AI ved Nobelprisene: Dobbel seier vekker diskusjon om vitenskapelige disipliner

AI ved Nobelprisene: Dobbel seier vekker diskusjon om vitenskapelige disipliner

Nobelkomiteen har anerkjent den transformative kraften til kunstig intelligens (AI) i to av årets priser - de hedret Pioneers of Neural Networks in Physics-prisen og den Utvikler av beregningsverktøy for å studere og designe proteiner i kjemipris. Men ikke alle forskere er fornøyde.

Bare noen øyeblikk etter at Det Kongelige Svenske Vitenskapsakademi kunngjorde vinnerne av årets Nobelpris i fysikk, opplevde verden i sosiale medier et glimt av diskusjon. Flere fysikere hevdet at vitenskapen som ligger til grunn for maskinlæringsforskning som ble feiret i prisene til Geoffrey Hinton og John Hopfield, faktisk ikke var fysikk.

"Jeg er målløs. Jeg verdsetter maskinlæring og kunstige nevrale nettverk like mye som alle andre, men det er vanskelig å se at dette er en fysikkfunn," skrev Jonathan Pritchard, en astrofysiker ved Imperial College London, på X. "Jeg antar at Nobelprisen ble rammet av AI-hypen."

Forskningen til Hinton ved University of Toronto i Canada og Hopfield ved Princeton University i New Jersey «hører til innen informatikk», sier Sabine Hossenfelder, fysiker ved Munich Center for Mathematical Philosophy i Tyskland. "Den årlige Nobelprisen er en sjelden mulighet for fysikk - og fysikere - til å tre inn i søkelyset. Det er dagen da venner og familie husker at de kjenner en fysiker og kanskje spør hva den siste Nobelprisen handlet om. Men ikke i år."

Kombinerer noen perspektiver

Ikke alle var bekymret, men mange fysikere ønsket nyheten velkommen. "Hopfield og Hintons forskning var tverrfaglig, og samlet fysikk, matematikk, informatikk og nevrovitenskap," sier Matt Strassler, en teoretisk fysiker ved Harvard University i Cambridge, Massachusetts. "I den forstand tilhører det alle disse disiplinene."

Anil Ananthaswamy, en vitenskapsjournalist fra Berkeley, California, og forfatter av «Why Machines Learn», bemerker at selv om forskningen sitert av Nobelkomiteen ikke er teoretisk fysikk i reneste forstand, er den forankret i teknikker og konsepter fra fysikk, som energi. "Boltzmann-nettverkene" og Hopfield-nettverkene oppfunnet av Hinton "er begge energidrevne modeller," sier han.

Forbindelsen til fysikk ble svakere i den senere utviklingen av maskinlæring, legger Ananthaswamy til, spesielt i "feedforward"-teknikkene som gjorde nevrale nettverk lettere å trene. Likevel kommer fysiske ideer tilbake og hjelper forskere å forstå hvorfor stadig mer komplekse dyplæringssystemer gjør det de gjør. "Vi trenger fysikkens tankesett for å studere maskinlæring," sier Lenka Zdeborová, som forsker på statistisk fysikk ved beregning ved Swiss Federal Institute of Technology i Lausanne (EPFL).

"Jeg tror at Nobelprisen i fysikk bør fortsette å trenge inn i flere og flere områder av fysisk kunnskap," sier Giorgio Parisi, fysiker ved Sapienza-universitetet i Roma delte Nobelprisen i 2021. "Fysikk blir stadig bredere og inkluderer mange kunnskapsområder som ikke eksisterte eller ikke var en del av fysikk i fortiden."

Ikke bare AI

Datavitenskap så ut til å ta over Nobelprisen dagen etter at fysikkprisen ble offentliggjort, da Demis Hassabis og John Jumper, medgründerne av AI-verktøy for prediksjon av proteinstruktur AlphaFold hos Google DeepMind i London, som vant halvparten av Nobelprisen i kjemi. (Den andre halvparten ble tildelt David Baker fra University of Washington i Seattle for arbeid med proteindesign som ikke brukte maskinlæring).

Prisen var en anerkjennelse av den forstyrrende kraften til AI, men også av den stadige økningen i kunnskap innen strukturell og beregningsbiologi, sier David Jones, en bioinformatiker ved University College London som jobbet med DeepMind på den første versjonen av AlphaFold. "Jeg tror ikke AlphaFold representerer et radikalt skifte i den underliggende vitenskapen som ikke allerede var der," sier han. "Det handler om hvordan alt ble satt sammen og designet for å la AlphaFold nå disse høydene."

En nøkkelinngang som AlphaFold bruker er sekvensene av beslektede proteiner fra forskjellige organismer, som kan identifisere par av aminosyrer som sannsynligvis har utviklet seg sammen og derfor kan være i fysisk nærhet i et proteins 3D-struktur. Forskere brukte allerede denne innsikten til å forutsi proteinstrukturer da AlphaFold ble utviklet, og noen begynte til og med å implementere ideen i dyplæringsnettverk.

"Det var ikke bare et tilfelle av at vi skulle på jobb, trykke på AI-knappen, og så gikk alle hjem," sa Jumper på en pressekonferanse på DeepMind 9. oktober. "Det var virkelig en iterativ prosess der vi utviklet, forsket og prøvde å finne de riktige kombinasjonene mellom hva samfunnet forsto om proteiner og hvordan vi kunne inkorporere disse intuisjonene i vår arkitektur."

AlphaFold ville heller ikke vært mulig uten Protein Database, et fritt tilgjengelig depot med mer enn 200 000 proteinstrukturer – inkludert noen som har bidratt til tidligere Nobelpriser – bestemt ved hjelp av røntgenkrystallografi, kryo-elektronmikroskopi og andre eksperimentelle metoder. "Hvert datapunkt er et resultat av noens mange års innsats," sa Jumper.

Siden grunnleggelsen i 1901 har Nobelprisene ofte vært en refleksjon av forskningens innvirkning på samfunnet og har belønnet praktiske oppfinnelser, ikke bare ren vitenskap. I denne forbindelse er ikke 2024-priser ekstreme, sier Ananthaswamy. «Noen ganger blir de premiert for svært gode ingeniørprosjekter. Disse inkluderer prisene for Laser og PCR."