John J. Hopfield, fisico americano e professore emerito di Biologia Molecolare all’Università di Princeton e Geoffrey Hinton, informatico britannico-canadese e professore emerito di Informatica all’Università di Toronto, hanno vinto il premio Nobel 2024 per la Fisica.
Le motivazioni del premio riguardano i preziosi contributi dei due allo sviluppo delle reti neurali, uno degli aspetti fondamentali del più vasto concetto di Intelligenza Artificiale.
A guardare anche l’assegnazione del Nobel per la Chimica di quest’anno, si intuisce come le tecniche di apprendimento automatico stiano rapidamente rivoluzionando in maniera trasversale la ricerca scientifica, al di là dei particolari delle singole discipline. Ciò ha generato sicuramente entusiasmo, ma ha anche sollevato diverse polemiche e perplessità, dovute principalmente al fatto che non è chiaro se si possa considerare l’argomento delle reti neurali artificiali come facente parte del campo della Fisica in senso stretto. Senza dubbio la miriade di algoritmi disponibili e raggruppati sotto il cappello del ‘machine learning’ sta consentendo scoperte notevoli in moltissimi campi – il Nobel per la Chimica è stato appunto conferito per la risoluzione con l’IA di un annoso e arduo problema, la determinazione della struttura delle proteine.
Da un lato, è sicuramente vero che l’IA non possiede inventiva né creatività e non inizia mai da sé un processo di scoperta, bensì risulta un utilissimo strumento per rispondere a domande che l’uomo si pone. D’altro canto, è interessante cercare di capire come mai i fondamenti di questa tecnologia siano strettamente legati con la fisica più tradizionale.
Hopfield, negli anni Ottanta, ha inventato un tipo di rete neurale artificiale (una serie di nodi interconnessi che si scambiano informazioni e modificano progressivamente le reciproche connessioni) che implementava una sorta di memoria. La struttura ricorrente di tale rete consente di imparare da esempi e saper ricondurre nuovi dati a una delle categorie apprese, anche in presenza di rumore o distorsioni. Nel caso del riconoscimento visivo, ad esempio, la rete ha un criterio matematico da soddisfare (deve minimizzare una funzione che assomiglia all’energia di un analogo sistema fisico reale), allo scopo di associare una nuova immagine potenzialmente rumorosa a quella pulita che ha visto molte volte durante la fase di allenamento (training).
Hinton, invece, si è concentrato sul modo in cui le macchine apprendono, cercando di individuare le possibili somiglianze col ragionamento tipicamente umano. Nel corso di tali ricerche, ha sviluppato la cosiddetta macchina di Boltzmann, una rete basata su delle equazioni introdotte dall’omonimo scienziato austriaco più di un secolo fa. Con strumenti tipici della fisica statistica, Hinton ha progettato questa tipologia di reti capaci di apprendere una distribuzione di probabilità a partire dai dati forniti loro in ingresso – rendendole dunque più flessibili e capaci di trattenere gli elementi salienti del dataset loro fornito.
Se l’assegnazione del Nobel 2024 per la Fisica ha destato qualche interrogativo per via della difficoltà di classificare le scoperte relative all’IA (senz’altro più vicine all’informatica), il legame con la Fisica emerge comunque in modo importante. Questo ci fa anche comprendere come l’Intelligenza Artificiale non sia altro che un modo di riferirsi a un insieme di tecniche, molto sofisticate, con una profonda origine matematico/fisica.
Sicuramente le macchine apprendono in modo molto diverso da noi ma la loro costruzione e architettura tenta, in qualche maniera, di riprodurre elementi della realtà fisica a noi più familiare.
Francesco Mambretti, Istituto Italiano di Tecnologia, Genova