AI на Нобеловите награди: Двойна победа искри дискусия за научните дисциплини

AI на Нобеловите награди: Двойна победа искри дискусия за научните дисциплини

Нобеловият комитет призна трансформативната сила на изкуствения интелект (AI) в две от тазгодишните награди - те почитаха Пионери на невронни мрежи по награда за физика и Разработчик на изчислителни инструменти за изучаване и проектиране на протеини в награда за химия. Но не всички изследователи са доволни.

Само моменти след като Кралската шведска академия на науките обяви победителите в тазгодишната Нобелова награда по физика, светът на социалните медии преживя дискусия. Няколко физици твърдят, че науката, която е в основата на изследванията за машинно обучение, празнуваха в наградите за Джефри Хинтън и Джон Хопфийлд, всъщност не са физика.

"Аз съм безмълвен. Ценя машинното обучение и изкуствените невронни мрежи толкова, колкото всеки, но е трудно да се види, че това е откритие на физиката", пише Джонатан Притчард, астрофизик от Imperial College London, на x. "Предполагам, че Нобеловата награда е била ударена от AI Hype."

Изследването на Хинтън от Университета в Торонто в Канада и Хопфийлд в Принстънския университет в Ню Джърси „принадлежи в областта на компютърните науки“, казва Сабин Хосенфелдър, физик в Мюнхенския център за математическа философия в Германия. "Годишната Нобелова награда е рядка възможност за физиката - и физиците - да стъпят в светлината на прожекторите. Това е денят, в който приятелите и семейството си спомнят, че познават физик и може би питат за какво е тази последна Нобелова награда. Но не и тази година."

Комбиниране на някои перспективи

Не всички обаче бяха разтревожени: много физици посрещнаха новината. „Изследванията на Хопфийлд и Хинтън бяха интердисциплинарни, обединявайки физика, математика, компютърни науки и невронаука“, казва Мат Страслер, теоретичен физик в Харвардския университет в Кеймбридж, Масачузетс. „В този смисъл тя принадлежи на всички тези дисциплини.“

Анил Анантасвами, научен журналист от Беркли, Калифорния, и автор на „Защо машините учат“, отбелязва, че докато изследването, цитирано от Нобеловия комитет, не е теоретична физика в най -чистия смисъл, то се корени в техники и концепции от физиката, като енергия. „Boltzmann Networks“ и Hopfield Networks, измислени от Hinton „са и двете модели, управлявани от енергия“, казва той.

Връзката с физиката стана по -слаба при по -късните разработки на машинното обучение, добавя Ananthaswamy, особено в „захранващите“ техники, които улесняват тренирането на невронните мрежи. Все пак физическите идеи се връщат и помагат на изследователите да разберат защо все по -сложните системи за дълбоко обучение правят това, което правят. „Нуждаем се от мисленето на физиката, за да изучаваме машинното обучение“, казва Ленка Zdeborová, която изследва статистическата физика на изчисленията в Швейцарския Федерален технологичен институт в Лозана (EPFL).

„Мисля, че Нобеловата награда по физика трябва да продължи да прониква във все повече области с физически познания“, казва Джорджо Париси, физик от Римския университет Сапиенца сподели Нобеловата награда за 2021 г.. „Физиката става все по -широка и включва много области на знания, които не са съществували или не са били част от физиката в миналото.“

Не само AI

Компютърните науки изглеждаха да превземат Нобеловата награда в деня след обявяването на наградата по физика, когато Демис Хасабис и Джон Джумпер, съоснователи на AI инструменти за прогнозиране на протеиновата структура Alphafold в Google DeepMind в Лондон, който спечели половината от Нобеловата награда за химия. (Другата половина беше присъдена на Дейвид Бейкър от Университета във Вашингтон в Сиатъл за работа по протеиновия дизайн, който не използва машинно обучение).

Наградата беше признание за разрушителната сила на ИИ, но и за постоянното увеличаване на знанията в структурната и изчислителна биология, казва Дейвид Джоунс, биоинформатик от Университетския колеж Лондон, който е работил с DeepMind на първата версия на Alphafold. „Не мисля, че Alphafold представлява радикална промяна в основната наука, която вече не е била там“, казва той. „Всичко е за това как всичко е събрано и проектирано, за да позволи на Alphafold да достигне до тези височини.“

Ключов вход, който Alphafold използва, са последователностите на свързани протеини от различни организми, които могат да идентифицират двойки аминокиселини, които вероятно имат съвместно развитие и следователно могат да бъдат във физическа близост в 3D структура на протеин. Изследователите вече използваха това прозрение за прогнозиране на протеинови структури, когато е разработен Alphafold, а някои дори започнаха да прилагат идеята в мрежите за дълбоко обучение.

„Това не беше просто случай на работа, удряйки бутона AI и след това всички се прибират вкъщи“, каза Джъмпер на пресконференция в DeepMind на 9 октомври. „Това беше наистина итеративен процес, в който се развихме, направихме проучвания и се опитахме да намерим правилните комбинации между това, което общността разбира за протеините и как можем да включим тези интуиции в нашата архитектура.“

Alphafold също не би бил възможен без протеиновата база данни, свободно достъпно хранилище от повече от 200 000 протеинови структури - включително някои, които са допринесли за предишни Нобелови награди - определени с помощта на рентгенова кристалография, крио -електронна микроскопия и други експериментални методи. „Всяка точка от данни е резултат от усилията на нечии години“, каза Джъмпер.

От основаването си през 1901 г. Нобеловите награди често са отражение на въздействието на изследванията върху обществото и възнаграждават практически изобретения, а не само чиста наука. В тази връзка цените от 2024 г. не са остатъци, казва Анантасвами. "Понякога те се присъждат за много добри инженерни проекти. Те включват наградите за Лазер и PCR. “