AI z Nobelovimi cenami: dvojna zmaga je sprožila razpravo o znanstvenih disciplinah
AI z Nobelovimi cenami: dvojna zmaga je sprožila razpravo o znanstvenih disciplinah
Nobelovi odbori so v dveh letošnjih cenah prepoznali transformativno moč umetne inteligence (KI)-častili so Pionirji nevronskih omrežij v ceni fizike in Razvijalec izračunskih orodij za preučevanje in oblikovanje beljakovin V kemični nagradi. Vendar niso vsi raziskovalci zadovoljni.
Le nekaj trenutkov po objavi zmagovalcev letošnje nagrade Nobelove fizike s strani kraljeve švedske akademije znanosti je svet družbenih medijev doživel bliskovito razprave. Več fizikov je trdilo, da znanost, na kateri temeljijo raziskave mehanskega učenja, ki so jo praznovali na podelitvi nagrad Geoffrey Hinton in John Hopfield, pravzaprav ni fizika.
"Jaz sem brez besed. Cenim strojno učenje in umetna nevronska omrežja, pa tudi vse druge, vendar je težko videti, da je to fizično odkritje," je napisal Jonathan Pritchard, astrofizik na Imperial College London, na x .
Raziskava Hintona na Univerzi v Torontu v Kanadi in Hopfield na univerzi Princeton v New Jerseyju "pripada področju računalništva," pravi Sabine Hossenfelder, fizika v München Center za matematično filozofijo v Nemčiji. "Letna Nobelova nagrada je redka priložnost za fiziko - in fizike -, da stopijo v središče pozornosti. To je dan, ko se prijatelji in družina spomnijo, da poznajo fizika in se morda vprašajo, kaj je bila ta zadnja Nobelova nagrada. Toda letos."
združite nekatere perspektive
Niso bili vsi zaskrbljeni: veliko fizikov je novice pozdravilo. "Raziskava Hopfield in Hinton je bila interdisciplinarna in združila fiziko, matematiko, računalništvo in nevroznanosti," pravi Matt Strassler, teoretični fizik na univerzi Harvard v Cambridgeu v Massachusettsu. "V tem smislu spada na vsa ta specializirana področja."
Anil Ananthaswamy, znanstveni novinar iz Berkeleyja v Kaliforniji in avtor knjige "Zakaj strojno učenje", ugotavlja, da raziskava, ki jo navaja Nobelov odbor, ni teoretična fizika v najčistejšem smislu, ampak je zakoreninjena v tehnikah in konceptih iz fizike, kot je energija. "Boltzmann Networks", ki sta jih izumila Hinton in Hopfield Networks ", sta modeli, ki temeljijo na energiji," pravi.
Povezava s fiziko je postala šibkejša v poznejših dogodkih v strojnem učenju, dodaja Ananthaswamy, zlasti s tehnikami "feeforward", ki so olajšale trening nevronskih omrežij. Kljub temu se fizične ideje vračajo in pomagajo razumeti raziskovalce, zakaj vse bolj zapleteni sistemi globokega učenja počnejo to, kar počnejo. "Potrebujemo način razmišljanja o fiziki za preučevanje strojnega učenja," pravi Lenka Zdeborová, ki raziskuje statistično fiziko izračuna švicarskega zveznega inštituta za tehnologijo v Lausannu (EPFL).
"Mislim, da bi morala Nobelova nagrada za fiziko še naprej prodirati vse več področij fizičnega znanja," pravi Giorgio Parisi, fizik na univerzi Sapienza v Rimu, delila Nobelovo nagrado 2021 . "Fizika postaja vse bolj širša in vključuje številna področja znanja, ki v preteklosti niso obstajala ali niso bila del fizike."
ne samo Ki
Zdi se, da je računalništvo prevzel Nobelovo nagrado dan po razglasitvi nagrade za fiziko, kot sta Demis Hassabis in John Jumper, soustanoviteljica Ki-tools za napoved strukture beljakovin Alphafold pri Google DeepMind v Londonu, polovica kemijske nobelove nagrade. (Druga polovica je Davida Bakerja prejel z univerze v Washingtonu v Seattlu za dela na beljakovinah, ki ne uporabljajo strojnega učenja).
Nagrada je bila prepoznavanje moteče moči AI, pa tudi nenehno povečanje znanja v strukturni in računalniško podloženi biologiji, pravi David Jones, bioinformatist na Univerzi v Londonu na univerzi, ki je z Deepmind sodeloval na prvi različici Alphalla. "Mislim, da Alphafold ne predstavlja korenite spremembe v osnovni znanosti, ki še ni bila na voljo," pravi. "Gre samo za to, kako je bilo vse sestavljeno in oblikovano, da bi Alphafold lahko dosegel te višine."
KeyInput, ki ga uporablja AlphaFold, so zaporedja povezanih beljakovin iz različnih organizmov, ki lahko prepoznajo pare aminokislin, ki so verjetno koevolucija in so zato lahko blizu 3D strukture proteina. Raziskovalci so to znanje že uporabili za napovedovanje beljakovinskih struktur, ko se je razvijal Alphafold, nekateri pa so celo začeli izvajati idejo v omrežjih globokega učenja.
"Ni bilo lahko, da smo šli v službo, pritisnili na gumb AI in nato vsi odšli domov," je dejal Jumper na tiskovni konferenci v Deepmind 9. oktobra. "To je bil res iterativni postopek, v katerem smo razvijali, raziskovali in poskušali najti prave kombinacije med tem, kar je skupnost razumela o beljakovinah, in kako lahko te intuicije vključimo v našo arhitekturo."
AlphaFold ne bi bil mogoč, če baze podatkov beljakovin ne bi obstajala, prosto dostopno repozitorij več kot 200.000 beljakovinskih struktur, vključno z nekaterimi, ki so prispevali k prejšnjim Nobelovim cenam, ki so bile določene z rentgensko kristalografijo, krio-elektronsko mikroskopijo in druge eksperimentalne metode. "Vsaka podatkovna točka je rezultat dolgoletnega truda nekoga," je dejal Jumper.
Ker so leta 1901 ustanovile Nobelove cene, so pogosto odraz vpliva raziskav na družbo in so nagrajevale praktične izume, ne le čiste znanosti. V zvezi s tem cene leta 2024 niso odpuščene, pravi Ananthaswamy. "Sometimes they are awarded for very good engineering projects. Data-label = "https://www.nobelprize.org/physics/1964/summary/" Data-track-category = "Body text link"> laser and pcr .