Tekoäly Nobel-palkinnoissa: Kaksoisvoitto herättää keskustelua tieteenaloista

Tekoäly Nobel-palkinnoissa: Kaksoisvoitto herättää keskustelua tieteenaloista

Nobel-komitea on tunnustanut tekoälyn (AI) muuntavan voiman kahdessa tämän vuoden palkinnossa - he kunnioittivat Fysiikan hermoverkkojen pioneerit -palkinto ja Proteiinien tutkimiseen ja suunnitteluun tarkoitettujen laskennallisten työkalujen kehittäjä kemian palkinnolla. Mutta kaikki tutkijat eivät ole tyytyväisiä.

Vain hetki sen jälkeen, kun Ruotsin kuninkaallinen tiedeakatemia julkisti tämän vuoden fysiikan Nobel-palkinnon saajat, sosiaalisen median maailma koki vilkkaan keskustelun. Useat fyysikot väittivät, että Geoffrey Hintonin ja John Hopfieldin palkinnoissa juhlittu koneoppimistutkimuksen taustalla oleva tiede ei ollut fysiikkaa.

"Olen sanaton. Arvostan koneoppimista ja keinotekoisia hermoverkkoja yhtä paljon kuin kukaan muu, mutta on vaikea nähdä, että tämä on fysiikan löytö", kirjoitti Jonathan Pritchard, Lontoon Imperial Collegen astrofyysikko. X:llä. "Luulen, että tekoälyhype osui Nobel-palkintoon."

Kanadan Toronton yliopiston Hintonin ja New Jerseyn Princetonin yliopiston Hopfieldin tutkimus "kuuluu tietojenkäsittelytieteen alaan", sanoo Saksan Münchenin matemaattisen filosofian keskuksen fyysikko Sabine Hossenfelder. "Vuotuinen Nobel-palkinto on harvinainen tilaisuus fysiikalle - ja fyysikoille - astua valokeilaan. Se on päivä, jolloin ystävät ja perheenjäsenet muistavat tuntevansa fyysikon ja ehkä kysyvät, mistä viimeisessä Nobel-palkinnossa oli kyse. Mutta ei tänä vuonna."

Yhdistämällä joitain näkökulmia

Kaikki eivät kuitenkaan olleet huolissaan: monet fyysikot ottivat uutisen vastaan. "Hopfieldin ja Hintonin tutkimus oli monitieteistä, ja se toi yhteen fysiikan, matematiikan, tietojenkäsittelytieteen ja neurotieteen", sanoo Matt Strassler, teoreettinen fyysikko Harvardin yliopistosta Cambridgessa, Massachusettsissa. "Siinä mielessä se kuuluu kaikkiin näihin tieteenaloihin."

Anil Ananthaswamy, Kalifornian Berkeleystä kotoisin oleva tiedetoimittaja ja "Why Machines Learn" -kirjan kirjoittaja, huomauttaa, että vaikka Nobel-komitean mainitsema tutkimus ei ole teoreettista fysiikkaa sen puhtaimmassa merkityksessä, se perustuu fysiikan tekniikoihin ja käsitteisiin, kuten energiaan. Hintonin keksimät "Boltzmann-verkot" ja Hopfield-verkot "ovat molemmat energiakäyttöisiä malleja", hän sanoo.

Yhteys fysiikkaan heikkeni koneoppimisen myöhemmässä kehityksessä, Ananthaswamy lisää, erityisesti "feedforward"-tekniikoissa, jotka tekivät hermoverkkojen kouluttamisesta helpommin. Silti fyysiset ideat tulevat takaisin ja auttavat tutkijoita ymmärtämään, miksi yhä monimutkaisemmat syväoppimisjärjestelmät tekevät mitä tekevät. "Tarvitsemme fysiikan ajattelutavan koneoppimisen opiskeluun", sanoo Lenka Zdeborová, joka tutkii laskennan tilastollista fysiikkaa Sveitsin liittovaltion teknologiainstituutissa Lausannessa (EPFL).

