Tegoroczni laureaci Nagrody Nobla z fizyki, John Hopfield i Geoffrey Hinton, rozwinęli metody, które dziś stanowią podstawę uczenia się sztucznych sieci neuronowych. Dzięki temu możliwa jest m.in. szybsza analiza, bądź przetwarzanie nawet ogromnych zbiorów danych, co ma szczególne zastosowanie w dziedzinach takich jak medycyna, fizyka czy inżynieria materiałowa.

"Pionierskie prace noblistów dziś, z perspektywy czasu, mogą się wydawać dość proste, jednak otworzyły sporo nowych możliwości" - wskazał w rozmowie z PAP dr Andrzej Opala, który na FUW prowadzi badania nad sztucznymi sieciami neuronowymi.

Jego zdaniem tegoroczna nagroda jest doskonałym zwieńczeniem wieloletniej pracy naukowców. "Tegoroczni nobliści po raz pierwszy zaprezentowali, że układy złożone mogą być efektywnie uczone oraz mogą wykazywać własności pamięci asocjacyjnej. A ona daje możliwość rekonstrukcji i rozpoznawania wcześniej zapamiętanych wzorców" - powiedział ekspert.

"Sieci te mogą być wykorzystywane do wykonywania zadań, które były by niezwykle trudne do rozwiązania przy pomocy +standardowych+ algorytmów. W chwili obecnej zaproponowane przez noblistów metody uczenia znajdują zastosowanie np. w rozpoznawania obrazu czy generowaniu tekstów. Stanowiły podstawę do rozwoju sztucznych inteligencji, które znamy obecnie" - tłumaczy dr Opala.

Wskazał, że w kontekście Nobla bardzo ważne jest, by każdy zwrócił szczególną uwagę, w jaki sposób korzystać z narzędzi sztucznej inteligencji.

"Warto pamiętać, że to, co mówi Chat GPT czy inny generator tekstu, nie jest wykładnikiem prawdy. To tylko wyuczony model, który też się może mylić. Sieci może i potrafią wiele, ale przewidywana modelu nie są w 100 proc. poprawne; stanowią tylko przybliżenie rzeczywistości. W kontekście Nobla warto podkreślić, że zrozumienie podstaw działania tych algorytmów pomoże nam lepiej korzystać z nich w przyszłości" - podsumował fizyk. (PAP)

Nauka w Polsce, Ludwika Tomala

lt/ zan/ ktl/