El Nobel de Física reconoce a Hopfield y Hinton por las redes neuronales

El 8 de octubre de 2024, la Real Academia Sueca de Ciencias concedió el Nobel de Física a John J. Hopfield y Geoffrey E. Hinton por descubrimientos e inventos que hicieron posible el aprendizaje automático con redes neuronales artificiales. El fallo y la explicación oficial permiten separar la contribución histórica de ambos investigadores de los sistemas actuales que heredaron esas ideas.

El premio está dotado con 11 millones de coronas suecas, que los dos investigadores compartirán. La decisión lleva al centro de la física una disciplina que suele asociarse a la informática, pero cuya historia está estrechamente ligada al estudio de sistemas complejos, la energía y el azar. Fuente

Una memoria construida con neuronas artificiales

John Hopfield, profesor emérito de la Universidad de Princeton, desarrolló a comienzos de los años ochenta una forma de red neuronal capaz de almacenar y recuperar patrones. Su propuesta, conocida como red de Hopfield, puede entenderse como una memoria asociativa.

La idea se aprecia con un ejemplo sencillo: si una red ha aprendido una imagen o una palabra y recibe una versión incompleta o con ruido, trata de reconstruir el patrón original. No lo hace buscando una copia exacta en una base de datos, sino ajustando las conexiones entre sus unidades artificiales hasta alcanzar un estado estable.

Hopfield encontró una manera de describir ese proceso con herramientas de la física. Su red se comporta como un sistema que busca reducir una magnitud llamada energía, igual que ciertos sistemas físicos tienden hacia configuraciones más estables. Cada recuerdo queda representado como uno de esos mínimos de energía: cuando se introduce una señal parcial, la red evoluciona hacia el mínimo más parecido.

Aquellas redes son muy distintas de los grandes modelos actuales. Tenían una capacidad limitada y no podían manejar las tareas de lenguaje, imagen o vídeo que hoy se han popularizado. Pero aportaron algo decisivo: demostraron que una red neuronal podía formularse de forma matemática, analizarse y emplearse para recuperar información a partir de ejemplos imperfectos.

Hinton y el aprendizaje a partir de datos

Geoffrey Hinton, investigador de la Universidad de Toronto y una de las figuras más influyentes del aprendizaje profundo, desarrolló después métodos basados en la física estadística para que las redes pudieran aprender estructuras presentes en los datos.

Su trabajo con las llamadas máquinas de Boltzmann permitió explorar cómo una red puede descubrir regularidades sin que un programador tenga que escribir una regla para cada caso. Una máquina de Boltzmann es una red que asigna probabilidades a distintas configuraciones de sus unidades. Durante el entrenamiento, modifica la fuerza de sus conexiones para que los patrones aprendidos se parezcan cada vez más a los ejemplos recibidos.

Ese enfoque era computacionalmente costoso para los ordenadores de su época, pero estableció principios que resultarían cruciales más adelante. Las redes neuronales modernas también aprenden ajustando millones o miles de millones de parámetros a partir de grandes cantidades de datos. La escala, las arquitecturas y la capacidad de cálculo han cambiado radicalmente; la intuición central sigue siendo que el sistema extrae patrones mediante ajustes repetidos.

Hinton se convirtió además en una figura central del resurgimiento de las redes profundas en la década de 2010. En 2012, el trabajo de su grupo en la Universidad de Toronto, con Alex Krizhevsky e Ilya Sutskever, logró un salto notable en el concurso de reconocimiento de imágenes ImageNet mediante una red profunda. Aquel resultado aceleró la adopción de estas técnicas en visión artificial y abrió el camino a buena parte de los sistemas que hoy reconocen imágenes, traducen texto o generan contenido.

Un Nobel para una tecnología que ya afecta a todos los sectores

La Academia Sueca ha premiado investigaciones fundacionales, no los productos de IA generativa que han llegado recientemente al público. Sin embargo, el reconocimiento llega cuando las redes neuronales están presentes en servicios cotidianos: filtros de correo no deseado, recomendaciones, diagnósticos asistidos, reconocimiento de voz, herramientas de traducción y asistentes conversacionales.

