AI z cenami Nobla: podwójne zwycięstwo wywołało dyskusję na temat dyscyplin naukowych

AI z cenami Nobla: podwójne zwycięstwo wywołało dyskusję na temat dyscyplin naukowych

Komisje Nobla uznały transformacyjną siłę sztucznej inteligencji (KI) w dwóch tegorocznych cenach-uhonorowały pionierów sieci neuronowych w cenie fizyki i Deweloper narzędzi obliczeniowych do badania białek W nagrodę chemiczną. Ale nie wszyscy badacze są zadowoleni.

„Jestem zaniemówiony. Doceniam uczenie maszynowe i sztuczne sieci neuronowe, a także inne inne, ale trudno jest zobaczyć, że jest to fizyczne odkrycie”, napisał Jonathan Pritchard, astrofizyk w Imperial College London, na x .„ Myślę, że nagrodę Nobla została dotknięta przez AI Hype. "

Badania Hintona na University of Toronto w Kanadzie i Hopfield na Uniwersytecie Princeton w New Jersey „należą do obszaru informatyki”, mówi Sabine Hossenfelder, fizyka w Monachium Centrum Filozofii Matematycznej w Niemczech. „Coroczna Nagroda Nobla jest rzadką okazją dla fizyki - i fizyków - wejście w światło reflektorów. To dzień, w którym przyjaciele i rodzina pamiętają, że znają fizyka i być może pytają, o co chodzi w tym ostatnim nagrodę Nobla. Ale nie w tym roku”.

Zjednocz niektóre perspektywy

Nie wszyscy się martwili: wielu fizyków z zadowoleniem przyjęło wiadomości. „Badania Hopfielda i Hintona były interdyscyplinarne i zebrały fizykę, matematykę, informatykę i neurologcje” - mówi Matt Strassler, fizyk teoretyczny na Harvard University w Cambridge w stanie Massachusetts. „W tym sensie należy do wszystkich tych obszarów specjalistycznych”.

Anil Ananthaswamy, dziennikarz naukowy z Berkeley, Kalifornia i autor książki „Why Machine Learn”, zauważa, że ​​badania cytowane przez Komitet Nobla nie są fizyką teoretyczną w najczystszym sensie, ale są zakorzenione w technikach i koncepcjach fizyki, takich jak energia. „Boltzmann Networks” wynalezione przez Hinton i Hopfield Networks „są modelem opartym na energii”-mówi.

Połączenie z fizyką stało się słabsze w późniejszych rozwoju uczenia maszynowego, dodaje ananthaswamy, szczególnie w przypadku technik „podawania”, które ułatwiają szkolenie sieci neuronowych. Niemniej jednak fizyczne pomysły powracają i pomagają zrozumieć badaczy, dlaczego coraz bardziej złożone systemy głębokiego uczenia się robią to, co robią. „Potrzebujemy sposobu myślenia fizyki do badania uczenia maszynowego”, mówi Lenka Zdeborová, która bada fizykę statystyczną obliczenia Szwajcarskiego Federalnego Instytutu Technologii w Lozannie (EPFL).

„Myślę, że Nagroda Nobla za fizykę powinna nadal przenikać coraz więcej obszarów wiedzy fizycznej”, mówi Giorgio Parisi, fizyk z Rzymu Uniwersytetu Sapienza, udostępnił nagrodę Nobla 2021 . „Fizyka staje się coraz bardziej szersza i obejmuje wiele obszarów wiedzy, które nie istniały w przeszłości lub nie były częścią fizyki”.

nie tylko ki

Informatyka wydawała się przejmować Nagrodę Nobla dzień po ogłoszeniu nagrody fizyki, jako Demis Hassabis i John Jumper, współzałożyciel Ki-na-dool dla prognozy struktury białkowej Alphafold W Google Deepmind w Londynie, połowa nagrody Chemistry Nobel. (Druga połowa została przyznana Davidowi Bakerowi z University of Washington w Seattle za prace nad projektowaniem białka, które nie korzystają z uczenia maszynowego).

Nagrodą było uznanie destrukcyjnej siły AI, ale także stały wzrost wiedzy w biologii strukturalnej i komputerowej, mówi David Jones, bioinformatysta z University of College London, który pracował z Deepmind nad pierwszą wersją Alphall. „Nie sądzę, że Alphafold reprezentuje radykalną zmianę w nauce, która nie była jeszcze dostępna” - mówi. „Chodzi tylko o to, jak wszystko zostało złożone i zaprojektowane, aby Alphafold mógł osiągnąć te wyżyny”.

Keyinput, którego używa Alphafold, to sekwencje pokrewnych białek z różnych organizmów, które mogą zidentyfikować pary aminokwasów, które prawdopodobnie są ewolucją KO, a zatem mogą być zbliżone do struktury 3D białka. Naukowcy wykorzystali już tę wiedzę do przewidywania struktur białkowych, gdy opracowano Alphafold, a niektórzy nawet zaczęli wdrażać pomysł w sieciach głębokiego uczenia się.

„Nie było łatwo, że poszliśmy do pracy, nacisnęliśmy przycisk AI, a potem wszyscy wrócili do domu”, powiedział Jumper na konferencji prasowej w Deepmind 9 października. „Był to naprawdę iteracyjny proces, w którym opracowaliśmy, zbadaliśmy i próbowaliśmy znaleźć odpowiednie kombinacje między tym, co społeczność rozumiała o białkach a tym, jak moglibyśmy włączyć te intuicje do naszej architektury”.

Alphafold nie byłby możliwy, gdyby baza danych białek nie istniała, swobodnie dostępne repozytorium ponad 200 000 struktur białkowych, w tym niektóre, które przyczyniły się do poprzednich cen Nobla-które zostały określone przy użyciu krystalografii rentgenowskiej, mikroskopii krioelektronowej i innych metod eksperymentalnych. „Każdy punkt danych jest wynikiem lat wysiłku od kogoś” - powiedział Jumper.

Od czasu jego podstaw w 1901 r. Ceny Nobla często były odzwierciedleniem wpływu badań na społeczeństwo i nagrodziły praktyczne wynalazki, a nie tylko czystą naukę. Pod tym względem ceny w 2024 r. Nie są wartościami odstającymi, mówi Ananthaswamy. „Czasami są przyznawane za bardzo dobre projekty inżynieryjne. Data-Label =" https://www.nobelprize.org/physics/1964/summary/ "data-track-category =" link tekstowy "> laser i pcr .