Sztuczna inteligencja u Nagród Nobla: Podwójne zwycięstwo wywołuje dyskusję o dyscyplinach naukowych

Sztuczna inteligencja u Nagród Nobla: Podwójne zwycięstwo wywołuje dyskusję o dyscyplinach naukowych

Komitet Noblowski w dwóch tegorocznych nagrodach uznał transformacyjną moc sztucznej inteligencji (AI) – uhonorował Nagroda Pionierów Sieci Neuronowych w Fizyce i Twórca narzędzi obliczeniowych do badania i projektowania białek w nagrodę chemiczną. Ale nie wszyscy badacze są zadowoleni.

Zaledwie chwilę po ogłoszeniu przez Królewską Szwedzką Akademię Nauk zwycięzców tegorocznej Nagrody Nobla w dziedzinie fizyki, w świecie mediów społecznościowych wybuchła dyskusja. Kilku fizyków argumentowało, że nauka leżąca u podstaw badań nad uczeniem maszynowym, uhonorowana nagrodami dla Geoffreya Hintona i Johna Hopfielda, w rzeczywistości nie jest fizyką.

„Brakuje mi słów. Cenię uczenie maszynowe i sztuczne sieci neuronowe tak samo jak każdy, ale trudno dostrzec, że jest to odkrycie fizyki” – napisał Jonathan Pritchard, astrofizyk z Imperial College w Londynie, na X. „Myślę, że Nagroda Nobla została uderzona przez szum wokół sztucznej inteligencji”.

Badania Hintona na Uniwersytecie w Toronto w Kanadzie i Hopfielda na Uniwersytecie Princeton w New Jersey „należą do dziedziny informatyki” – mówi Sabine Hossenfelder, fizyk z monachijskiego Centrum Filozofii Matematycznej w Niemczech. „Coroczna Nagroda Nobla to rzadka okazja dla fizyki – i fizyków – aby znaleźć się w centrum uwagi. To dzień, w którym przyjaciele i rodzina przypominają sobie, że znają fizyka, i być może pytają, za co była ta ostatnia Nagroda Nobla. Ale nie w tym roku”.

Łączenie kilku perspektyw

Jednak nie wszyscy byli zaniepokojeni: wielu fizyków z radością przyjęło tę wiadomość. „Badania Hopfielda i Hintona miały charakter interdyscyplinarny i obejmowały fizykę, matematykę, informatykę i neuronaukę” – mówi Matt Strassler, fizyk teoretyczny na Uniwersytecie Harvarda w Cambridge w stanie Massachusetts. „W tym sensie należy do wszystkich tych dyscyplin”.

Anil Ananthaswamy, dziennikarz naukowy z Berkeley w Kalifornii i autor książki „Why Machines Learn”, zauważa, że ​​chociaż badania cytowane przez Komitet Noblowski nie dotyczą fizyki teoretycznej w najczystszym tego słowa znaczeniu, są one zakorzenione w technikach i koncepcjach fizyki, takich jak energia. „Sieci Boltzmanna” i sieci Hopfielda wymyślone przez Hintona „są modelami napędzanymi energią” – mówi.

Ananthaswamy dodaje, że związek z fizyką osłabł w późniejszym rozwoju uczenia maszynowego, szczególnie w przypadku technik „feedforward”, które ułatwiły uczenie sieci neuronowych. Mimo to pomysły fizyczne powracają i pomagają badaczom zrozumieć, dlaczego coraz bardziej złożone systemy głębokiego uczenia się robią to, co robią. „Potrzebujemy nastawienia fizyki, aby badać uczenie maszynowe” – mówi Lenka Zdeborová, która bada statystyczną fizykę obliczeń w Szwajcarskim Federalnym Instytucie Technologii w Lozannie (EPFL).

„Uważam, że Nagroda Nobla w dziedzinie fizyki powinna w dalszym ciągu penetrować coraz większe obszary wiedzy fizycznej” – mówi Giorgio Parisi, fizyk z Uniwersytetu La Sapienza w Rzymie podzielił się Nagrodą Nobla za rok 2021. „Fizyka staje się coraz szersza i obejmuje wiele dziedzin wiedzy, które w przeszłości nie istniały lub nie były częścią fizyki”.

Nie tylko sztuczna inteligencja

Wydawało się, że informatyka przejmie Nagrodę Nobla dzień po ogłoszeniu nagrody z fizyki, kiedy Demis Hassabis i John Jumper, współzałożyciele Narzędzia AI do przewidywania struktury białek AlphaFold w Google DeepMind w Londynie, zdobywca połowy Nagrody Nobla w dziedzinie chemii. (Druga połowa przypadła Davidowi Bakerowi z Uniwersytetu Waszyngtońskiego w Seattle za pracę nad projektowaniem białek bez wykorzystania uczenia maszynowego).

Nagrodą było uznanie dla destrukcyjnej siły sztucznej inteligencji, ale także stałego wzrostu wiedzy z zakresu biologii strukturalnej i obliczeniowej, mówi David Jones, bioinformatyk z University College London, który współpracował z DeepMind nad pierwszą wersją AlphaFold. „Nie sądzę, że AlphaFold reprezentuje radykalną zmianę w podstawach nauki, która jeszcze nie istniała” – mówi. „Chodzi o to, jak wszystko zostało połączone i zaprojektowane tak, aby umożliwić AlphaFold osiągnięcie takich wysokości”.

Kluczowym danymi wejściowymi wykorzystywanymi w programie AlphaFold są sekwencje powiązanych białek z różnych organizmów, które pozwalają zidentyfikować pary aminokwasów, które prawdopodobnie wyewoluowały wspólnie i dlatego mogą znajdować się w fizycznej bliskości w trójwymiarowej strukturze białka. Naukowcy wykorzystywali tę wiedzę do przewidywania struktur białek już w momencie opracowywania AlphaFold, a niektórzy zaczęli nawet wdrażać ten pomysł w sieciach głębokiego uczenia się.

„Nie chodziło tylko o to, że zabraliśmy się do pracy, nacisnęliśmy przycisk sztucznej inteligencji, a potem wszyscy szliśmy do domu” – powiedział Jumper na konferencji prasowej w DeepMind 9 października. „To był naprawdę iteracyjny proces, podczas którego opracowaliśmy, przeprowadziliśmy badania i próbowaliśmy znaleźć odpowiednie kombinacje między tym, co społeczność rozumie na temat białek, a tym, jak możemy włączyć te intuicje do naszej architektury”.

AlphaFold nie byłby również możliwy bez Protein Database – ogólnodostępnego repozytorium ponad 200 000 struktur białkowych – w tym niektórych, które przyczyniły się do poprzednich Nagród Nobla – określonych za pomocą krystalografii rentgenowskiej, mikroskopii krioelektronowej i innych metod eksperymentalnych. „Każdy punkt danych jest wynikiem czyichś lat wysiłków” – powiedział Jumper.

Od czasu ich powstania w 1901 r. Nagrody Nobla często odzwierciedlają wpływ badań na społeczeństwo i nagradzają praktyczne wynalazki, a nie tylko czystą naukę. Pod tym względem ceny w 2024 r. nie stanowią wartości odstającej, twierdzi Ananthaswamy. „Czasami nagradzani są za bardzo dobre projekty inżynieryjne. Należą do nich nagrody za Laser I PCR.”