Quién es John Hopfield
John J. Hopfield nació en Chicago el 15 de julio de 1933. Su trayectoria conecta materia condensada, biología y redes neuronales. Recibió el Nobel de Física de 2024 por aportaciones al aprendizaje automático.[1]
Formación y primeros problemas científicos
Estudió en Swarthmore y obtuvo el doctorado en Física en Cornell en 1958, bajo la dirección de Albert Overhauser. La universidad destaca una formación que le permitió investigar con autonomía y trasladar herramientas físicas entre disciplinas. Su tesis pertenecía a la física del estado sólido, antes de su dedicación a los sistemas biológicos. [3]
Bell Labs, Princeton y Caltech
Trabajó en Bell Labs entre 1958 y 1960, pasó por la École normale supérieure de París y Berkeley, y fue profesor de Física en Princeton de 1964 a 1980. En Caltech ocupó una cátedra de Química y Biología entre 1980 y 1996. Regresó a Princeton en 1997, al ámbito de la biología molecular. [4]
En Caltech participó, con Richard Feynman y Carver Mead, en el curso Physics of Computation. La pregunta compartida era qué permiten las leyes físicas a una máquina que procesa información. Esa colaboración docente contribuyó al programa de Computación y Sistemas Neuronales, que Hopfield cofundó en 1986, reuniendo perspectivas de ingeniería, física y neurociencia. [12]
Entre 2010 y 2013 fue visitante del Institute for Advanced Study. Su perfil en esta institución sitúa el interés de su investigación en cómo el comportamiento colectivo de muchas unidades puede producir funciones biológicas y procesamiento de información. Esa continuidad intelectual ayuda a entender una carrera que atravesó departamentos diferentes sin abandonar la modelización física. [21]
Luz, cristales y modelos de materiales
En 1958 estudió la contribución de los excitones a las propiedades dieléctricas de los cristales. El artículo trataba conjuntamente las excitaciones del material y el campo electromagnético, mostrando por qué su interacción modifica la respuesta óptica. Es una etapa esencial para situarlo como físico de materiales antes de la notoriedad de sus redes neuronales. [7]
Con William C. Topp publicó en 1973 un pseudopotencial para el sodio. El trabajo relacionaba una representación simplificada de la interacción electrónica con propiedades del material, entre ellas su cohesión. Este ejemplo muestra su interés por modelos suficientemente manejables para calcular, pero contrastables con propiedades físicas, sin atribuirles una descripción completa de todos los materiales. [8]
De la hemoglobina a la fidelidad molecular
En 1971, junto con Robert G. Shulman y Seiji Ogawa, analizó la cinética de la hemoglobina mediante un modelo alostérico. Estudiaban cómo sus estados conformacionales ayudan a explicar la unión de moléculas como el oxígeno. El paso hacia la biología conservaba una cuestión física: relacionar estructura, interacciones y comportamiento observable de un sistema. [9]
La corrección cinética, formulada en 1974, abordó otro problema: cómo los procesos biosintéticos distinguen moléculas muy parecidas con gran precisión. Hopfield propuso mecanismos que consumen energía y añaden etapas de selección, aplicables al análisis de la síntesis de proteínas y del ADN. La precisión aparecía así ligada a la dinámica química, además de a la afinidad molecular. [10]
Otro artículo de 1974 estudió la transferencia de electrones entre posiciones fijas mediante efecto túnel activado térmicamente. El trabajo pertenecía a la física de los procesos biológicos, no al diseño de redes informáticas. Junto con sus investigaciones moleculares, documenta que su aportación científica se desarrolló en varios campos antes de su modelo de memoria asociativa. [11]
Las redes de Hopfield y la memoria asociativa
En 1982 presentó una red asociativa que recupera patrones almacenados a partir de información incompleta.[5]
En su explicación de estas redes, Hopfield describe un sistema recurrente cuya actividad evoluciona hasta alcanzar un mínimo local de una función de energía. La respuesta emerge de las conexiones y de la dinámica del conjunto. Alcanzar un estado estable es una propiedad del modelo; no equivale a garantizar que cualquier entrada produzca la respuesta deseada. [14]
El artículo de 1984 amplió el análisis a neuronas con respuesta gradual, en lugar de limitarse a unidades con dos estados. El modelo mantenía propiedades colectivas de memoria asociativa. La comparación permitía estudiar qué aspectos del comportamiento dependían de la organización de la red y cuáles de la simplificación utilizada para representar cada neurona. [13]
