AI na Nobelovom cenách: Dvojité víťazstvo Sparks Diskusia o vedeckých disciplínach

AI na Nobelovom cenách: Dvojité víťazstvo Sparks Diskusia o vedeckých disciplínach

Nobelový výbor uznal transformačnú silu umelej inteligencie (AI) v dvoch z tohtoročných cien - ocenili Priekopníci neurónových sietí vo fyzickej cene a Vývojár výpočtových nástrojov na štúdium a navrhovanie proteínov V cene chémie. Ale nie všetci vedci sú spokojní.

Len chvíľu po tom, čo Kráľovská švédska akadémia vied oznámila víťazov tohtoročnej Nobelovej ceny vo fyzike, svet sociálnych médií zažil záblesk diskusie. Niekoľko fyzikov tvrdilo, že vedecký výskum strojového učenia oslavovaný v oceneniach pre Geoffrey Hinton a John Hopfield v skutočnosti nebol fyzika.

„Som bez reči. Vážim si strojové učenie a umelé neurónové siete rovnako ako ktokoľvek, ale je ťažké vidieť, že ide o fyzikálny objav,“ napísal Jonathan Pritchard, astrofyzik na Imperial College London, na x. "Myslím, že Nobelovu cenu zasiahla humbuk AI."

Výskum Hinton na University of Toronto v Kanade a Hopfield na Princetonskej univerzite v New Jersey „patrí do oblasti informatiky,“ hovorí Sabine Hossenfelder, fyzik v Mníchovskom centre pre matematickú filozofiu v Nemecku. „Každoročná Nobelova cena je zriedkavou príležitosťou pre fyziku - a fyzikov - vstúpiť do centra pozornosti. Je to deň, keď si priatelia a rodina pamätajú, že poznajú fyzika a možno sa pýtajú, o čom je táto posledná Nobelova cena. Ale nie tento rok.“

Kombinácia niektorých perspektív

Nie každý bol však znepokojený: Mnoho fyzikov privítalo správy. „Výskum Hopfield a Hinton bol interdisciplinárny, spájal fyziku, matematiku, informatiku a neurovedy,“ hovorí Matt Strassler, teoretický fyzik na Harvardskej univerzite v Cambridge v štáte Massachusetts. "V tomto zmysle patrí do všetkých týchto disciplín."

Anil Ananthaswamy, vedecký novinár z Berkeley v Kalifornii a autor knihy „Prečo sa strojy učia“, poznamenáva, že zatiaľ čo výskum citovaný Nobelovou komisiou nie je teoretická fyzika v najčistejšom zmysle, je zakorenená v technikách a konceptoch z fyziky, ako je napríklad energia. „Boltzmann Networks“ a Hopfield Networks vymysleli Hinton „sú oba modely založené na energii,“ hovorí.

Spojenie s fyzikou sa v neskoršom vývoji strojového učenia oslabilo, Ananthaswamy dodáva, najmä v technikách „feedforward“, ktoré uľahčovali trénovanie neurónových sietí. Napriek tomu sa fyzické nápady vracajú a pomáhajú výskumným pracovníkom pochopiť, prečo stále zložitejšie hlboké vzdelávacie systémy robia to, čo robia. „Potrebujeme myslenie fyziky, aby sme študovali strojové učenie,“ hovorí Lenka Zdeboers, ktorá skúma štatistickú fyziku výpočtu vo Švajčiarskom federálnom technologickom inštitúte v Lausanne (EPFL).

„Myslím si, že Nobelova cena vo fyzike by mala naďalej prenikať stále viac a viac oblastí fyzických znalostí,“ hovorí Giorgio Parisi, fyzik na Rímskej univerzite Sapienza zdieľal Nobelovu cenu 2021. „Fyzika sa stáva čoraz širšou a zahŕňa mnoho oblastí vedomostí, ktoré neexistovali alebo neboli v minulosti súčasťou fyziky.“

Nielen AI

Zdá sa, že počítačová veda prevzala Nobelovu cenu deň po tom, čo bola oznámená fyzikálna cena, keď Demis Hassabis a John Jumper, spoluzakladatelia Nástroje AI pre predikciu proteínovej štruktúry alfafold v spoločnosti Google DeepMind v Londýne, ktorý získal polovicu Nobelovej ceny v chémii. (Druhá polovica bola udelená Davidovi Bakerovi z University of Washington v Seattli za prácu na dizajne bielkovín, ktorá nepoužívala strojové učenie).

Cenou bola uznaním rušivej sily AI, ale aj stabilného zvyšovania vedomostí v štrukturálnej a výpočtovej biológii, hovorí David Jones, bioinformatik na University College London, ktorý spolupracoval s DeepMindom na prvej verzii Alphafold. „Nemyslím si, že Alphafold predstavuje radikálny posun v základnej vede, ktorá tam už nebola,“ hovorí. "Je to všetko o tom, ako bolo všetko zostavené a navrhnuté tak, aby umožnilo Alphafoldovi dosiahnuť tieto výšky."

Kľúčovým vstupom, ktorý Alphafold používa, sú sekvencie súvisiacich proteínov z rôznych organizmov, ktoré dokážu identifikovať páry aminokyselín, ktoré pravdepodobne budú vyvinuté, a preto môžu byť vo fyzickej blízkosti v 3D štruktúre proteínu. Vedci už tento pohľad využívali na predpovedanie proteínových štruktúr, keď bol vyvinutý Alphafold, a niektorí dokonca začali implementovať myšlienku v hlbokých vzdelávacích sieťach.

„Nebol to len prípad, keď sme šli do práce, zasiahli tlačidlo AI, a potom všetci, ktorí idú domov,“ povedal Jumper na tlačovej konferencii v DeepMind 9. októbra. „Bol to skutočne iteratívny proces, v ktorom sme sa vyvinuli, robili výskum a pokúsili sa nájsť správne kombinácie medzi tým, čo komunita rozumela o proteínoch a ako by sme mohli začleniť tieto intuície do našej architektúry.“

Alphafold by tiež nebol možný bez proteínovej databázy, voľne prístupného úložiska viac ako 200 000 proteínových štruktúr - vrátane niektorých, ktoré prispeli k predchádzajúcim nobelovým cenám - stanoveným pomocou röntgenovej kryštalografie, kryoelektrónovej mikroskopie a iných experimentálnych metód. "Každý dátový bod je výsledkom dlhoročného úsilia niekoho," uviedol Jumper.

Od svojho založenia v roku 1901 boli Nobelové ceny často odrazom vplyvu výskumu na spoločnosť a odmenili praktické vynálezy, nielen čistú vedu. V tomto ohľade 2024 ceny nie sú odľahlé hodnoty, hovorí Ananthaswamy. „Niekedy sú udelené za veľmi dobré inžinierske projekty. Patria sem ceny pre Laser a Pcr. “