AI na Nobelových cenách: Dvojité víťazstvo rozprúdi diskusiu o vedeckých disciplínach

AI na Nobelových cenách: Dvojité víťazstvo rozprúdi diskusiu o vedeckých disciplínach

Nobelov výbor uznal transformačnú silu umelej inteligencie (AI) v dvoch tohtoročných cenách - ocenil Cena priekopníkov neurónových sietí vo fyzike a Vývojár výpočtových nástrojov na štúdium a navrhovanie proteínov cena za chémiu. Nie všetci výskumníci sú však spokojní.

Len chvíľu po tom, čo Kráľovská švédska akadémia vied oznámila laureátov tohtoročnej Nobelovej ceny za fyziku, zažil svet sociálnych médií záblesk diskusie. Viacerí fyzici tvrdili, že veda, ktorá je základom výskumu strojového učenia oslavovaného pri udeľovaní cien pre Geoffreyho Hintona a Johna Hopfielda, v skutočnosti nebola fyzika.

"Nemám slov. Oceňujem strojové učenie a umelé neurónové siete rovnako ako ktokoľvek iný, ale je ťažké pochopiť, že ide o fyzikálny objav," napísal Jonathan Pritchard, astrofyzik z Imperial College London. na X. "Myslím, že Nobelovu cenu zasiahol humbuk AI."

Výskum Hintona z University of Toronto v Kanade a Hopfielda z Princetonskej univerzity v New Jersey „patri do oblasti počítačových vied,“ hovorí Sabine Hossenfelder, fyzička z Mníchovského centra pre matematickú filozofiu v Nemecku. "Výročná Nobelova cena je vzácnou príležitosťou pre fyziku - a fyzikov - dostať sa do centra pozornosti. Je to deň, keď si priatelia a rodina spomenú, že poznajú fyzika a možno sa spýtajú, o čom bola tá posledná Nobelova cena. Ale nie tento rok."

Kombinácia niektorých pohľadov

Nie všetci však boli znepokojení: mnohí fyzici túto správu privítali. „Výskum Hopfielda a Hintona bol interdisciplinárny a spájal fyziku, matematiku, informatiku a neurovedu,“ hovorí Matt Strassler, teoretický fyzik z Harvardskej univerzity v Cambridge v štáte Massachusetts. "V tomto zmysle patrí do všetkých týchto disciplín."

Anil Ananthaswamy, vedecký novinár z Berkeley v Kalifornii a autor knihy „Prečo sa stroje učia“, poznamenáva, že hoci výskum citovaný Nobelovou komisiou nie je teoretickou fyzikou v najčistejšom zmysle, má korene v technikách a konceptoch z fyziky, ako je energia. „Boltzmannove siete“ a Hopfieldove siete vynájdené Hintonom „sú oba modely poháňané energiou,“ hovorí.

Spojenie s fyzikou sa v neskoršom vývoji strojového učenia oslabilo, dodáva Ananthaswamy, najmä v „dopredných“ technikách, ktoré uľahčili trénovanie neurónových sietí. Fyzické nápady sa však vracajú a pomáhajú výskumníkom pochopiť, prečo stále zložitejšie systémy hlbokého učenia robia to, čo robia. „Na štúdium strojového učenia potrebujeme fyzikálne myslenie,“ hovorí Lenka Zdeborová, ktorá sa zaoberá výskumom štatistickej fyziky výpočtov na Švajčiarskom federálnom technologickom inštitúte v Lausanne (EPFL).

„Myslím si, že Nobelova cena za fyziku by mala pokračovať v prenikaní do čoraz viac oblastí fyzikálnych vedomostí,“ hovorí Giorgio Parisi, fyzik z univerzity Sapienza v Ríme. zdieľal Nobelovu cenu za rok 2021. "Fyzika je čoraz širšia a zahŕňa mnoho oblastí vedomostí, ktoré v minulosti neexistovali alebo neboli súčasťou fyziky."

Nielen AI

Zdá sa, že počítačová veda prevzala Nobelovu cenu deň po vyhlásení ceny za fyziku, keď Demis Hassabis a John Jumper, spoluzakladatelia Nástroje AI na predpovedanie štruktúry proteínov AlphaFold na Google DeepMind v Londýne, ktorý získal polovicu Nobelovej ceny za chémiu. (Druhá polovica bola ocenená Davidom Bakerom z Washingtonskej univerzity v Seattli za prácu na proteínovom dizajne, ktorý nevyužíval strojové učenie).

Cena bola uznaním rušivej sily AI, ale aj neustáleho nárastu vedomostí v štrukturálnej a výpočtovej biológii, hovorí David Jones, bioinformatik z University College London, ktorý spolupracoval s DeepMind na prvej verzii AlphaFold. „Nemyslím si, že AlphaFold predstavuje radikálny posun v základnej vede, ktorý tam ešte nebol,“ hovorí. "Je to všetko o tom, ako bolo všetko zostavené a navrhnuté tak, aby umožnilo AlphaFold dosiahnuť tieto výšky."

Kľúčovým vstupom, ktorý AlphaFold používa, sú sekvencie príbuzných proteínov z rôznych organizmov, ktoré dokážu identifikovať páry aminokyselín, ktoré sa pravdepodobne spoločne vyvinuli, a preto môžu byť vo fyzickej blízkosti v 3D štruktúre proteínu. Výskumníci už tento pohľad používali na predpovedanie proteínových štruktúr, keď bol vyvinutý AlphaFold, a niektorí dokonca začali implementovať túto myšlienku v sieťach hlbokého učenia.

„Nebol to len prípad, keď sme išli do práce, stlačili sme tlačidlo AI a potom sa všetci vrátili domov,“ povedal Jumper na tlačovej konferencii v DeepMind 9. októbra. „Bol to skutočne iteratívny proces, v ktorom sme vyvíjali, robili výskum a snažili sa nájsť správne kombinácie medzi tým, čo komunita pochopila o proteínoch, a tým, ako by sme mohli tieto intuície začleniť do našej architektúry.“

AlphaFold by tiež nebol možný bez Proteínovej databázy, voľne dostupného úložiska viac ako 200 000 proteínových štruktúr - vrátane niektorých, ktoré prispeli k predchádzajúcim Nobelovým cenám - určených pomocou röntgenovej kryštalografie, kryoelektrónovej mikroskopie a iných experimentálnych metód. „Každý dátový bod je výsledkom niečieho dlhoročného úsilia,“ povedal Jumper.

Od svojho založenia v roku 1901 boli Nobelove ceny často odrazom vplyvu výskumu na spoločnosť a odmeňovali praktické vynálezy, nielen čistú vedu. V tomto ohľade ceny roku 2024 nie sú odľahlé, hovorí Ananthaswamy. „Niekedy sa udeľujú za veľmi dobré inžinierske projekty, medzi ktoré patria aj ceny za Laser a PCR.“