También explica por qué la IA contemporánea requiere tantos datos y tanta potencia de cálculo. Una red neuronal no recibe normalmente reglas explícitas sobre qué es un gato, cómo se traduce una frase o qué código debe escribir. Aprende ajustando sus conexiones después de procesar una enorme cantidad de ejemplos. Esa capacidad de generalizar a casos nuevos es útil, pero no garantiza que el resultado sea correcto: los modelos pueden equivocarse, reproducir sesgos de sus datos de entrenamiento o producir respuestas convincentes pero falsas.

El Nobel no resuelve esas limitaciones ni certifica que toda aplicación de redes neuronales sea fiable. Sí reconoce que la física proporcionó ideas esenciales para comprender cómo sistemas formados por muchas unidades simples pueden almacenar información, reconocer patrones y aprender.

La elección también amplía la imagen pública del Premio Nobel de Física. En los últimos años, la disciplina ha premiado desde el entrelazamiento cuántico hasta el estudio del clima. Este año distingue una base científica de la inteligencia artificial justo cuando empresas, administraciones y ciudadanos intentan decidir dónde debe utilizarse y bajo qué controles. La investigación de Hopfield y Hinton ayuda a entender por qué estas máquinas pueden aprender; el reto pendiente es decidir cómo desplegarlas de forma responsable.

Una genealogía no es una explicación total

El Nobel reconoce métodos fundamentales, no una línea directa y exclusiva hasta cada modelo contemporáneo. La memoria científica de la Academia sitúa las redes de Hopfield y las máquinas de Boltzmann dentro de una historia más amplia. Datos, aceleradores, retropropagación, arquitecturas y escalado añadieron piezas posteriores. Atribuir toda la IA actual a dos inventos borra esas dependencias.

La red de Hopfield puede entenderse como una memoria asociativa. Cada patrón aprendido forma una zona de baja energía; una entrada incompleta evoluciona hacia un estado cercano. La idea transferible es el paisaje: optimizar significa moverse por una superficie definida por una función, y el resultado depende de los mínimos, las barreras y el punto de partida.

La máquina de Boltzmann incorpora variables y probabilidad para aprender regularidades de ejemplos. No es ChatGPT en miniatura. Enseña otro patrón duradero: un sistema generativo aprende una distribución y produce muestras compatibles con ella, sin almacenar necesariamente una respuesta literal para cada consulta.

Cómo leer un premio técnico

Separa el enunciado oficial, la contribución original y los usos posteriores. Busca qué objeto matemático introdujo cada persona, qué problema resolvía entonces y qué elementos de la tecnología actual no estaban presentes. El prestigio del premio no convierte una analogía en mecanismo ni resuelve controversias sobre aplicaciones modernas.

Una prueba pequeña ayuda. Construye unos patrones binarios, corrompe parte de uno y observa hacia qué estado converge una memoria asociativa. Cambia la cantidad y semejanza de los patrones. Cuando la red confunde recuerdos, aparece el límite: capacidad y robustez dependen de la representación y del conjunto, no solo de “haber aprendido”.

La capacidad transferible es reconstruir la cadena entre idea, mecanismo, evidencia y aplicación. Así puedes reconocer cuándo una noticia histórica explica de verdad una tecnología y cuándo usa un nombre célebre para prestar autoridad a una afirmación mucho más amplia.

El límite también forma parte del legado

Una memoria asociativa recupera patrones cercanos a lo aprendido, pero puede converger hacia estados espurios o confundir recuerdos parecidos. Registrar esos fallos evita usar “funciona como el cerebro” como explicación: la inspiración biológica no implica equivalencia funcional.

La misma cautela se aplica a la energía. Es una función matemática que ordena estados del modelo, no una medición del consumo eléctrico ni una prueba de consciencia. Nombrar variable, ecuación y papel impide que una metáfora física adquiera conclusiones que el mecanismo no contiene.