Computación y problemas de optimización
En 1985, Hopfield y David Tank formularon redes analógicas para resolver problemas expresados mediante objetivos y restricciones. Presentaron simulaciones del problema del viajante, que busca recorridos entre ciudades. El interés estaba en obtener soluciones a través de la evolución conjunta de muchas unidades; los resultados mostrados eran buenas soluciones, sin una garantía general de optimalidad global. [15]
Memorias densas y trabajo con Dmitry Krotov
Con Dmitry Krotov desarrolló en 2016 memorias asociativas densas para reconocimiento de patrones. El trabajo exploraba interacciones de orden superior y su relación con clasificadores neuronales de una capa oculta. Así retomaban el problema de cómo almacenar y reconocer información, estudiando diferencias entre reconocer características y comparar una entrada con prototipos completos. [16]
En 2017 ambos investigaron la respuesta de esas memorias frente a entradas adversarias: modificaciones destinadas a provocar errores de clasificación. Analizaron la robustez de las arquitecturas estudiadas y sus diferencias con otros clasificadores. El alcance era experimental y dependía de los modelos y perturbaciones considerados; no establecía inmunidad universal frente a ataques. [17]
En un trabajo presentado como prepublicación en 2020 y publicado en ICLR 2021, propusieron un modelo con neuronas ocultas e interacciones por pares para explicar memorias de gran capacidad. La formulación conectaba distintas variantes de redes de Hopfield mediante funciones de energía y buscaba una interpretación más próxima a componentes biológicos, sin identificarla con un cerebro completo. [18]
Premios y reconocimientos
El Franklin Institute le concedió en 2019 la Medalla Benjamin Franklin de Física. La distinción reconoció la aplicación de conceptos físicos a cuestiones de genética y neurociencia, así como su influencia sobre el aprendizaje automático. La amplitud de esa motivación refleja una obra que no se reduce a una sola arquitectura informática. [19]
Compartió con Geoffrey Hinton el Nobel de Física de 2024. [1]
También fue uno de los siete galardonados con el Queen Elizabeth Prize for Engineering de 2025. [22]
Investigación básica y perspectiva sobre la IA
Princeton lo presenta como profesor emérito y destaca su defensa de la investigación guiada por la curiosidad. Tras el anuncio del Nobel de 2024 expresó preocupación por desarrollos de IA difíciles de controlar y comparó la necesidad de reflexión con la que plantea la edición genética. Son valoraciones públicas del investigador, distintas de los resultados de sus modelos. [2]
En su ensayo autobiográfico Now What?, de 2018, explica los cambios de dirección de su carrera a partir de las preguntas que encontraba interesantes y abordables. Describe el tránsito hacia la biología como una incorporación del concepto de función a su manera de pensar. Su relato subraya la elección de problemas, los encuentros científicos y la incertidumbre del proceso investigador. [20]
Redes de Hopfield y evaluación de seguridad en obras
La aportación de Hopfield fue un modelo de red capaz de recuperar patrones a partir de información parcial. Esa propiedad dio origen a una familia de métodos de memoria asociativa; no fue, por sí misma, un procedimiento de evaluación de riesgos laborales. [5]
Existe una conexión posterior concreta: Sun, Wang, Liu y Yao publicaron un modelo de seguridad en construcción basado en una red discreta de Hopfield mejorada. Organizan indicadores de personas, equipos, entorno, gestión y materiales, combinando información experta y datos para evaluar el riesgo. [6]
Una herramienta de apoyo, no una medición automática del riesgo
El valor preventivo de esta línea es estudiar cómo combinar señales heterogéneas de una obra sin reducir la evaluación a un único indicador. Hopfield aporta el antecedente matemático; el modelo de construcción corresponde al equipo que lo desarrolló.
Una clasificación calculada solo resulta útil si sus indicadores representan los peligros reales y sus ponderaciones pueden explicarse. La ausencia de información sobre una protección colectiva, por ejemplo, no debe interpretarse como ausencia del peligro. Esta conexión acredita una aplicación investigada, no una implantación universal ni una reducción demostrada de siniestralidad.
