AI na Nobelovih nagradah: Dvojna zmaga sproži razpravo o znanstvenih disciplinah

AI na Nobelovih nagradah: Dvojna zmaga sproži razpravo o znanstvenih disciplinah

Nobelov odbor je v dveh letošnjih nagradah prepoznal transformativno moč umetne inteligence (AI) – odlikoval je Nagrada za pionirje nevronskih mrež v fiziki in Razvijalec računalniških orodij za preučevanje in načrtovanje proteinov v nagradi za kemijo. Vendar niso vsi raziskovalci zadovoljni.

Le nekaj trenutkov po tem, ko je Kraljeva švedska akademija znanosti razglasila dobitnike letošnje Nobelove nagrade za fiziko, je svet družbenih medijev doživel bliskovito razpravo. Več fizikov je trdilo, da znanost, na kateri temeljijo raziskave strojnega učenja, ki so bili nagrajeni v nagradah za Geoffreya Hintona in Johna Hopfielda, dejansko ni fizika.

"Ostal sem brez besed. Cenim strojno učenje in umetne nevronske mreže tako kot kdorkoli drug, vendar je težko razumeti, da je to odkritje fizike," je zapisal Jonathan Pritchard, astrofizik na Imperial College London, na X. "Predvidevam, da je Nobelovo nagrado prizadel hype AI."

Raziskave Hintona na Univerzi v Torontu v Kanadi in Hopfielda na Univerzi Princeton v New Jerseyju "sodijo na področje računalništva," pravi Sabine Hossenfelder, fizičarka v Münchenskem centru za matematično filozofijo v Nemčiji. "Letna Nobelova nagrada je redka priložnost za fiziko - in fizike -, da stopijo v središče pozornosti. To je dan, ko se prijatelji in družina spomnijo, da poznajo fizika, in morda vprašajo, za kaj je bila ta zadnja Nobelova nagrada. Ampak ne letos."

Združevanje nekaterih perspektiv

Vendar vsi niso bili vznemirjeni: številni fiziki so novico pozdravili. "Hopfieldova in Hintonova raziskava je bila interdisciplinarna in je združevala fiziko, matematiko, računalništvo in nevroznanost," pravi Matt Strassler, teoretični fizik na univerzi Harvard v Cambridgeu v Massachusettsu. "V tem smislu sodi v vse te discipline."

Anil Ananthaswamy, znanstveni novinar iz Berkeleyja v Kaliforniji in avtor knjige "Zakaj se stroji učijo", ugotavlja, da čeprav raziskava, ki jo navaja Nobelov odbor, ni teoretična fizika v najčistejšem pomenu besede, je zakoreninjena v tehnikah in konceptih iz fizike, kot je energija. "Boltzmannova omrežja" in Hopfieldova omrežja, ki jih je izumil Hinton, "sta oba modela, ki jih poganja energija," pravi.

Povezava s fiziko je v poznejšem razvoju strojnega učenja postala šibkejša, dodaja Ananthaswamy, zlasti v tehnikah »naprej«, ki so olajšale treniranje nevronskih mrež. Kljub temu se fizične ideje vračajo in raziskovalcem pomagajo razumeti, zakaj vedno bolj zapleteni sistemi globokega učenja počnejo, kar počnejo. »Za preučevanje strojnega učenja potrebujemo miselnost fizike,« pravi Lenka Zdeborová, ki raziskuje statistično fiziko računalništva na švicarskem zveznem inštitutu za tehnologijo v Lozani (EPFL).

"Mislim, da bi morala Nobelova nagrada za fiziko še naprej prodirati na vse več področij fizikalnega znanja," pravi Giorgio Parisi, fizik na univerzi Sapienza v Rimu. delila Nobelovo nagrado 2021. "Fizika postaja vse širša in vključuje številna področja znanja, ki v preteklosti niso obstajala ali niso bila del fizike."

Ne samo AI

Zdi se, da je računalništvo prevzelo Nobelovo nagrado dan po objavi nagrade za fiziko, ko sta Demis Hassabis in John Jumper, soustanovitelja Orodja AI za napoved strukture beljakovin AlphaFold na Google DeepMind v Londonu, ki je prejel polovico Nobelove nagrade za kemijo. (Druga polovica je bila podeljena Davidu Bakerju z Univerze Washington v Seattlu za delo pri načrtovanju beljakovin, ki ni uporabljalo strojnega učenja).

Nagrada je bila priznanje razdiralne moči umetne inteligence, pa tudi stalnega povečevanja znanja o strukturni in računalniški biologiji, pravi David Jones, bioinformatik na University College London, ki je sodeloval z DeepMind pri prvi različici AlphaFold. "Mislim, da AlphaFold ne predstavlja radikalnega premika v osnovni znanosti, ki ga še ni bilo," pravi. "Gre za to, kako je bilo vse sestavljeno in zasnovano tako, da AlphaFoldu omogoča doseganje teh višin."

Ključni vnos, ki ga uporablja AlphaFold, so zaporedja sorodnih proteinov iz različnih organizmov, ki lahko identificirajo pare aminokislin, za katere je verjetno, da so se razvile sočasno in so zato lahko v fizični bližini v 3D strukturi proteina. Raziskovalci so že uporabljali ta vpogled za napovedovanje beljakovinskih struktur, ko je bil razvit AlphaFold, nekateri pa so to idejo celo začeli izvajati v omrežjih za globoko učenje.

"Ni šlo le za to, da smo šli v službo, pritisnili gumb AI in potem vsi odšli domov," je dejal Jumper na tiskovni konferenci v DeepMind 9. oktobra. "To je bil res ponavljajoč se proces, v katerem smo razvijali, raziskovali in poskušali najti prave kombinacije med tem, kar je skupnost razumela o beljakovinah, in kako lahko te intuicije vključimo v našo arhitekturo."

AlphaFold prav tako ne bi bil mogoč brez Protein Database, prosto dostopnega skladišča več kot 200.000 beljakovinskih struktur – vključno z nekaterimi, ki so prispevale k prejšnjim Nobelovim nagradam – določenih z rentgensko kristalografijo, krioelektronsko mikroskopijo in drugimi eksperimentalnimi metodami. "Vsaka podatkovna točka je rezultat dolgoletnega truda nekoga," je dejal Jumper.

Od ustanovitve leta 1901 so bile Nobelove nagrade pogosto odraz vpliva raziskav na družbo in so nagrajevale praktične izume, ne le čiste znanosti. V zvezi s tem cene za leto 2024 niso odstopanja, pravi Ananthaswamy. »Včasih jih podeljujejo za zelo dobre inženirske projekte. Sem spadajo nagrade za Laser in PCR.”