AI с Нобелови цени: Двойната победа предизвика дискусия за научните дисциплини

AI с Нобелови цени: Двойната победа предизвика дискусия за научните дисциплини

Нобеловите комитети признаха трансформативната сила на изкуствения интелект (KI) на две от тазгодишните цени-те са почитани Pioneers of the neural networks in the physics price and the Разработчик на инструменти за изчисление за изследване и проектиране на протеини В химическата награда. Но не всички изследователи са задоволени.

Само няколко мига след обявяването на победителите в тазгодишната награда за Нобелова физика от Кралската шведска академия на науките, светът на социалните медии преживя дискусии. Няколко физици твърдят, че науката, която е в основата на механичните изследвания на обучението, които са отбелязани в наградите за Джефри Хинтън и Джон Хопфийлд, всъщност не са физика.

"I am speechless. I appreciate machine learning and artificial neural networks as well as any other, but it is difficult to see that this is a physical discovery," wrote Jonathan Pritchard, an astrophysicist at Imperial College London, на x ." Предполагам, че Нобеловата награда беше ударена от AI Hype. "

Изследването на Хинтън в Университета в Торонто в Канада и Хопфийлд в Принстънския университет в Ню Джърси „принадлежи към района 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 влязат 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."

Съединете някои перспективи

Не всички се притесниха: много физици посрещнаха новината. „Изследването на Хопфийлд и Хинтън беше интердисциплинарно и събра заедно физика, математика, компютърни науки и невронауки“, казва Мат Страслер, теоретичен физик в Харвардския университет в Кеймбридж, Масачузетс. "В този смисъл той принадлежи на всички тези специализирани области."

Анил Анантасвами, научен журналист от Беркли, Калифорния и автор на книгата „Защо машината да се научи“, отбелязва, че изследването, цитирано от Нобеловия комитет, не е теоретична физика в най -чистия смисъл, а се вкоренява в техники и концепции от физиката, като например енергия. "Boltzmann Networks", измислени от Hinton и The Hopfield Networks ", са едновременно енергийно модели", казва той.

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

"Мисля, че Нобеловата награда за физика трябва да продължи да прониква в все повече и повече области с физически познания", казва Джорджо Париси, физик в университета в Сапиенца Рим, Споделена наградата на Нобеловата награда 2021 . "Физиката става все по -широка и включва много области на знания, които не са съществували в миналото или не са били част от физиката."

не само ki

Компютърните науки сякаш поемат Нобеловата награда в деня след обявяването на наградата по физика, тъй като Демис Хасабис и Джон Джъмпер, съосновател на Ki-tools за прогноза на протеиновата структура Alphafold В Google DeepMind в Лондон, половината от Нобеловата награда за химия. (Другата половина беше присъдена на Дейвид Бейкър от Университета на Вашингтон в Сиатъл за произведения на протеинови дизайн, които не използват машинно обучение).

Наградата беше признание за разрушителната сила на ИИ, но също така и постоянното увеличаване на знанията в структурната и компютърна биология, казва Дейвид Джоунс, биоинформатист в Университета в колежа Лондон, който е работил с DeepMind на първата версия на Alphall. „Не мисля, че Alphafold представлява радикална промяна в основната наука, която вече не е била налична“, казва той. "Става въпрос само за това как всичко е събрано и проектирано, за да може Alphafold да достигне тези височини."

Keyinput, който Alphafold използва, са последователностите на свързани протеини от различни организми, които могат да идентифицират аминокиселинни двойки, които вероятно са KO-еволюция и следователно може да е близо до 3D структурата на протеин. Изследователите вече са използвали тези знания, за да прогнозират протеинови структури, когато е разработен Alphafold, а някои дори започнаха да прилагат идеята в мрежите за дълбоко обучение.

"Не беше лесно, че отидохме на работа, натиснахме бутона AI и тогава всички се прибраха", каза Jumper на пресконференция в DeepMind на 9 октомври. „Това беше наистина итеративен процес, в който разработихме, проучихме 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 не би бил възможен, ако протеиновата база данни не е съществувала, свободно достъпно хранилище от повече от 200 000 протеинови структури, включително някои, които допринасят за предишни нобелови цени, които са били определени с помощта на рентгенова кристалография, крио-електронна микроскопия и други експериментални методи. "Всяка точка от данни е резултат от години на усилие от някого", каза Джумпер.

От основата си през 1901 г. Нобеловите цени често са отражение на влиянието на изследванията върху обществото и възнаграждават практически изобретения, а не само чиста наука. В тази връзка цените през 2024 г. не са остатъци, казва Анантасвами. "Понякога те се присъждат за проекти за инженерни инженерни проекти. Data-label =" https://www.nobelprize.org/physics/1964/summary/ "data-tracks-category =" Text Text Link "> лазер и PCR .