AI ved Nobelpriserne: Dobbelt sejr sætter gang i diskussionen om videnskabelige discipliner

AI ved Nobelpriserne: Dobbelt sejr sætter gang i diskussionen om videnskabelige discipliner

Nobelkomiteen har anerkendt kunstig intelligenss (AI) transformative kraft i to af årets priser - de hædrede Pioneers of Neurale Networks in Physics-prisen og den Udvikler af beregningsværktøjer til at studere og designe proteiner i kemiprisen. Men ikke alle forskere er tilfredse.

Blot få øjeblikke efter, at Det Kongelige Svenske Videnskabsakademi annoncerede vinderne af dette års Nobelpris i fysik, oplevede verden på sociale medier et glimt af diskussion. Flere fysikere hævdede, at den videnskab, der ligger til grund for maskinlæringsforskning, der blev fejret i priserne til Geoffrey Hinton og John Hopfield, faktisk ikke var fysik.

"Jeg er målløs. Jeg værdsætter maskinlæring og kunstige neurale netværk lige så meget som alle andre, men det er svært at se, at dette er en fysikopdagelse," skrev Jonathan Pritchard, en astrofysiker ved Imperial College London. på X. "Jeg formoder, at Nobelprisen blev ramt af AI-hypen."

Forskningen foretaget af Hinton ved University of Toronto i Canada og Hopfield ved Princeton University i New Jersey "hører til inden for datalogi," siger Sabine Hossenfelder, fysiker ved München Center for Mathematical Philosophy i Tyskland. "Den årlige Nobelpris er en sjælden mulighed for fysik - og fysikere - til at træde ind i søgelyset. Det er dagen, hvor venner og familie husker, at de kender en fysiker og måske spørger, hvad den sidste Nobelpris handlede om. Men ikke i år."

Kombinerer nogle perspektiver

Ikke alle var dog bekymrede: Mange fysikere tog godt imod nyheden. "Hopfield og Hintons forskning var tværfaglig og samlede fysik, matematik, datalogi og neurovidenskab," siger Matt Strassler, en teoretisk fysiker ved Harvard University i Cambridge, Massachusetts. "På den måde hører det til alle disse discipliner."

Anil Ananthaswamy, en videnskabsjournalist fra Berkeley, Californien, og forfatter til "Why Machines Learn," bemærker, at selvom den forskning, som Nobelkomiteen citerer, ikke er teoretisk fysik i reneste forstand, er den forankret i teknikker og begreber fra fysik, såsom energi. "Boltzmann-netværkene" og Hopfield-netværkene opfundet af Hinton "er begge energidrevne modeller," siger han.

Forbindelsen til fysik blev svagere i den senere udvikling af maskinlæring, tilføjer Ananthaswamy, især i "feedforward"-teknikker, der gjorde neurale netværk nemmere at træne. Alligevel kommer fysiske ideer tilbage og hjælper forskerne med at forstå, hvorfor stadig mere komplekse deep learning-systemer gør, som de gør. "Vi har brug for fysikkens tankegang for at studere maskinlæring," siger Lenka Zdeborová, der forsker i beregningernes statistiske fysik ved Swiss Federal Institute of Technology i Lausanne (EPFL).

"Jeg tror, ​​at Nobelprisen i fysik bør fortsætte med at trænge ind i flere og flere områder af fysisk viden," siger Giorgio Parisi, fysiker ved Sapienza Universitet i Rom delte Nobelprisen i 2021. "Fysik bliver stadig bredere og omfatter mange vidensområder, som ikke eksisterede eller ikke var en del af fysikken i fortiden."

Ikke kun AI

Datalogi så ud til at overtage Nobelprisen dagen efter, at fysikprisen blev offentliggjort, da Demis Hassabis og John Jumper, medstiftere af AI-værktøjer til forudsigelse af proteinstruktur AlphaFold hos Google DeepMind i London, som vandt halvdelen af ​​Nobelprisen i kemi. (Den anden halvdel blev tildelt David Baker fra University of Washington i Seattle for arbejde med proteindesign, der ikke brugte maskinlæring).

Prisen var en anerkendelse af AI's forstyrrende kraft, men også af den konstante stigning i viden inden for strukturel og beregningsbiologi, siger David Jones, en bioinformatiker ved University College London, som arbejdede med DeepMind på den første version af AlphaFold. "Jeg tror ikke, at AlphaFold repræsenterer et radikalt skift i den underliggende videnskab, som ikke allerede var der," siger han. "Det handler om, hvordan alt blev sat sammen og designet til at tillade AlphaFold at nå disse højder."

Et nøgleinput, som AlphaFold bruger, er sekvenserne af beslægtede proteiner fra forskellige organismer, som kan identificere par af aminosyrer, som sandsynligvis har udviklet sig sammen og derfor kan være i fysisk nærhed i et proteins 3D-struktur. Forskere brugte allerede denne indsigt til at forudsige proteinstrukturer, da AlphaFold blev udviklet, og nogle begyndte endda at implementere ideen i deep learning-netværk.

"Det var ikke kun et tilfælde af, at vi skulle på arbejde, trykke på AI-knappen, og så gik alle hjem," sagde Jumper på en pressekonference hos DeepMind den 9. oktober. "Det var virkelig en iterativ proces, hvor vi udviklede, lavede research og forsøgte at finde de rigtige kombinationer mellem, hvad samfundet forstod om proteiner, og hvordan vi kunne inkorporere disse intuitioner i vores arkitektur."

AlphaFold ville heller ikke have været mulig uden Proteindatabasen, et frit tilgængeligt depot med mere end 200.000 proteinstrukturer - herunder nogle, der har bidraget til tidligere Nobelpriser - bestemt ved hjælp af røntgenkrystallografi, kryo-elektronmikroskopi og andre eksperimentelle metoder. "Hvert datapunkt er resultatet af nogens mange års indsats," sagde Jumper.

Siden deres grundlæggelse i 1901 har Nobelpriserne ofte været en afspejling af forskningens indvirkning på samfundet og har belønnet praktiske opfindelser, ikke kun ren videnskab. I denne henseende er 2024-priser ikke afvigende, siger Ananthaswamy. "Nogle gange bliver de præmieret for meget gode ingeniørprojekter. Det gælder blandt andet priserne for Laser og PCR."