Prémio Nobel da Física: Como a IA de Hopfield e Hinton Transformou o Nosso Mundo

(Nobel Prize Outreach/Alexander Mahmoud)

Se gostou de um vídeo gerado por IA, de uma proteção contra fraudes ou de uma voz para texto, pode agradecer a cientistas como o físico John Hopfield e o informático Geoffrey Hinton. Em 8 de outubro de 2024, receberam o Prémio Nobel da Física pelo seu trabalho pioneiro em redes neuronais artificiais, que, embora inspiradas na biologia, se baseavam fortemente na física estatística.

Como os neurónios calculam

As redes neuronais artificiais são inspiradas na forma como os neurónios biológicos funcionam. Em 1943, Warren McCulloch e Walter Pitts apresentaram um modelo simples que mostra como os neurónios se ligam, recebem sinais e enviam os seus próprios sinais.

Os neurónios pesam os sinais recebidos de forma diferente, tal como se valorizassem mais as opiniões de alguns amigos do que de outros quando decidem comprar um telemóvel. Por exemplo, se a Alice e o Bob disserem que sim, mas o Charlie, em quem confia mais para conselhos técnicos, disser que não, pode dar mais importância à opinião dele. Isto pode mudar a sua decisão de comprar ou não comprar o telemóvel.

Rede Hopfield

As redes neuronais artificiais foram inicialmente inspiradas pela biologia, mas o seu desenvolvimento depressa incorporou ideias da lógica, matemática e física. O físico John Hopfield aplicou conceitos de física para estudar um tipo específico de rede neural recorrente, atualmente conhecida como rede de Hopfield, centrando-se na forma como esta evolui ao longo do tempo.

Esta dinâmica é também relevante nas redes sociais, onde a informação se espalha rapidamente, dando origem a memes virais e câmaras de eco a partir de interações simples.

Hopfield foi um pioneiro na utilização de modelos físicos, especialmente os que estudam o magnetismo, para compreender as redes neuronais. Demonstrou que esta dinâmica podia conferir a essas redes uma forma de memória.

Máquinas de Boltzmann e retropropagação

Na década de 1980, Geoffrey Hinton, Terrence Sejnowski e outros expandiram o trabalho de Hopfield para desenvolver uma nova classe de modelos chamados máquinas de Boltzmann, em homenagem ao físico do século XIX Ludwig Boltzmann. Esses modelos, como o nome sugere, foram baseados no trabalho de Boltzmann em física estatística.

Enquanto as redes Hopfield podiam armazenar e corrigir padrões, à semelhança de um corretor ortográfico, as máquinas Boltzmann foram mais longe. Podiam gerar novos padrões, lançando as bases para a atual IA generativa.

O papel da retropropagação nas redes neuronais

Na década de 1980, Hinton também esteve envolvido num grande avanço: a retropropagação. Para que as redes neuronais executem tarefas úteis, é necessário escolher os pesos de ligação corretos entre os neurónios. A retropropagação é um algoritmo essencial que ajuda a ajustar esses pesos com base no desempenho da rede num conjunto de dados de treino. No entanto, o treino de redes com muitas camadas continuava a ser difícil.

Na década de 2000, Hinton e a sua equipa encontraram uma solução inteligente. Utilizaram máquinas de Boltzmann para pré-treinar cada camada de uma rede multicamadas, seguidas de um algoritmo de afinação para aperfeiçoar ainda mais os pesos. Estas redes multicamadas, atualmente designadas por redes profundas, desencadearam a revolução da aprendizagem profunda.

A IA contribui para a física.

O Prémio Nobel da Física destaca a forma como as ideias deste campo alimentaram o crescimento da aprendizagem profunda. Atualmente, a aprendizagem profunda está a contribuir para a física ao permitir simulações rápidas e precisas de sistemas que vão desde as moléculas ao clima da Terra.

Ao distinguir Hopfield e Hinton com o Prémio Nobel, o comité demonstra otimismo na nossa capacidade de utilizar estas descobertas para melhorar o bem-estar humano e apoiar um futuro sustentável.

Leia o Artigo Original: Science Alert

Leia mais: Por Que Nos Beijamos: Uma Nova e Intrigante Teoria que Precede a Vida Humana na Terra