De Nobelprijs voor Natuurkunde gaat dit jaar naar twee wetenschappers die aan de wieg stonden van de kunstmatige intelligentie. Een verrassende keus, vinden veel AI-wetenschappers. Hoewel AI een belangrijke ontwikkeling is die volop in de belangstelling staat en een grote invloed heeft op de wetenschap, is niet meteen duidelijk wat het te maken heeft met natuurkunde. Is dit een creatieve oplossing om deze prestigieuze prijs uit te reiken aan de computerwetenschap, die geen eigen Nobelprijs heeft?
John Hopfield (91) en Geoffrey Hinton (77) ontvangen de Nobelprijs voor fundamentele ontdekkingen en uitvindingen die kunstmatige intelligentie – of machine learning – met kunstmatige neurale netwerken mogelijk maken. Volgens het Nobelcomité heeft dit werk een natuurkundig tintje omdat de wetenschappers voor het ontwikkelen van de bouwstenen van AI-modellen gebruikten die geïnspireerd zijn op natuurkundige systemen.
Kleine kinderen
Dankzij de kunstmatige neurale netwerken die Hopfield en Hinton ontwikkelden in de jaren tachtig, kunnen computers op een compleet nieuwe manier taken leren. Waar traditionele computerprogramma’s stap-voor-stap instructies nodig hebben, zoals bij een recept, kunnen AI-systemen leren van voorbeelden, zoals kleine kinderen dat ook doen.
Zo kunnen ze problemen aanpakken die te vaag zijn om beschreven te worden in een stapsgewijze instructie, zoals het herkennen van katten op verschillende foto’s en tekeningen. Hierdoor kunnen machines nu beelden herkennen, maar ook lopende zinnen vertalen en zelfs redelijk normale gesprekken voeren. En in de wetenschap is AI van onschatbare waarde omdat zij in staat is om enorme hoeveelheden data te categoriseren en analyseren.
De ontwikkeling van kunstmatige neurale netwerken die de basis vormen van de huidige AI begon in de jaren veertig vanuit een fascinatie voor de werking van het menselijk brein. Het brein bestaat uit een netwerk van hersencellen – neuronen – die onderling verbonden zijn. Als we iets nieuws leren, bijvoorbeeld wat een kat is, dan worden de verbindingen tussen de neuronen die betrokken zijn bij het herkennen van een kat sterker, terwijl verbindingen tussen neuronen die daar niet belangrijk voor zijn zwakker worden.
Wetenschappers probeerden dit neurale netwerk van ons brein te simuleren met computers. De neuronen zijn dan knooppunten die een bepaalde waarde kunnen hebben – zoals 1 of 0 – en ertussen liggen verbindingen die sterker of zwakker kunnen worden.
Dit nabootsen van het brein met computers bleek complex en de interesse zwakte af. Tot de jaren tachtig. Toen kreeg John Hopfield, een natuurkundige die zich al lange tijd bezig hield met biofysica, interesse in het onderwerp. In 1982 ontwikkelde hij een kunstmatig neuraal netwerk dat patronen kan onthouden en reproduceren, zoals het brein herinneringen opslaat en kan oproepen.
Mini-magneetjes
Voor het ontwikkelen van dit kunstmatige netwerk liet Hopfield zich inspireren door een natuurkundig systeem, namelijk gedrag dat optreedt in magnetische materialen door het magnetische moment van atomen – spins geheten. Wat er gebeurt met een materiaal als die spins elkaar beïnvloeden, kun je beschrijven met een natuurkundig model.
Dat model gebruikte Hopfield in een computer met onderling verbonden knooppunten waarbij de verbindingen sterker of zwakker kunnen zijn, net zoals in een brein. Met behulp van het model kon dit netwerk verschillende patronen onthouden die werden ingevoerd, zoals bepaalde letters. Als het netwerk vervolgens een wazige letter te zien kreeg, waaruit bijvoorbeeld stukjes misten, dan kon het netwerk achterhalen om welke letter het ging en die letter produceren. Dat kwam doordat hij herkende op welk van de letters – en dus patronen – uit zijn geheugen de wazige vorm het meest leek.
