A mesterséges intelligencia a Nobel-díjak átadóján: A kettős győzelem vitát vált ki a tudományos tudományágakról

A mesterséges intelligencia a Nobel-díjak átadóján: A kettős győzelem vitát vált ki a tudományos tudományágakról

A Nobel-bizottság az idei két díjban elismerte a mesterséges intelligencia (AI) átalakító erejét – ítélték oda A neurális hálózatok úttörői a fizikában díj és a Fehérjék tanulmányozására és tervezésére szolgáló számítási eszközök fejlesztője kémiai díjban. De nem minden kutató elégedett.

Néhány pillanattal azután, hogy a Svéd Királyi Tudományos Akadémia kihirdette az idei fizikai Nobel-díj nyerteseit, a közösségi média világában felvillanó vita zajlott. Számos fizikus azzal érvelt, hogy a Geoffrey Hinton és John Hopfield díjaiban ünnepelt gépi tanulási kutatás alapjául szolgáló tudomány valójában nem fizika.

"Szótlan vagyok. Ugyanannyira értékelem a gépi tanulást és a mesterséges neurális hálózatokat, mint bárki más, de nehéz belátni, hogy ez egy fizikai felfedezés" - írta Jonathan Pritchard, a londoni Imperial College asztrofizikusa. X-en. „Azt hiszem, a Nobel-díjat az AI-hype érte.

A kanadai Torontói Egyetem Hinton és a New Jersey-i Princeton Egyetem Hopfield kutatása "a számítástechnika területéhez tartozik" - mondja Sabine Hossenfelder, a németországi Müncheni Matematikai Filozófiai Központ fizikusa. "Az éves Nobel-díj ritka alkalom a fizika - és a fizikusok - számára, hogy a reflektorfénybe kerüljenek. Ez az a nap, amikor a barátok és a család emlékeznek arra, hogy ismernek egy fizikust, és esetleg megkérdezik, miről szólt az utolsó Nobel-díj. De idén nem."

Néhány nézőpont kombinálása

Nem mindenki riadt el azonban: sok fizikus örömmel fogadta a hírt. „Hopfield és Hinton kutatása interdiszciplináris volt, és a fizikát, a matematikát, a számítástechnikát és az idegtudományt egyesítette” – mondja Matt Strassler, a massachusettsi Cambridge-i Harvard Egyetem elméleti fizikusa. "Ebben az értelemben ez az összes tudományághoz tartozik."

Anil Ananthaswamy, a kaliforniai Berkeley tudományos újságírója és a „Miért tanulnak a gépek” című könyv szerzője megjegyzi, hogy bár a Nobel-bizottság által idézett kutatás nem a legtisztább értelemben vett elméleti fizika, a fizikából származó technikákban és fogalmakban gyökerezik, mint például az energia. A „Boltzmann-hálózatok” és a Hinton által feltalált Hopfield-hálózatok „mindketten energiavezérelt modellek” – mondja.

A fizikával való kapcsolat gyengébb lett a gépi tanulás későbbi fejlesztései során, teszi hozzá Ananthaswamy, különösen a „feedforward” technikákban, amelyek megkönnyítették a neurális hálózatok betanítását. Ennek ellenére a fizikai ötletek visszatérnek, és segítenek a kutatóknak megérteni, hogy az egyre összetettebb mély tanulási rendszerek miért teszik azt, amit csinálnak. „Szükségünk van a fizika gondolkodásmódjára a gépi tanulás tanulmányozásához” – mondja Lenka Zdeborová, aki a Lausanne-i Svájci Szövetségi Technológiai Intézetben (EPFL) kutatja a számítások statisztikai fizikáját.

„Úgy gondolom, hogy a fizikai Nobel-díjnak továbbra is a fizikai ismeretek egyre több területére kellene behatolnia” – mondja Giorgio Parisi, a római Sapienza Egyetem fizikusa. megosztotta a 2021-es Nobel-díjat. "A fizika egyre szélesebb, és számos olyan tudásterületet foglal magában, amelyek a múltban nem léteztek, vagy nem voltak a fizika részei."

Nem csak AI

Úgy tűnt, hogy a számítástechnika átvette a Nobel-díjat a fizikai díj kihirdetését követő napon, amikor Demis Hassabis és John Jumper, a AI eszközök a fehérjeszerkezet előrejelzéséhez AlphaFold a londoni Google DeepMindnél, aki a kémiai Nobel-díj felét elnyerte. (A másik felét David Baker, a Seattle-i Washington Egyetem munkatársa kapta a fehérjetervezési munkáért, amely nem használt gépi tanulást).

A díj a mesterséges intelligencia bomlasztó erejének elismerése volt, de egyben a strukturális és számítási biológia ismereteinek folyamatos bővülését is – mondja David Jones, a University College London bioinformatikusa, aki a DeepMinddel dolgozott az AlphaFold első verzióján. „Nem hiszem, hogy az AlphaFold olyan radikális elmozdulást jelentene a mögöttes tudományban, amely még nem volt ott” – mondja. "Minden arról szól, hogy mindent úgy raktak össze és terveztek, hogy az AlphaFold elérje ezeket a magasságokat."

Az AlphaFold által használt kulcsfontosságú bemenet a különböző szervezetekből származó, rokon fehérjék szekvenciái, amelyek azonosítani tudják azokat az aminosavpárokat, amelyek valószínűleg együtt fejlődtek, és ezért fizikai közelségben lehetnek egy fehérje 3D-s szerkezetében. A kutatók már az AlphaFold fejlesztésekor használták ezt a betekintést a fehérjeszerkezetek előrejelzésére, és néhányan elkezdték megvalósítani az ötletet a mély tanulási hálózatokban.

„Nem csak arról volt szó, hogy elmentünk dolgozni, megnyomtuk az AI gombot, aztán mindenki hazament” – mondta Jumper a DeepMind október 9-i sajtótájékoztatóján. „Ez valóban egy iteratív folyamat volt, ahol fejlesztettünk, kutakodtunk, és megpróbáltuk megtalálni a megfelelő kombinációkat aközött, amit a közösség ért a fehérjékről, és hogyan építhetnénk be ezeket az intuíciókat az építészetünkbe.”

Az AlphaFold sem jöhetett volna létre a Protein Database nélkül, amely több mint 200 000 fehérjeszerkezet szabadon hozzáférhető tárháza – köztük olyanok is, amelyek korábbi Nobel-díjhoz is hozzájárultak –, amelyet röntgenkrisztallográfiával, krioelektronmikroszkóppal és más kísérleti módszerekkel határoztak meg. „Minden adatpont valaki több éves erőfeszítésének eredménye” – mondta Jumper.

1901-es alapításuk óta a Nobel-díjak gyakran a kutatás társadalomra gyakorolt ​​hatását tükrözik, és nem csak a tiszta tudományt, hanem a gyakorlati találmányokat is díjazták. Ebben a tekintetben a 2024-es árak nem kiugróak, mondja Ananthaswamy. "Néha nagyon jó mérnöki projektekért díjazzák őket. Ide tartoznak a díjak is Lézer és PCR.”