هوش مصنوعی که زمانی قلمرو داستان های علمی تخیلی بود، روز دوشنبه در سوئد جای خود را در قله دستاوردهای علمی باز کرد.

در مراسمی تاریخی در کنسرتوست معروف استکهلم، جان هاپفیلد و جفری هینتون به خاطر کار پیشگامانه خود در شبکه های عصبی – سیستم هایی که ساختار مغز را تقلید می کنند و زیربنای هوش مصنوعی مدرن را تشکیل می دهند، جایزه نوبل فیزیک را دریافت کردند.

در همین حال، دمیس حسابیس و جان گمپر جایزه نوبل شیمی را برای سیستم آلفا فولد Google DeepMind دریافت کردند، سیستمی که مشکل «غیرممکن» در زیست شناسی را حل کرد: پیش بینی ساختار پروتئین ها، دستاوردی که پیامدهای عمیقی برای پزشکی و بیوتکنولوژی دارد.

این دستاوردها فراتر از جایگاه علمی است. این نشان‌دهنده آغاز دورانی است که در آن سیستم‌های هوش مصنوعی مبتنی بر GPU با مشکلاتی که قبلاً غیرقابل حل تلقی می‌شدند، مقابله می‌کنند و صنایع چند تریلیون دلاری، از مراقبت‌های بهداشتی گرفته تا امور مالی را متحول می‌کنند.

میراث هاپفیلد و پایه های شبکه های عصبی

در دهه 1980، هاپفیلد، فیزیکدانی با استعدادی برای پرسیدن سؤالات بزرگ، دیدگاه جدیدی را به شبکه های عصبی ارائه کرد.

او مناظر انرژی را – برگرفته از فیزیک – معرفی کرد تا توضیح دهد چگونه شبکه های عصبی با یافتن حالت های پایدار کم انرژی، مسائل را حل می کنند. ایده های او، انتزاعی و ظریف، با نشان دادن اینکه چگونه سیستم های پیچیده خود را بهبود می بخشند، پایه و اساس هوش مصنوعی را پایه گذاری کردند.

به سرعت به اوایل دهه 2000 رسیدیم، زمانی که جفری هینتون – روانشناس شناختی بریتانیایی با تمایل به ایده های رادیکال – باتوم را به دست گرفت. هینتون معتقد بود که شبکه های عصبی می توانند هوش مصنوعی را متحول کنند، اما آموزش این سیستم ها به قدرت محاسباتی عظیمی نیاز دارد.

در سال 1983، هینتون و سجنوفسکی بر اساس کار هاپفیلد ساختند و ماشین بولتزمن را اختراع کردند که از نورون‌های باینری تصادفی برای پرش به حداقل‌های محلی استفاده می‌کرد. آنها یک روش یادگیری ظریف و بسیار ساده را بر اساس مکانیک آماری کشف کردند که جایگزینی برای انتشار پس‌انداز بود.

در سال 2006، یک نسخه ساده شده از این روش یادگیری در راه اندازی اولیه شبکه های عصبی عمیق قبل از آموزش آنها برای انتشار پس زمینه بسیار مؤثر بود. با این حال، آموزش این سیستم ها همچنان به قدرت محاسباتی عظیمی نیاز دارد.

AlphaFold: انقلاب هوش مصنوعی در زیست شناسی

یک دهه پس از AlexNet، هوش مصنوعی به سمت زیست شناسی رفت. Hassabis و Jumper توسعه AlphaFold را برای حل مشکلی که سال‌ها دانشمندان را متحیر کرده بود هدایت کردند: پیش‌بینی شکل پروتئین‌ها.

پروتئین ها بلوک های ساختمانی اساسی زندگی هستند. شکل آنها تعیین می کند که چه کاری می توانند انجام دهند. درک این اشکال برای مبارزه با بیماری ها و توسعه داروهای جدید کلیدی است. اما یافتن آنها کند، پرهزینه و غیرقابل اعتماد بود.

AlphaFold آن را تغییر داد. ایده های شبکه های هاپفیلد و هینتون برای پیش بینی اشکال پروتئین با دقت شگفت انگیزی مورد استفاده قرار گرفت. با پشتیبانی از واحدهای پردازش گرافیکی، تقریباً تمام پروتئین های شناخته شده را ترسیم کرده است. اکنون، دانشمندان از AlphaFold برای مبارزه با مقاومت دارویی، تولید آنتی‌بیوتیک‌های بهتر و درمان بیماری‌هایی که قبلاً غیرقابل درمان تصور می‌شد، استفاده می‌کنند.

گره گوردی در زیست شناسی توسط هوش مصنوعی حل شده است.

GPU Factor: فعال کردن پتانسیل هوش مصنوعی

واحدهای پردازش گرافیکی، موتورهای ضروری هوش مصنوعی مدرن، در قلب این پیشرفت ها قرار دارند. پردازنده‌های گرافیکی در ابتدا برای زیبا جلوه دادن بازی‌های ویدیویی طراحی شده بودند و برای نیازهای پردازش موازی عظیم شبکه‌های عصبی ایده‌آل بودند.

به ویژه پردازنده‌های گرافیکی NVIDIA به پیشرفت‌هایی مانند AlexNet و AlphaFold تبدیل شده‌اند. توانایی آنها برای پردازش مجموعه داده های عظیم با سرعت فوق العاده به هوش مصنوعی اجازه داده است تا مشکلات را در مقیاس و پیچیدگی حل کند که قبلاً امکان پذیر نبود.

بازتعریف علم و صنعت

دستاوردهای برنده جایزه نوبل 2024 فقط بازنویسی کتاب های درسی نیست، بلکه زنجیره تامین جهانی را بهبود می بخشد، توسعه دارو را تسریع می بخشد و به کشاورزان کمک می کند تا با شرایط آب و هوایی در حال تغییر سازگار شوند.

اصول بهینه سازی انرژی محور هاپفیلد اکنون سیستم های لجستیکی مبتنی بر هوش مصنوعی را هدایت می کند. طرح های هینتون از ماشین های خودران و مدل های زبانی مانند ChatGPT پشتیبانی می کند. موفقیت AlphaFold الهام بخش رویکردهای مبتنی بر هوش مصنوعی در مدل‌سازی آب و هوا، کشاورزی پایدار و حتی علم مواد است.

به رسمیت شناختن هوش مصنوعی در فیزیک و شیمی نشان دهنده تغییر در نحوه تفکر ما در مورد علم است. این ابزارها دیگر محدود به حوزه دیجیتال نیستند. آنها در حال تغییر شکل دنیای فیزیکی و بیولوژیکی هستند.