AI Nobelin hinnat: kaksinkertainen voitto herätti keskustelun tieteellisistä tieteenaloista

AI Nobelin hinnat: kaksinkertainen voitto herätti keskustelun tieteellisistä tieteenaloista

Nobel-komiteat ovat tunnustaneet keinotekoisen älykkyyden (KI) muuntavan voiman tämän vuoden hinnasta-he kunnioittivat Fysiikan hinnan hermostoverkkojen pioneerit ja Laskentatyökalujen kehittäjä proteiinien tutkimiseksi ja suunnittelulle Kemiallisessa palkinnossa. Mutta kaikki tutkijat eivät ole tyytyväisiä.

Vain muutama hetki sen jälkeen, kun Royal Ruotsin kuninkaallisen tiedeakatemian Nobel -fysiikan palkinnon voittajat ilmoittivat, sosiaalisen median maailma kokenut keskusteluja. Useat fyysikot väittivät, että Geoffrey Hintonin ja John Hopfieldin palkinnoissa juhlittava mekaanisen oppimisen tutkimuksen taustalla oleva tiede ei oikeastaan ​​ollut fysiikka.

"Olen sanaton. Arvostan koneoppimista ja keinotekoisia hermoverkkoja sekä mitä tahansa muuta, mutta on vaikea nähdä, että tämä on fyysinen löytö", kirjoitti Jonathan Pritchard, astrophysicist Imperial College London, x ." Luulen, että AI HYPE osui Nobel-palkinnon. "

Hintonin tutkimus Kanadan Toronton yliopistossa ja Hopfieldissä Princetonin yliopistossa New Jerseyssä "kuuluu tietotekniikan alueelle", sanoo Sabine Hossenfelder, Saksan Münchenin matemaattisen filosofian keskuksen fyysikko. "Vuotuinen Nobel -palkinto on harvinainen tilaisuus fysiikkaan - ja fyysikoille - astua valokeilaan. Se on päivä, jolloin ystävät ja perhe muistavat tuntevansa fyysikon ja ehkä kysyä, mistä tämä viimeinen Nobel -palkinto oli kyse. Mutta ei tänä vuonna."

yhdistä joitain näkökulmia

Kaikki eivät olleet huolissaan: monet fyysikot suhtautuivat tervetulleeksi uutisia. "Hopfieldin ja Hintonin tutkimus oli monitieteinen ja toi yhdessä fysiikan, matematiikan, tietotekniikan ja neurotieteen", sanoo Massachusettsin Cambridgen Harvardin yliopiston teoreettinen fyysikko Matt Strassler. "Tässä mielessä se kuuluu kaikille näille asiantuntija -alueille."

Anil Ananthaswamy, Berkeleyn tiedetoimittaja, Kalifornia ja kirjan "Why Machine Learn" -kirjan kirjoittaja, toteaa, että Nobelin komitean mainitsema tutkimus ei ole teoreettinen fysiikka puhtaimmassa merkityksessä, vaan se juurtuu fysiikan, kuten energian tekniikoihin ja käsitteisiin. Hintonin ja Hopfield Networksin keksimät "Boltzmann Networks" ovat molemmat energiavetoisia malleja ", hän sanoo.

Yhteys fysiikkaan heikentyi koneoppimisen myöhemmissä kehityksissä, lisää Ananthaswamy, etenkin "FeedForward" -tekniikoilla, jotka helpottivat hermoverkkojen kouluttamista. Siitä huolimatta fyysiset ideat palaavat ja auttavat ymmärtämään tutkijoita, miksi yhä monimutkaisemmat syvän oppimisen järjestelmät tekevät mitä tekevät. "Tarvitsemme fysiikan ajattelutavan koneoppimisen tutkimiseksi", sanoo Lenka Zdeborová, joka tutkii Sveitsin liittovaltion teknologiainstituutin (EPFL) Sveitsin liittovaltion teknologiainstituutin laskelmaa.

"Mielestäni fysiikan Nobel-palkinnon tulisi jatkaa tunkeutumista yhä enemmän fyysisen tiedon alueita", sanoo Sapienzan yliopiston Roman fyysikko Giorgio Parisi, jakoi Nobel-palkinnon 2021 . "Fysiikka on tulossa yhä laajemmaksi ja sisältää monia tietoalueita, joita ei ole aiemmin ollut olemassa tai jotka eivät olleet osa fysiikkaa."

ei vain ki

Tietotekniikka näytti ottavan Nobel-palkinnon seuraavana päivänä sen jälkeen, kun fysiikkapalkinto ilmoitettiin, kun Demis Hassabis ja John Jumper, Kierrot proteiinirakenteen ennuste Alphafold Google Deepmindissä Lontoossa, puolet kemian Nobel-palkinnosta. (Toinen puoli myönnettiin David Bakerille Washingtonin yliopistosta Seattlessa proteiinisuunnittelun teoksille, jotka eivät käytä koneoppimista).

Palkinto oli AI: n häiritsevän voiman tunnustaminen, mutta myös rakenteellisten ja tietokoneiden biologian tiedon jatkuva lisääntyminen, sanoo Lontoon yliopiston bioinformatiikit David Jones, joka työskenteli Deepmindin kanssa Alphallin ensimmäisessä versiossa. "En usko, että Alphafold edustaa radikaalia muutosta taustalla olevassa tieteessä, jota ei jo ollut saatavilla", hän sanoo. "Kyse on vain siitä, kuinka kaikki oli koottu ja suunniteltu niin, että Alphafold voisi saavuttaa nämä korkeudet."

Alphafoldin käyttämää avaimenpyyntöä on erilaisista organismeista vastaavien proteiinien sekvenssejä, jotka voivat tunnistaa aminohappoparit, jotka ovat todennäköisesti ko-evoluutio ja voivat olla lähellä proteiinin 3D-rakennetta. Tutkijat ovat jo käyttäneet tätä tietoa proteiinirakenteiden ennustamiseen, kun Alphafold kehitettiin, ja jotkut jopa alkoivat toteuttaa idean syvän oppimisen verkoissa.

"Ei ollut helppoa, että menimme töihin, painimme AI -painiketta ja sitten kaikki menivät kotiin", sanoi hyppääjä Deepmindin lehdistötilaisuudessa 9. lokakuuta. "Se oli todella iteratiivinen prosessi, jossa kehitimme, tutkimme ja yritimme löytää oikeat yhdistelmät sen välillä, mitä yhteisö ymmärsi proteiineista, ja kuinka voimme sisällyttää nämä intuitiot arkkitehtuuriin."

alfafold ei olisi ollut mahdollista, jos proteiinitietokantaa ei olisi ollut, yli 200 000 proteiinirakenteen vapaasti saatavissa olevaa arkistoa-mukaan lukien jotkut, jotka vaikuttivat aikaisempiin Nobelin hintoihin-jotka määritettiin käyttämällä röntgenkristallografiaa, kryo-elektronimikroskopiaa ja muita kokeellisia menetelmiä. "Jokainen tietopiste on seurausta jollekin vuosien ponnisteluista", Jumper sanoi.

sen perustamisesta lähtien vuonna 1901 Nobelin hinnat ovat usein heijastaneet tutkimuksen vaikutusta yhteiskuntaan ja ovat palkilleet käytännön keksintöjä, ei vain puhdasta tiedettä. Tältä osin hinnat vuonna 2024 eivät ole poikkeavia, Ananthaswamy sanoo. "Joskus heille myönnetään erittäin hyvät suunnitteluprojektit. Data-label =" https://www.nobelprize.org/physics/1964/summary/ "data-track-category =" body Text Link "> laser ja PCR .