng Nobel, nhà khoa học mang hai quốc tịch Anh-Canada Geoffrey Hinton (được mệnh danh là "Cha đẻ của AI") và nhà vật lý người Mỹ John Hopfield đã được vinh danh vì những khám phá "giúp phát triển học máy (machine learning) với các mạng nơron nhân tạo".

Theo chuyên gia học máy Mark van der Wilk tại trường Đại học Oxford, mạng nơron nhân tạo là một cấu trúc toán học được "lấy cảm hứng" từ bộ não con người. Não bộ của chúng ta có một mạng lưới tế bào thần kinh (nơron) gửi tín hiệu cho nhau🎶 để phản ứng với các kích thích bên ngoài, chẳng hạn như nhữn✤g gì chúng ta nhìn thấy hoặc nghe thấy. Khi chúng ta học, một số kết nối giữa các nơron trở nên mạnh hơn, trong khi những kết nối khác yếu đi.

Trong mạng nơron nhân tạo, quá trình này được bắt chước thông qua các phép tính đơn giản, thường được gọi là "nút" (nodes), thay thế cho các nơron sinh học. Thay vì nhận kích thích từ môi trường, mạng nơron học từ dữ liệu huấn luyện - đây chính là cách nó "học" và ngày càng trở nên thông minh hơn. Khái niệm này là cơ sở cho học máy, giúp A🐬I không chỉ làm theo các quy tắc có sẵn mà còn có thể cải thiện chính nó theo th💜ời gian. Tuy nhiên, trước khi máy móc có thể học, chúng cũng cần có khả năng lưu trữ và tái hiện ký ức, giống như con người.

Vào đầu những năm 1980, ông John Hopfield đã phát triển mạng Hopfield, còn được gọi là bộ nhớ liên kết (associative memory), giúp các mạng nơron nhân tạo có thể xử lý các thông tin chưa chuẩn xác thông qua các kết quả gần đúng nhất, dựa trên những ký ức đã lưu trữ trước đó. Đây🦹 là một bước tiến lớn giúp máy móc "học" cách tự sửa sai.

Năm 1985, ông Geoffrey Hinton đã đóng góp một bước ngoặt khác với việc giới thiệu máy Boltzmann, mang yếu tố ngẫu nhiên vào mạng nơron. Điều này mở ra cánh cửa cho AI có khả năng tạo ra vô số biến thể khác nhau từ cùng một yêu cầu. Đây là lý do 🙈tại sao các 🧔hệ thống tạo hình ảnh AI hiện đại có thể tạo ra vô số kết quả khác nhau từ một mô tả.

Ông Hinton cũng chỉ ra rằng càng có nhiều lớp trong một mạng nơron, hành vi của nó càng trở nên phức tạp và tinh vi hơn. Điều này giúp AI có thể "học" hiệu quả hơn và nắm bắt những hành vi mong muốn một cách tự động và chính xác.

Mặc dù những ý tưởng này đã được phát triển từ rất lâu, nhưng phải đến những năm 2010, học máy mới thực sự bùng nổ. Sự phát triển mạnh mẽ của máy tính có khả năng xử lý khối lượng thông tin khổng lồ đã làm thay đổi mọi thứ, từ việc xử lý hình ảnh đến ngôn ngữ tự nhiên.

Từ việc đọc bản chụp hình ảnh y tế đến điều khiển xe tự lái, dự báo thời tiết hay tạo ra các phiên bản deepfake (giả mạo), ứng dụng của AI trong cuộc sống hiện đại hiện nay là không thể đếm xuể.

Ông Geoffrey Hinton từng nhận giải Turing - giải thưởng được coi là "Nobel" của khoa học máy tính. Việc ông và người đồng nghiệp John Hopfield nhận giải Nobel Vật lý lần này cũng đã được cộng đồng khoa học hoan nghênh. Nhiều chuyên gia cho rằng AI không chỉ là một thành tựu của ngành khoa học máy tính mà còn bắt nguồn sâu xa từ vật lý, nơi mà các thuật toán AI ban đầu được lấy cảm hứng từ những khái niệm vật lý, chẳng hạn như việc chuyển đổi khái niệm năng lượng sang lĩnh vực tính toán.

Với giải Nobel này, sự công nhận về vai trò to lớn của vật lý trong việc phát triển AI đã được củng cố. Như chuyên gia Mark van der Wilk nhấn mạnh mặc dù AI hiện nay có thể mang lại những kết quả đầy sáng tạo và gây kinh ngạc, nhưng bản chất của công nghệ này vẫn là các phép tính toán học đơn giản. Ông cho biết: "Không có phép thuật nào ở đây cả. Sau tất cả, mọi thứ trong AI chỉ là phép nhân và phép cộng".

Giải Nobel Vật lý năm 2024 không chỉ vinh danh hai nhà khoa học xuất sắc, mà còn ghi nhận cột mốc quan trọng trong hành trình phát triển của AI, mở ra kỷ nguyên mà máy móc có thể học hỏi, sáng tạo và hỗ trợ con người trong mọi lĩnh vực của cuộc sống.