AI med nobelpriser: Dobbelt seier vekket diskusjon om vitenskapelige disipliner

AI med nobelpriser: Dobbelt seier vekket diskusjon om vitenskapelige disipliner

Nobelutvalgene har anerkjent den transformative kraften til kunstig intelligens (KI) i to av årets priser-de hedret Pionerer av nevrale "Klikk" Data-etikel = "https://www.nature.com/articles/d41586-03214-7" Data-track-kategori tekstkobling "> Utvikler av beregningsverktøy for å undersøke og designe proteiner i den kjemiske prisen. Men ikke alle forskere er tilfredsstillende.

Bare noen få øyeblikk etter kunngjøringen om vinnerne av årets Nobel Physics Prize av Royal Swedish Academy of Sciences, opplevde den sosiale medieverdenen et glimt av diskusjoner. Flere fysikere hevdet at vitenskapen som ligger til grunn for mekanisk læringsforskning, som ble feiret i prisene for Geoffrey Hinton og John Hopfield, faktisk ikke var fysikk.

"Jeg er målløs. Jeg setter pris på maskinlæring og kunstige nevrale nettverk så vel som alle andre, men det er vanskelig å se at dette er en fysisk oppdagelse," skrev Jonathan Pritchard, en astrofysiker ved Imperial0 London, på x ." Jeg antar at Nobelprisen ble rammet av AI-hypen. "

Forskningen av Hinton ved University of Toronto i Canada og Hopfield ved Princeton University i New Jersey "tilhører området for informatikk," sier Sabine Hossenfelder, fysiker ved München Center for Mathematical Philosophy i Tyskland. "Den årlige Nobelprisen er en sjelden mulighet for fysikk - og fysikerne - å gå inn i søkelyset. Det er dagen da venner og familie husker at de kjenner en fysiker og kanskje spør hva denne siste nobelprisen handlet om. Men ikke i år."

forene noen perspektiver

Ikke alle var bekymret: Mange fysikere ønsket nyhetene velkommen. "Forskningen av Hopfield og Hinton var tverrfaglig og brakte fysikk, matematikk, informatikk og nevrovitenskap sammen," sier Matt Strassler, teoretisk fysiker ved Harvard University i Cambridge, Massachusetts. "I denne forstand tilhører det alle disse spesialistområdene."

Anil Ananthaswamy, en vitenskapsjournalist fra Berkeley, California og forfatter av boken "Why Machine Learn", bemerker at forskningen som er sitert av Nobelkomiteen ikke er teoretisk fysikk i den reneste forstand, men er forankret i teknikker og konsepter fra fysikk, slik som energi. "Boltzmann Networks" oppfunnet av Hinton og Hopfield Networks "er begge energidrevne modeller," sier han.

Forbindelsen til fysikk ble svakere i den senere utviklingen innen maskinlæring, legger Ananthaswamy, spesielt med de "fremadgående" teknikkene som gjorde nevrale nettverk enklere å trene. Likevel kommer fysiske ideer tilbake og hjelper til med å forstå forskere hvorfor de stadig mer komplekse dype læringssystemene gjør det de gjør. "Vi trenger måten å tenke på fysikk for å studere maskinlæring," sier Lenka Zdeborová, som forsker på den statistiske fysikken i beregningen av det sveitsiske føderale instituttet for teknologi i Lausanne (EPFL).

"Jeg tror at Nobelprisen for fysikk bør fortsette å trenge gjennom flere og flere områder med fysisk kunnskap," sier Giorgio Parisi, fysiker ved Sapienza University Roma, Delte Nobelprisen 2021 . "Fysikk blir stadig større og inkluderer mange kunnskapsområder som ikke har eksistert i fortiden eller ikke var en del av fysikken."

Ikke bare ki

Datavitenskapen så ut til å overta Nobelprisen dagen etter at Physics Award ble kunngjort, som Demis Hassabis og John Jumper, medgründer av Ki-Tools for Protein Structure Forecast Alphafold På Google DeepMind i London, halvparten av kjemien Nobelpris. (Den andre halvparten ble tildelt David Baker fra University of Washington i Seattle for verk om proteindesign som ikke bruker maskinlæring).

Prisen var anerkjennelse av den forstyrrende kraften til AI, men også den konstante økningen i kunnskap i strukturell og datamaskinaidt biologi, sier David Jones, en bioinformatiker ved University of College London, som jobbet med DeepMind på den første versjonen av Alphall. "Jeg tror ikke Alphafold representerer en radikal endring i den underliggende vitenskapen som ikke allerede var tilgjengelig," sier han. "Det handler omtrent om hvordan alt ble satt sammen og designet slik at Alphafold kunne nå disse høydene."

En KeyInput som Alphafold bruker er sekvensene av relaterte proteiner fra forskjellige organismer som kan identifisere aminosyrepar som sannsynligvis er KO-evolusjon og derfor kan være nær 3D-strukturen til et protein. Forskere har allerede brukt denne kunnskapen for å forutsi proteinstrukturer da Alphafold ble utviklet, og noen begynte til og med å implementere ideen i dype læringsnettverk.

"Det var ikke lett at vi gikk på jobb, trykket på AI -knappen og deretter alle dro hjem," sa Jumper på en pressekonferanse på DeepMind 9. oktober. "Det var virkelig en iterativ prosess der vi utviklet, undersøkte og prøvde å finne de riktige kombinasjonene mellom hva samfunnet forsto om proteiner og hvordan vi kunne innlemme disse intuisjonene i vår arkitektur."

Alphafold ville ikke vært mulig hvis proteindatabasen ikke hadde eksistert, et fritt tilgjengelig depot av mer enn 200 000 proteinstrukturer-inkludert noen som bidro til tidligere nobelpriser-som ble bestemt ved bruk av røntgenkrystallografi, kryokelektronmikroskopi og andre eksperimentelle metoder. "Hvert datapunkt er resultatet av mange års innsats fra noen," sa Jumper.

Siden grunnlaget i 1901 har nobelprisene ofte vært en refleksjon av forskningens innflytelse på samfunnet og har belønnet praktiske oppfinnelser, ikke bare ren vitenskap. I denne forbindelse er ikke prisene i 2024 outliers, sier Ananthaswamy. "Noen ganger blir de tildelt veldig gode ingeniørprosjekter. Data-etikel =" https://www.nobelprize.org/physics/1964/summary/ "data-track-category =" body text link "> laser og pcr .