โนเบลสาขาฟิสิกส์ ประจำปี 2024 เกียรติยศแห่ง Geoffrey E. Hinton
GH: I’m in a cheap hotel in California, without an internet connection, and with a not very good phone line, phone connection. I was planning to get an MRI scan today, but I guess I’ll have to cancel that. I had no idea I’d even been nominated for the Nobel Prize in Physics. I was extremely surprised.
นี่คือการให้สัมภาษณ์ของ จอห์น โจเซฟ ฮอปฟิลด์ ต่อ Nobel Prizes ซึ่งเป็นเว็บไซต์ทางการของรางวัลโนเบล (Nobel Prize) ซึ่งมีข้อมูลเกี่ยวกับรางวัลโนเบลในสาขาต่างๆ
จอห์น โจเซฟ ฮอปฟิลด์ นักวิทยาศาสตร์ชาวอเมริกันจากมหาวิทยาลัยพรินซ์ตัน ที่ได้รับรางวัล รางวัลโนเบลสาขาฟิสิกส์ ประจำปี 2024 ร่วมกับ เจฟฟรีย์ อี. ฮินตัน นักวิทยาศาสตร์ชาวแคนาดา-อังกฤษจากมหาวิทยาลัยโทรอนโต ในผลงานการค้นพบและประดิษฐ์กลไกเพื่อวางรากฐานให้ AI สามารถเรียนรู้ได้ด้วยตนเองผ่านทาง โครงข่ายประสาทเทียม
มาทำความรู้จักผลงานแห่งรางวัลเกียรติยศนี้กันครับ
Hopfield Network
จอห์น ฮอปฟิลด์ (John Hopfield) ค้นพบนวัตกรรมที่เป็นพื้นฐานของการเรียนรู้ของเครื่องด้วยโครงข่ายประสาทเทียม (artificial neural networks) ได้พัฒนา Hopfield Network ซึ่งเป็นระบบความจำเชิงสัมพันธ์ (associative memory) ที่สามารถจัดเก็บและสร้างภาพหรือรูปแบบข้อมูลต่างๆ ได้ ระบบนี้ทำงานโดยการปรับค่าของโหนดในเครือข่ายเพื่อให้พลังงานของเครือข่ายต่ำที่สุดเมื่อมีการป้อนข้อมูลที่บิดเบือนหรือไม่สมบูรณ์เข้าไป
Deep Learning
เจฟฟรีย์ อี. ฮินตัน (Geoffrey E. Hinton) เป็นนักวิทยาศาสตร์ที่มีบทบาทสำคัญในวงการปัญญาประดิษฐ์ (AI) โดยเฉพาะในด้าน การเรียนรู้เชิงลึก (deep learning) และ โครงข่ายประสาทเทียม (neural networks) ผลงานที่โดดเด่นของเขาได้แก่:
- Backpropagation Algorithm: ฮินตันร่วมพัฒนาอัลกอริธึมนี้ซึ่งเป็นวิธีการฝึกสอนโครงข่ายประสาทเทียม โดยช่วยให้ระบบสามารถปรับน้ำหนักของโหนดตามความผิดพลาดที่เกิดขึ้น ทำให้โครงข่ายสามารถเรียนรู้จากข้อมูลได้อย่างมีประสิทธิภาพ
- Boltzmann Machines: เขาได้พัฒนาโมเดลนี้ซึ่งเป็นโครงข่ายประสาทแบบสุ่มที่สามารถเรียนรู้และสร้างข้อมูลใหม่จากข้อมูลที่ได้รับการฝึกสอน
- Deep Belief Networks: ฮินตันได้แนะนำแนวคิดนี้ซึ่งเป็นรูปแบบของโมเดลการเรียนรู้เชิงลึกที่ใช้ในการจำแนกรูปภาพและการรู้จำเสียง
- AlexNet: ในปี 2012 ฮินตันและทีมงานของเขาได้พัฒนา AlexNet ซึ่งเป็นโครงข่ายประสาทที่แสดงผลลัพธ์ที่เหนือกว่าคู่แข่งในงานจำแนกรูปภาพบนชุดข้อมูล ImageNet
เจฟฟรีย์ ฮินตัน (Geoffrey Hinton) เป็นนักวิทยาศาสตร์คอมพิวเตอร์ที่ได้รับการขนานนามว่าเป็น “เจ้าพ่อแห่ง AI” เนื่องจากมีบทบาทสำคัญในการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ โดยเฉพาะในด้านโครงข่ายประสาทเทียม ซึ่งเป็นพื้นฐานของระบบ AI หลายระบบในปัจจุบัน รวมถึง ChatGPT ที่พัฒนาโดย OpenAI
