El físico británico John Hopfield y el psicólogo experimental e informático estadoundiense Geoffrey E. Hinton, recibieron este martes el Premio Nobel de Física 2024. Este galardón fue otorgado para reconocer el esfuerzo de ambos científicos por desarrollar las redes artificiales de aprendizaje y modelos lingüísticos, que permitieron la creación de la inteligencia artificial (IA).

Gracias a sus trabajos pioneros, las máquinas ya no se limitan a seguir una serie de instrucciones, sino que “aprenden a través de ejemplos”. Esto se conoce como ‘deep learning’ o aprendizaje automático, y es lo que sienta las bases de la IA.

El Premio Nobel de Medicina se otorgó a los dos investigadores que descubrieron el micro-ARN

Hoy en día, esas tecnologías están presentes en las herramientas de reconocimiento facial, traducción automática, e incluso en los chatbots para la generación de imágenes y textos.

Sin embargo, Hinton llamó la atención a las amenazas que también representa la IA, durante la ceremonia del Premio Nobel.

“No tenemos experiencia de lo que va a suponer tener algo más inteligente que nosotros”, advirtió el científico. “Va a ser maravilloso en muchos aspectos, en áreas como la asistencia sanitaria…pero también tenemos que preocuparnos por una serie de posibles malas consecuencias. Sobre todo, por la amenaza de que se descontrole”.

Hinton, de 76 años, colaboraba en el desarrollo de tecnología en Google, pero abandonó la empresa el año pasado en medio de desacuerdos por la dirección que están tomando sobre la inteligencia artificial.

Aprendizaje automático

El principio del “aprendizaje automático” se inspira en el funcionamiento del cerebro humano, y más específicamente en las redes neuronales.

En los seres humanos, el aprendizaje refuerza las conexiones entre ciertos grupos de neuronas y debilita otras, lo que traza, por ejemplo, una especie de mapa de conexiones para una imagen determinada. En 1982, el físico John Hopfield trasladó este funcionamiento a una red artificial que lleva su nombre.

Hopfield comparó el almacenamiento de un patrón en la memoria de la red con el recorrido más eficiente de una bola rodando a través de un paisaje de picos y valles. Cuando la red procesa un patrón cercano al guardado, la bola sigue un recorrido de gasto de energía similar, llevándola al mismo punto.

Geoffrey Hinton a su vez construyó su trabajo sobre las bases establecidas por Hopfield. “Demostró que se podía aprender de manera efectiva con redes neuronales de múltiples capas”, explica Francis Bach, director del laboratorio de aprendizaje estadístico SIERRA en la Escuela Normal Superior de París.

En otras palabras: “Cuantas más capas haya, más complejo puede ser el comportamiento, y cuanto más complejo es el comportamiento, más fácil es aprender de manera efectiva”.

Desde los años 80, Hinton no ha dejado de “proponer nuevos algoritmos de aprendizaje para comportamientos cada vez más complejos”, agrega.

(I)