AI vid Nobelpriset: Dubbel seger väcker diskussion om vetenskapliga discipliner

AI vid Nobelpriset: Dubbel seger väcker diskussion om vetenskapliga discipliner

Nobelkommittén har erkänt den transformerande kraften hos artificiell intelligens (AI) i två av årets priser - de hedrade Pioneers of Neural Networks in Physics Prize och den Utvecklare av beräkningsverktyg för att studera och designa proteiner i kemipris. Men alla forskare är inte nöjda.

Bara några ögonblick efter att Kungliga Vetenskapsakademien tillkännagav vinnarna av årets Nobelpris i fysik, upplevde den sociala medievärlden en blixt av diskussion. Flera fysiker hävdade att den vetenskap som ligger till grund för forskning om maskininlärning som hyllades i utmärkelserna för Geoffrey Hinton och John Hopfield egentligen inte var fysik.

"Jag är mållös. Jag värderar maskininlärning och artificiella neurala nätverk lika mycket som alla andra, men det är svårt att se att detta är en fysikupptäckt", skrev Jonathan Pritchard, en astrofysiker vid Imperial College London, på X. "Jag antar att Nobelpriset drabbades av AI-hypen."

Forskningen av Hinton vid University of Toronto i Kanada och Hopfield vid Princeton University i New Jersey "hör till området datavetenskap", säger Sabine Hossenfelder, fysiker vid Munich Center for Mathematical Philosophy i Tyskland. "Det årliga Nobelpriset är ett sällsynt tillfälle för fysiker - och fysiker - att kliva in i rampljuset. Det är dagen då vänner och familj kommer ihåg att de känner en fysiker och kanske frågar vad det senaste Nobelpriset handlade om. Men inte i år."

Att kombinera några perspektiv

Alla var dock inte oroliga: många fysiker välkomnade nyheten. "Hopfield och Hintons forskning var tvärvetenskaplig och sammanförde fysik, matematik, datavetenskap och neurovetenskap", säger Matt Strassler, en teoretisk fysiker vid Harvard University i Cambridge, Massachusetts. "I den meningen tillhör det alla dessa discipliner."

Anil Ananthaswamy, en vetenskapsjournalist från Berkeley, Kalifornien, och författare till "Why Machines Learn", konstaterar att även om forskningen som citeras av Nobelkommittén inte är teoretisk fysik i renaste bemärkelse, är den rotad i tekniker och begrepp från fysiken, såsom energi. "Boltzmann-nätverken" och Hopfield-nätverken som uppfanns av Hinton "är båda energidrivna modeller", säger han.

Anslutningen till fysiken blev svagare i den senare utvecklingen av maskininlärning, tillägger Ananthaswamy, särskilt i "feedforward"-tekniker som gjorde neurala nätverk lättare att träna. Ändå kommer fysiska idéer tillbaka och hjälper forskare att förstå varför allt mer komplexa system för djupinlärning gör som de gör. "Vi behöver fysikens tankesätt för att studera maskininlärning", säger Lenka Zdeborová, som forskar om beräkningens statistiska fysik vid Swiss Federal Institute of Technology i Lausanne (EPFL).

"Jag tycker att Nobelpriset i fysik borde fortsätta att penetrera fler och fler områden av fysisk kunskap", säger Giorgio Parisi, fysiker vid Sapienza University of Rome delade Nobelpriset 2021. "Fysiken blir allt bredare och inkluderar många kunskapsområden som inte fanns eller inte var en del av fysiken tidigare."

Inte bara AI

Datavetenskap verkade ta över Nobelpriset dagen efter att fysikpriset tillkännagavs, när Demis Hassabis och John Jumper, medgrundare av AI-verktyg för förutsägelse av proteinstruktur AlphaFold på Google DeepMind i London, som vann hälften av Nobelpriset i kemi. (Den andra hälften tilldelades David Baker från University of Washington i Seattle för arbete med proteindesign som inte använde maskininlärning).

Priset var ett erkännande av den störande kraften hos AI, men också för den stadiga ökningen av kunskap inom strukturell och beräkningsbiologi, säger David Jones, en bioinformatiker vid University College London som arbetade med DeepMind på den första versionen av AlphaFold. "Jag tror inte att AlphaFold representerar en radikal förändring i den underliggande vetenskapen som inte redan fanns där," säger han. "Allt handlar om hur allt sattes ihop och designades för att tillåta AlphaFold att nå dessa höjder."

En viktig input som AlphaFold använder är sekvenserna av relaterade proteiner från olika organismer, som kan identifiera par av aminosyror som sannolikt har utvecklats samtidigt och därför kan vara i fysisk närhet i ett proteins 3D-struktur. Forskare använde redan denna insikt för att förutsäga proteinstrukturer när AlphaFold utvecklades, och vissa började till och med implementera idén i nätverk för djupinlärning.

"Det var inte bara ett fall av att vi gick till jobbet, tryckte på AI-knappen och sedan gick alla hem," sa Jumper vid en presskonferens på DeepMind den 9 oktober. "Det var verkligen en iterativ process där vi utvecklade, gjorde forskning och försökte hitta de rätta kombinationerna mellan vad samhället förstod om proteiner och hur vi kunde införliva dessa intuitioner i vår arkitektur."

AlphaFold hade inte heller varit möjligt utan Proteindatabasen, ett fritt tillgängligt förråd med mer än 200 000 proteinstrukturer – inklusive några som har bidragit till tidigare Nobelpriser – fastställda med hjälp av röntgenkristallografi, kryo-elektronmikroskopi och andra experimentella metoder. "Varje datapunkt är resultatet av någons år av ansträngning," sa Jumper.

Sedan de grundades 1901 har Nobelpriserna ofta varit en återspegling av forskningens inverkan på samhället och har belönat praktiska uppfinningar, inte bara ren vetenskap. I detta avseende är 2024 års priser inte extremvärden, säger Ananthaswamy. "Ibland delas de ut för mycket bra ingenjörsprojekt. Dessa inkluderar priserna för Laser och PCR.”