ภายหลังจากทำงานกับ Google มานานกว่า 10 ปี ฮินตันได้ลาออกเพื่อให้มีอิสระในการพูดถึงความกังวลเกี่ยวกับอันตรายของ AI ที่เขามีส่วนในการพัฒนาขึ้น เขาเตือนว่าความก้าวหน้าของ AI อาจนำไปสู่สถานการณ์ที่มนุษย์ไม่สามารถควบคุมได้ โดยเฉพาะเมื่อ AI เริ่มมีความสามารถในการเขียนโค้ดและพัฒนาตนเอง
ฮินตันเชื่อว่าความก้าวหน้าของ AI จะเปลี่ยนแปลงสังคมในรูปแบบที่เราไม่สามารถเข้าใจได้อย่างถ่องแท้ และผลกระทบไม่ได้มีแต่ด้านบวกเท่านั้น เขายกตัวอย่างว่าแม้ว่า AI จะช่วยส่งเสริมการรักษาพยาบาล แต่ก็สามารถสร้างโอกาสสำหรับอาวุธอัตโนมัติได้
ฮินตันกล่าวว่า AI อาจทำให้มนุษย์ต้องเผชิญกับความท้าทายใหม่ๆ เช่น การสูญเสียงานและการสร้างข้อมูลที่ไม่ถูกต้อง หรือแม้กระทั่งการใช้ AI ในด้านการทหาร ซึ่งอาจนำไปสู่ภัยคุกคามต่อมนุษยชาติ
Deep learning และ Hopfield Network มีความเกี่ยวข้องกันในหลายด้าน โดยเฉพาะในแง่ของการทำงานและหลักการพื้นฐานของโครงข่ายประสาทเทียม (Neural Networks) ดังนี้:
ความสัมพันธ์ระหว่าง Deep Learning และ Hopfield Network
- โครงสร้างพื้นฐาน:
- ทั้งสองระบบใช้แนวคิดของโครงข่ายประสาทเทียม ซึ่งประกอบด้วยเซลล์ประสาท (neurons) ที่เชื่อมต่อกัน โดย Hopfield Network เป็นโครงข่ายที่มีชั้นเดียวที่ทำหน้าที่เป็นหน่วยความจำเชิงสัมพันธ์ (associative memory) ในขณะที่ Deep Learning มักจะมีหลายชั้น (deep architectures) ที่สามารถเรียนรู้รูปแบบข้อมูลที่ซับซ้อนได้.
- การเรียนรู้และการปรับน้ำหนัก:
- ทั้งสองใช้กลไกการเรียนรู้ในการปรับน้ำหนักของการเชื่อมต่อระหว่างเซลล์ประสาท โดยใน Hopfield Network จะใช้หลักการลดพลังงาน (energy minimization) ในขณะที่ Deep Learning ใช้การย้อนกลับ (backpropagation) และการลดค่าความสูญเสีย (loss function).
- ความสามารถในการจำและระบุรูปแบบ:
- Hopfield Network มีความสามารถในการจัดเก็บและเรียกคืนรูปแบบจากข้อมูลที่มีเสียงรบกวนหรือไม่สมบูรณ์ ซึ่งเป็นคุณสมบัติที่สำคัญใน Deep Learning ที่ใช้ในการจำแนกรูปภาพและการประมวลผลภาษาธรรมชาติ.
- การพัฒนาในยุคใหม่:
- มีการพัฒนา Modern Hopfield Networks ที่มีสถานะต่อเนื่อง (continuous states) ซึ่งสามารถรวมเข้ากับสถาปัตยกรรม Deep Learning ได้ โดยช่วยให้สามารถจัดเก็บและเข้าถึงข้อมูลดิบ ผลลัพธ์ระหว่างทาง หรือโปรโตไทป์ที่เรียนรู้ได้.
- กลไก Attention:
- กฎการปรับปรุงใน Hopfield Networks สมัยใหม่มีความคล้ายคลึงกับกลไก attention ที่ใช้ในโมเดล transformer ซึ่งช่วยให้สามารถวิเคราะห์และจัดการข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น.
สรุป
โดยรวมแล้ว Deep Learning และ Hopfield Network มีความเกี่ยวข้องกันผ่านแนวคิดพื้นฐานของโครงข่ายประสาทเทียม แม้ว่าจะมีความแตกต่างในด้านโครงสร้างและฟังก์ชัน แต่ทั้งสองก็สามารถเสริมสร้างและพัฒนาซึ่งกันและกันได้ในบริบทของปัญญาประดิษฐ์ ซึ่งปัจจุบัน ในปี 2024 นี้ เราได้เห็นพัฒนาการของ AI ที่ใช้รากฐานจากทั้ง 2 แนวคิดนี้แล้วเป็นอย่างดี