Il Premio Nobel per la Fisica di quest’anno è stato assegnato a due ricercatori che hanno rivoluzionato la capacità delle macchine di analizzare e riconoscere modelli all’interno dei dati, John Hopfield e Geoffrey Hinton.

Grazie ai loro contributi fondamentali, le tecnologie di intelligenza artificiale (IA), come il machine learning e le reti neurali artificiali, sono diventate pilastri della moderna ricerca scientifica e del mondo tecnologico. Questi strumenti avanzati permettono ora ai computer di eseguire attività complesse, come la traduzione automatica, l’interpretazione delle immagini e la gestione di conversazioni simulate, ampliando notevolmente le capacità umane.

Le reti neurali artificiali, ispirate alla struttura del cervello umano, utilizzano intere reti di microprocessori dedicati che formano nodi e connessioni per processare informazioni, simulando funzioni cognitive come la memoria e l’apprendimento. Questo approccio ha portato a un’evoluzione significativa rispetto ai metodi tradizionali di programmazione, dove le istruzioni devono essere fornite passo-passo, come in una ricetta. Al contrario, l’apprendimento automatico permette ai computer di imparare attraverso esempi, affrontando così problemi troppo complessi per essere risolti con istruzioni precise.

Il fisico John Hopfield ha introdotto il concetto di memoria associativa, in cui una rete neurale può identificare schemi parziali e riportarli al modello originale. Questo processo è simile alla capacità umana di ricordare parole o immagini incomplete. Il suo lavoro, basato su principi della fisica, si focalizza sulla collaborazione tra neuroni per produrre caratteristiche nuove e potenti che vanno oltre la somma delle singole componenti. L’approccio di Hopfield ha gettato le basi per tecnologie che possono riconoscere immagini anche con disturbi o informazioni mancanti.

Geoffrey Hinton, ha applicato concetti della fisica statistica per creare la macchina di Boltzmann, una rete neurale che apprende attraverso l’esperienza, senza bisogno di istruzioni esplicite.

La macchina di Boltzmann è una rete neurale ricorrente di tipo stocastico, che svolge un ruolo cruciale nell’ambito del deep learning. Deve il suo nome al fisico austriaco Ludwig Boltzmann, in quanto si basa sui principi della meccanica statistica. Grazie al suo approccio probabilistico, questa rete è in grado di apprendere e rappresentare modelli complessi, risultando così uno strumento distintivo dell’intelligenza artificiale per analizzare e generare dati. (Il termine “stocastico” indica che le decisioni sui valori o stati dei nodi vengono prese in base a distribuzioni probabilistiche, anziché essere determinate con certezza. Questo approccio consente alle reti stocastiche di esplorare e modellare meglio fenomeni complessi e di apprendere rappresentazioni più versatili dai dati. ndr)

Questa macchina è stata utilizzata per creare modelli generativi, in grado di riconoscere e generare nuovi schemi sulla base degli esempi forniti durante la fase di addestramento. Hinton ha continuato a sviluppare questi concetti negli anni, contribuendo alla creazione di reti profonde che oggi sono alla base di numerosi avanzamenti nell’IA, inclusi i sistemi di raccomandazione utilizzati in piattaforme di streaming.

Grazie al lavoro di Hopfield e Hinton, la rivoluzione del machine learning ha raggiunto un picco, sostenuta dalla disponibilità di enormi quantità di dati e dalla crescente potenza di calcolo. Le reti neurali profonde, che possono contare fino a un trilione di parametri, permettono oggi di gestire dati su una scala che negli anni ’80 era inimmaginabile. Tuttavia, il progresso tecnologico solleva anche importanti questioni etiche, legate all’uso e allo sviluppo dell’IA, con impatti che vanno dall’automazione delle scoperte scientifiche alla privacy e al controllo dell’informazione.o l’ecosistema informativo emergente e i modi in cui l’IA potrebbe rimodellarlo.

Le preoccupazioni di Hinton dopo la cerimonia dei Nobel (audio intervista)

“…le grandi aziende dovrebbero destinare molte più risorse alla ricerca sulla sicurezza, in modo che, ad esempio, società come OpenAI non possano semplicemente mettere da parte la sicurezza. C’è un parallelo con la rivoluzione biotecnologica, quando i biotecnologi si riunirono alla conferenza di Asilomar e dissero: ‘C’è un potenziale pericolo qui e dobbiamo occuparcene da soli’. Sì, penso che ci siano delle somiglianze e credo che ciò che hanno fatto sia stato molto positivo. Purtroppo, ci sono molte più applicazioni pratiche dell’IA rispetto a cose come la clonazione, che i biologi cercavano di tenere sotto controllo. Quindi, penso che sarà molto più difficile, ma l’esempio dei biologi è un buon modello a cui guardare. È impressionante che siano riusciti a raggiungere un accordo e che gli scienziati lo abbiano fatto.

Per quanto riguarda i modelli di linguaggio di grandi dimensioni, che credo contribuiscano alla mia preoccupazione, penso che questi modelli siano molto più vicini alla comprensione di quanto molti sostengano.

[…] C’è un’intera scuola di linguistica, ispirata a Chomsky, che ritiene sia completamente assurdo dire che questi sistemi capiscano. Secondo loro, non processano il linguaggio allo stesso modo in cui lo facciamo noi. Io penso che quella scuola si sbagli, ed è ormai chiaro che le reti neurali sono molto più efficienti nel processare il linguaggio rispetto a qualsiasi cosa mai prodotta dalla scuola chomskyana di linguistica. Ma c’è ancora molto dibattito su questo, specialmente tra i linguisti.