AI på Nobelpriserne: Dobbelt sejr Sparks -diskussion om videnskabelige discipliner

AI på Nobelpriserne: Dobbelt sejr Sparks -diskussion om videnskabelige discipliner

Nobeludvalget har anerkendt den transformative magt af kunstig intelligens (AI) i to af dette års præmier - de hædrede Pionerer af neurale netværk i fysikprisen og Udvikler af beregningsværktøjer til undersøgelse og design af proteiner i kemipris. Men ikke alle forskere er tilfredse.

Bare øjeblikke efter Royal Swedish Academy of Sciences annoncerede vinderne af dette års Nobelpris i fysik, oplevede den sociale medieverden en flash af diskussion. Flere fysikere hævdede, at den videnskabelige underliggende maskinlæringsforskning fejrede i priserne for Geoffrey Hinton og John Hopfield faktisk ikke var fysik.

"Jeg er målløs. Jeg værdsætter maskinlæring og kunstige neurale netværk lige så meget som nogen, men det er svært at se, at dette er en fysikopdagelse," skrev Jonathan Pritchard, en astrofysiker ved Imperial College London, på x. ”Jeg antager, at Nobelprisen blev ramt af AI -hype.”

Forskningen fra Hinton ved University of Toronto i Canada og Hopfield ved Princeton University i New Jersey "hører hjemme inden for datalogi," siger Sabine Hossenfelder, en fysiker ved München Center for Mathematical Philosophy i Tyskland. "Den årlige Nobelpris er en sjælden mulighed for fysik - og fysikere - til at træde ind i rampelyset. Det er den dag, hvor venner og familie husker, at de kender en fysiker og måske spørger, hvad den sidste Nobelpris handlede om. Men ikke i år."

Kombination af nogle perspektiver

Ikke alle var dog alarmerede: Mange fysikere hilste nyheden velkommen. ”Hopfield og Hintons forskning var tværfaglig og samlede fysik, matematik, datalogi og neurovidenskab,” siger Matt Strassler, en teoretisk fysiker ved Harvard University i Cambridge, Massachusetts. ”I den forstand hører det til alle disse discipliner.”

Anil Ananthaswamy, en videnskabsjournalist fra Berkeley, Californien, og forfatter af "Why Machines Learn," bemærker, at selv om den forskning, der er citeret af Nobeludvalget, ikke er teoretisk fysik i den reneste forstand, er det rodfæstet i teknikker og begreber fra fysik, såsom energi. "Boltzmann Networks" og Hopfield Networks opfundet af Hinton "er begge energidrevne modeller," siger han.

Forbindelsen til fysik blev svagere i den senere udvikling af maskinlæring, tilføjer Ananthaswamy, især i de "fremadrettede" teknikker, der gjorde neurale netværk lettere at træne. Stadig kommer fysiske ideer tilbage og hjælper forskere med at forstå, hvorfor stadig mere komplekse dybe læringssystemer gør, hvad de gør. ”Vi har brug for fysikens tankegang for at studere maskinlæring,” siger Lenka Zdeborová, der undersøger den statistiske fysik for beregning ved det schweiziske Federal Institute of Technology i Lausanne (EPFL).

”Jeg tror, ​​at Nobelprisen i fysik skal fortsætte med at trænge ind i flere og flere områder med fysisk viden,” siger Giorgio Parisi, en fysiker ved Sapienza University of Rom delte Nobelprisen 2021. ”Fysik bliver stadig mere bredere og inkluderer mange videnområder, der ikke eksisterede eller ikke var en del af fysikken i fortiden.”

Ikke kun AI

Computer Science så ud til at overtage Nobelprisen dagen efter, at fysikprisen blev annonceret, da Demis Hassabis og John Jumper, medstiftere af AI -værktøjer til proteinstruktur Forudsigelse Alphafold hos Google Deepmind i London, der vandt halvdelen af ​​Nobelprisen i kemi. (Den anden halvdel blev tildelt David Baker fra University of Washington i Seattle for arbejde med proteindesign, der ikke brugte maskinlæring).

Prisen var en anerkendelse af AI's forstyrrende magt, men også af den stadige stigning i viden inden for strukturel og beregningsbiologi, siger David Jones, en bioinformatiker ved University College London, der arbejdede med Deepmind på den første version af Alphafold. ”Jeg tror ikke, Alphafold repræsenterer et radikalt skift i den underliggende videnskab, der ikke allerede var der,” siger han. ”Det handler om, hvordan alt blev sammensat og designet til at give Alphafold mulighed for at nå disse højder.”

Et centralt input, som Alphafold bruger, er sekvenserne af beslægtede proteiner fra forskellige organismer, som kan identificere par aminosyrer, der sandsynligvis vil have sam udviklet sig og derfor kan være i fysisk nærhed i en proteins 3D-struktur. Forskere brugte allerede denne indsigt til at forudsige proteinstrukturer, da Alphafold blev udviklet, og nogle begyndte endda at implementere ideen i dyb læringsnetværk.

”Det var ikke kun et tilfælde af, at vi skulle arbejde, ramme AI -knappen, og så gik alle hjem,” sagde Jumper på en pressekonference på Deepmind den 9. oktober. ”Det var virkelig en iterativ proces, hvor vi udviklede, forskede og forsøgte at finde de rigtige kombinationer mellem hvad samfundet forstod om proteiner, og hvordan vi kunne inkorporere disse intuitioner i vores arkitektur.”

Alphafold ville heller ikke have været mulig uden proteindatabasen, et frit tilgængeligt depot på mere end 200.000 proteinstrukturer - inklusive nogle, der har bidraget til tidligere Nobelpræmier - bestemt ved anvendelse af røntgenkrystallografi, kryo -elektronmikroskopi og andre eksperimentelle metoder. ”Hvert datapunkt er resultatet af andres år med indsats,” sagde Jumper.

Siden deres grundlæggelse i 1901 har Nobelpræmierne ofte været en afspejling af virkningen af ​​forskning på samfundet og har belønnet praktiske opfindelser, ikke kun ren videnskab. I denne henseende er priserne på 2024 ikke outliers, siger Ananthaswamy. "Nogle gange tildeles de for meget gode ingeniørprojekter. Disse inkluderer præmierne for Laser og PCR. "