"Uskon, että fysiikan Nobelin palkinnon pitäisi edelleen tunkeutua yhä useammalle fyysisen tiedon alueelle", sanoo fyysikko Giorgio Parisi Rooman Sapienza-yliopistosta. jakoi 2021 Nobel-palkinnon. "Fysiikka laajenee jatkuvasti ja sisältää monia tietoalueita, joita ei ollut olemassa tai jotka eivät olleet osa fysiikkaa aiemmin."

Ei vain AI

Tietojenkäsittelytiede näytti ottaneen Nobelin palkinnon fysiikan palkinnon julkistamisen jälkeen, kun Demis Hassabis ja John Jumper, yksi perustajista. Tekoälytyökalut proteiinirakenteen ennustamiseen AlphaFold Google DeepMindissä Lontoossa, joka voitti puolet kemian Nobelin palkinnosta. (Toinen puolikas myönnettiin David Bakerille Washingtonin yliopistosta Seattlessa työstä proteiinisuunnittelussa, jossa ei käytetty koneoppimista).

Palkinto oli tunnustus tekoälyn hajottavasta voimasta, mutta myös rakenteellisen ja laskennallisen biologian tietämyksen jatkuvasta lisääntymisestä, sanoo David Jones, University College Londonin bioinformaatikko, joka työskenteli DeepMindin kanssa AlphaFoldin ensimmäisessä versiossa. "En usko, että AlphaFold edustaa radikaalia muutosta taustalla olevassa tieteessä, jota ei jo ollut olemassa", hän sanoo. "Kyse on siitä, kuinka kaikki on koottu ja suunniteltu siten, että AlphaFold voi saavuttaa nämä korkeudet."

Avainsyöte, jota AlphaFold käyttää, ovat eri organismien sukulaisproteiinien sekvenssit, jotka voivat tunnistaa aminohappopareja, jotka ovat todennäköisesti kehittyneet yhdessä ja voivat siksi olla fyysisesti lähellä proteiinin 3D-rakenteessa. Tutkijat käyttivät tätä näkemystä proteiinirakenteiden ennustamiseen jo AlphaFoldia kehitettäessä, ja jotkut jopa alkoivat toteuttaa ideaa syväoppimisverkostoissa.

"Se ei ollut vain tapaus, jossa menimme töihin, painamme tekoälypainiketta ja sitten kaikki menivät kotiin", Jumper sanoi DeepMindissä 9. lokakuuta pidetyssä lehdistötilaisuudessa. "Se oli todella iteratiivinen prosessi, jossa kehitimme, teimme tutkimusta ja yritimme löytää oikeat yhdistelmät sen välillä, mitä yhteisö ymmärsi proteiineista ja kuinka voimme sisällyttää nämä intuitiot arkkitehtuuriimme."

AlphaFold ei myöskään olisi ollut mahdollinen ilman proteiinitietokantaa, joka on vapaasti käytettävissä oleva yli 200 000 proteiinirakenteen arkisto - joista osa on vaikuttanut aiempien Nobel-palkintojen saamiseen - määritettynä röntgenkristallografialla, kryoelektronimikroskoopilla ja muilla kokeellisilla menetelmillä. "Jokainen datapiste on tulosta jonkun vuosien ponnisteluista", Jumper sanoi.

Perustamisestaan ​​vuonna 1901 lähtien Nobel-palkinnot ovat usein olleet heijastus tutkimuksen vaikutuksesta yhteiskuntaan ja niillä on palkittu käytännön keksinnöistä, ei vain puhdasta tiedettä. Tässä suhteessa vuoden 2024 hinnat eivät ole poikkeavia, Ananthaswamy sanoo. "Joskus ne palkitaan erittäin hyvistä suunnitteluprojekteista. Näitä ovat muun muassa palkinnot Laser ja PCR.”