El 9 de octubre de 2024, el Premio Nobel de Física fue otorgado a John J. Hopfield y Geoffrey Hinton por sus contribuciones en el campo de la inteligencia artificial, aunque la IA suele percibirse como una disciplina de la informática. Este premio pone de relieve las profundas raíces de la IA en la Física y destaca cómo los conceptos procedentes de esta disciplina han permitido avanzar en el desarrollo de la IA.

John J. Hopfield: la IA que busca imitar al cerebro humano

John J. Hopfield introdujo un nuevo enfoque para la inteligencia artificial, inspirado en el funcionamiento del cerebro humano. Desarrolló un modelo denominado red neuronal artificial, en el que las neuronas interactúan entre sí para memorizar y procesar información. Esta red es capaz de aprender a reconocer patrones y a reconstruir datos, incluso si estos están parcialmente incompletos o deteriorados.

La red de Hopfield funciona utilizando un principio de memoria asociativa. Tras haber sido entrenada con diferentes ejemplos de una forma, esta red es capaz de memorizar esas variantes. Posteriormente, si se le presenta una versión ligeramente diferente o incompleta de la forma, puede reconocerla asociándola con los ejemplos que ya ha aprendido. Este mecanismo de asociación permite a la red recuperar y completar información incluso cuando no se corresponde exactamente con los datos de entrenamiento. Este principio de memoria asociativa sentó las bases de numerosas innovaciones en inteligencia artificial.

Geoffrey Hinton: El paso al aprendizaje profundo

Geoffrey Hinton, por su parte, dio un paso más allá con la introducción del aprendizaje profundo. Una de sus contribuciones clave fue la incorporación de neuronas ocultas en las redes neuronales para resolver un problema fundamental del aprendizaje automático tradicional: el almacenamiento de datos. Antes de este avance, las redes neuronales tenían dificultades para procesar grandes cantidades de información y para generalizar a partir de los datos limitados que memorizaban. Las neuronas ocultas permiten a la red interpretar los datos de forma más eficaz, reduciendo la carga de almacenamiento directo, al tiempo que identifican estructuras subyacentes más complejas.

Estas neuronas ocultas permiten a la IA no solo procesar información visible, como los píxeles, sino también extraer patrones más profundos y conceptos abstractos. Por ejemplo, permiten que sistemas como ChatGPT vayan más allá de la simple lectura de palabras e intenten comprender el contexto global para generar respuestas pertinentes.

Hinton también introdujo un componente aleatorio, inspirado en conceptos de la física como la agitación térmica, para hacer que las redes sean más flexibles. Este enfoque ayuda a la IA a explorar diferentes soluciones antes de elegir la más óptima. Es esta flexibilidad la que permite a las tecnologías actuales gestionar tareas complejas, como la conducción autónoma, en la que los vehículos deben reaccionar en tiempo real a su entorno, o incluso en el ámbito médico, donde los algoritmos pueden analizar imágenes y ayudar a diagnosticar enfermedades. Gracias a estos avances, los sistemas de IA son capaces de procesar cantidades ingentes de datos al tiempo que se adaptan a situaciones imprevistas.

¿Por qué un Premio Nobel de Física para la IA?

Lo que puede sorprender es que este Premio Nobel, que suele concederse a descubrimientos en física pura, se haya otorgado a investigadores que trabajan en conceptos de IA. Pero la innovación que subyace a los trabajos de Hopfield y Hinton demuestra claramente que la IA moderna se nutre en gran medida de la física para simular sistemas complejos.

Las redes neuronales de Hopfield, por ejemplo, utilizan ecuaciones inspiradas en el magnetismo y en los sistemas de partículas para ajustar las conexiones entre las neuronas. Del mismo modo, la máquina de Hinton, otro modelo neuronal, se basa en una ecuación física para calcular la agitación térmica, con el fin de determinar los estados más probables en una red neuronal.

Así pues, aunque la IA es una disciplina derivada de la informática, las bases de su desarrollo moderno se asientan en el uso de funciones y ecuaciones matemáticas que describen principios de la física. Son precisamente estos trabajos de aplicación de fenómenos físicos a la informática los que han permitido el desarrollo de las capacidades de la IA en los últimos años.