1933: John Hopfield föds

Det finns ingen välbelagd milstolpe inom datorhistorien som med säkerhet inträffat just den 14 juli, så idag lyfter vi fram den närmaste dokumenterade årsdagen i AI:ns historia: fysikern John Hopfield föddes den 15 juli 1933 i Chicago. Det är bara en dags skillnad, men hans arbete ligger så nära kärnan i dagens maskininlärning att det förtjänar sin plats i denna kalender.

Hopfield utbildade sig som fastkroppsfysiker och forskade bland annat om excitoner i kristaller, långt innan han vände blicken mot hjärnan och beräkning. Det skiftet, i slutet av 1970-talet, var ovanligt: en fysiker som tog med sig statistisk mekanik för att undersöka hur nätverk av enkla enheter skulle kunna lagra och återskapa minnen.

1982 publicerade han artikeln "Neural Networks and Physical Systems with Emergent Collective Computational Abilities" i Proceedings of the National Academy of Sciences. Den beskrev det vi idag kallar Hopfield-nätverk: ett återkopplat system av sammankopplade noder som söker sig till stabila lågenergitillstånd, ungefär som ett fysikaliskt system som strävar mot jämvikt. Det avgörande var att dessa stabila tillstånd kunde fungera som minnen, så att nätverket kunde återskapa ett helt mönster utifrån en ofullständig eller brusig ledtråd.

• 1982: Hopfields artikel i PNAS introducerar associativt minne via neurala nätverk
• Mitten av 1980-talet: arbetet bidrar till att väcka nytt intresse för neurala nätverk efter den första "AI-vintern"
• 2024: Hopfield delar Nobelpriset i fysik med Geoffrey Hinton för grundläggande upptäckter som möjliggör maskininlärning med artificiella neurala nätverk

Artikeln betydde långt mer än sina direkta resultat. Tillsammans med backpropagation-arbetet som följde några år senare bidrog den till att föra neurala nätverk tillbaka från datavetenskapens marginal till seriös forskning, och lade grunden för den konnektionistiska våg som så småningom växte till dagens djupinlärning.

Detta arv uppmärksammades 2024, då Hopfield och Geoffrey Hinton tilldelades Nobelpriset i fysik gemensamt "för grundläggande upptäckter och uppfinningar som möjliggör maskininlärning med artificiella neurala nätverk". Forskare har sedan dess visat att moderna, kontinuerliga versioner av Hopfield-nätverk är nära matematiska släktingar till den uppmärksamhetsmekanism som finns inuti Transformer-modeller, arkitekturen bakom dagens stora språkmodeller. En fysikers idé om energi och minne, född ur ett sinne format i mitten av 1900-talets Chicago, ligger fortfarande tyst till grund för chattbottar och rekommendationssystem år 2024 och framåt.