AI med Nobelpriser: Dobbelt sejr udløste diskussion om videnskabelige discipliner

AI med Nobelpriser: Dobbelt sejr udløste diskussion om videnskabelige discipliner

Nobeludvalgene har anerkendt den transformative magt af kunstig intelligens (KI) i to af dette års priser-de hædret Pioneerers of the Neural Networks in Physics Price og Udvikler af beregningsværktøjer til undersøgelse og design af proteiner I den kemiske pris. Men ikke alle forskere er tilfredse.

Kun få øjeblikke efter meddelelsen om vinderne af dette års Nobelfysikpris af Royal Swedish Academy of Sciences oplevede den sociale medieverden en flash af diskussioner. Flere fysikere hævdede, at den videnskab, der ligger til grund for mekanisk læringsforskning, der blev fejret i priserne for Geoffrey Hinton og John Hopfield, faktisk ikke var fysik.

"Jeg er målløs. Jeg sætter pris på maskinlæring og kunstige neurale netværk såvel som enhver anden, men det er vanskeligt at se, at dette er en fysisk opdagelse," skrev Jonathan Pritchard, en astrofysiker på Imperial College London, på x ." Jeg gætter på, at Nobelprisen blev ramt af AI-hype. "

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

forener nogle perspektiver

Ikke alle var bekymrede: Mange fysikere hilste nyheden velkommen. "Forskningen af ​​Hopfield og Hinton var tværfaglig og bragte fysik, matematik, datalogi og neurovidenskaber sammen," siger Matt Strassler, en teoretisk fysiker ved Harvard University i Cambridge, Massachusetts. "I denne forstand hører det til alle disse specialområder."

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

Forbindelsen til fysik blev svagere i den senere udvikling inden for maskinlæring, tilføjer Ananthaswamy, især med de "fremadrettede" teknikker, der gjorde neurale netværk lettere at træne. Ikke desto mindre vender fysiske ideer tilbage og hjælper med at forstå forskere, hvorfor de stadig mere komplekse dybe læringssystemer gør, hvad de gør. "Vi har brug for vejen for at tænke på fysik til at studere maskinlæring," siger Lenka Zdeborová, der undersøger den statistiske fysik i beregningen af ​​det schweiziske Federal Institute for Technology i Lausanne (EPFL).

"Jeg synes, at Nobelprisen for fysik bør fortsat trænge ind i flere og flere områder med fysisk viden," siger Giorgio Parisi, en fysiker ved Sapienza University Rom, Delte Nobelprisen 2021 . "Fysik bliver stadig mere bredere og inkluderer mange videnområder, der ikke har eksisteret i fortiden eller ikke var en del af fysikken."

ikke kun ki

Computer Science så ud til at overtage Nobelprisen dagen efter, at Physics Award blev annonceret, da Demis Hassabis og John Jumper, medstifter af Ki-Tools for Protein Structure Prognose Alphafold på Google DeepMind i London, halvdelen af ​​den kemiske Nobelpris. (Den anden halvdel blev tildelt David Baker fra University of Washington i Seattle for værker om proteindesign, der ikke bruger maskinlæring).

Prisen var anerkendelse af AI's forstyrrende kraft, men også den konstante stigning i viden inden for strukturel og computerstaidet biologi, siger David Jones, en bioinformatiker ved University of College London, der arbejdede med Deepmind på den første version af Alphall. "Jeg tror ikke, Alphafold repræsenterer en radikal ændring i den underliggende videnskab, som ikke allerede var tilgængelig," siger han. "Det handler bare om, hvordan alt blev sammensat og designet, så Alphafold kunne nå disse højder."

En keyinput, som Alphafold bruger, er sekvenserne af relaterede proteiner fra forskellige organismer, der kan identificere aminosyrepar, der sandsynligvis er KO-evolution og derfor kan være tæt på 3D-strukturen af ​​et protein. Forskere har allerede brugt denne viden til at forudsige proteinstrukturer, når Alphafold blev udviklet, og nogle begyndte endda at implementere ideen i dyb læringsnetværk.

"Det var ikke let, at vi gik på arbejde, tryk på 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, undersøgte 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 ikke have været mulig, hvis proteindatabasen ikke havde eksisteret, et frit tilgængeligt depot på mere end 200.000 proteinstrukturer-inklusive nogle, der bidrog til tidligere Nobelpriser-som blev bestemt ved anvendelse af røntgenstråle-krystallografi, kryo-elektronmikroskopi og andre eksperimentelle metoder. "Hvert datapunkt er resultatet af mange års indsats fra nogen," sagde Jumper.

Siden grundlæggelsen i 1901 har Nobelpriserne ofte været en afspejling af indflydelsen fra forskning på samfundet og har belønnet praktiske opfindelser, ikke kun ren videnskab. I denne henseende er priserne i 2024 ikke outliers, siger Ananthaswamy. "Nogle gange tildeles de for meget gode ingeniørprojekter. Data-label =" https://www.nobelprize.org/physics/1964/summary/ "data-track-category =" body text link "> laser og PCR .