Dit lijkt nog niet erg indrukwekkend, maar Hopfield ontwikkelde dit netwerk in 1982. Dat was het jaar waarin de floppydisk in zwang raakte en de eerste personal computer van IBM geïntroduceerd werd. Toen al demonstreerde Hopfield een neuraal netwerk met dertig knooppunten. Hij wilde de werking ook graag met honderd knooppunten laten zien, maar de computers die hij tot zijn beschikking had konden dat niet aan. Dat staat in schril contrast met vergelijkbare AI-modellen van tegenwoordig die biljoenen verbindingen tussen knooppunten hebben.
Herkenning
Geoffrey Hinton bouwde voort op het werk van Hopfield. Hoewel hij een achtergrond heeft in de cognitieve psychologie en computerwetenschap, paste Hinton ook natuurkunde toe in zijn werk. Hij gebruikte ideeën uit de statistische fysica. Die beschrijft systemen met veel dezelfde elementen, zoals moleculen in een gas.
In 1985 publiceerde Hinton een artikel waarin hij een netwerk presenteerde met de naam Boltzmann-machine, naar de statistisch fysicus Ludwig Boltzmann. Dit netwerk gebruikt het Hopfield-netwerk als basis, maar heeft een extra laag van het neurale netwerk. Dat zorgt ervoor dat de Boltzmann-machine afbeeldingen kan herkennen en classificeren, nadat het getraind is met een reeks afbeeldingen. Als het verschillende foto’s en tekeningen van katten te zien heeft gekregen, kan het dus op een nieuwe foto een kat herkennen.
De eerste versie van de Boltzmann was nog tamelijk traag. Maar Hinton heeft niet stilgezeten en heeft zijn leermachine verder verbeterd. Tegenwoordig vormen nieuwe versies van Boltzmann-machines een onderdeel in een groter AI-netwerk. Ze zijn bijvoorbeeld te vinden in systemen die films of series aanraden op basis van waar iemand eerder naar keek.
Inspirerend
Hoogleraar Max Welling van de Universiteit van Amsterdam was drie jaar lang postdoc-onderzoeker bij Hinton en werkte met hem aan het verbeteren van deze leermodellen. „Het was heel inspirerend om met hem te werken”, vertelt Welling. „Maar mensen die heel briljant zijn, zoals Hinton, denken vaak heel anders dan anderen. Het was daarom soms een uitdaging om te achterhalen was hij bedoelde.”
Welling is erg enthousiast over de Nobelprijs. „Het is fantastisch voor ons veld.” Hoewel hij het verrassend vindt dat de Nobelprijs voor Natuurkunde naar AI-onderzoek gaat, ziet hij het verband wel. „AI is een onderzoeksveld dat geïnspireerd wordt door de natuurkunde en waarvan de toepassingen vervolgens weer veel invloed hebben op het natuurkundeonderzoek. Het heeft misschien wel meer invloed op dat onderzoek dan enige andere ontdekking. Het wordt door de hele natuurkunde gebruikt, van materiaalonderzoek tot het visualiseren van een zwart gat.”
Ook hoogleraar Wilfred van der Wiel van de Universiteit Twente is enthousiast. „Deze twee wetenschappers hebben cruciale bijdragen geleverd aan het veld. Hopfield was een van de eersten die de natuurkunde en neurale netwerken zo verbond en Hinton heeft ontzettend veel bijgedragen aan de ontwikkeling van AI de afgelopen decennia.”
ChatGPT
Sommige andere AI-onderzoekers zijn verrast dat deze natuurkunde-prijs naar AI gaat. Hoewel beide laureaten zich lieten inspireren door de natuurkunde voor de ontwikkeling van hun netwerken, is het toch vooral een ontwikkeling in de computerwetenschap. En hoewel het een enorm belangrijk hulpmiddel is geworden in de natuurkunde, kun je hetzelfde zeggen voor andere wetenschappen, zoals de geneeskunde en scheikunde, vindt hij. Het is, zoals hoogleraar Frank van Harmelen van de Vrije Universiteit van Amsterdam mailt, „een beetje een malle zet van het Nobelcomité”. Toch is het volgens Van der Wiel vooral ook „een mooie duw in de rug” voor het vakgebied.
En de AI-chatbot ChatGPT? Die reageerde desgevraagd koeltjes op een felicitatie: „Dank je! Maar ik heb geen Nobelprijs gewonnen – ik ben gewoon hier om te helpen en te chatten. Wat zou je graag willen bespreken?”
