AI med nobelpriser: Dubbel seger ledde till diskussion om vetenskapliga discipliner
AI med nobelpriser: Dubbel seger ledde till diskussion om vetenskapliga discipliner
Nobelkommittéerna har erkänt den transformativa kraften i artificiell intelligens (KI) i två av årets priser-de är hedrade pioneers för neuralnätverket i fysikpriset och Utvecklare av beräkningsverktyg för att undersöka och designa proteiner i kemiska priset. Men inte alla forskare är nöjda.
Endast några ögonblick efter tillkännagivandet av vinnarna av årets Nobel Physics Prize av Royal Swedish Academy of Sciences, upplevde den sociala medievärlden en blixt av diskussioner. Flera fysiker hävdade att vetenskapen som ligger bakom mekanisk inlärningsforskning, som firades i priserna för Geoffrey Hinton och John Hopfield, inte faktiskt var fysik.
"Jag är mållös. Jag uppskattar maskininlärning och konstgjorda neurala nätverk såväl som alla andra, men det är svårt att se att detta är en fysisk upptäckt," skrev Jonathan Pritchard, en astrofysiker på Imperial College London, på x ." Jag antar att Nobelpriset drabbades av AI Hype. "
Forskningen från Hinton vid University of Toronto i Kanada och Hopfield vid Princeton University i New Jersey "tillhör datavetenskapens område", säger Sabine Hossenfelder, fysiker vid München Center for Mathematical Philosophy i Tyskland. "Det årliga Nobelpriset är en sällsynt möjlighet för fysik - och fysikerna - att kliva in i rampljuset. Det är dagen då vänner och familj kommer ihåg att de känner en fysiker och kanske fråga vad det sista Nobelpriset handlade om. Men inte i år."
förena vissa perspektiv
Inte alla var oroliga: Många fysiker välkomnade nyheterna. "Forskningen från Hopfield och Hinton var tvärvetenskaplig och förde fysik, matematik, datavetenskap och neurovetenskap tillsammans," säger Matt Strassler, en teoretisk fysiker vid Harvard University i Cambridge, Massachusetts. "I denna mening tillhör det alla dessa specialområden."
Anil Ananthaswamy, en vetenskapsjournalist från Berkeley, Kalifornien och författaren till boken "Why Machine Learn", konstaterar att den forskning som citeras av Nobelkommittén inte är teoretisk fysik i renaste bemärkelse, utan är förankrad i tekniker och begrepp från fysik, såsom energi. "Boltzmann Networks" som uppfanns av Hinton och Hopfield Networks "är båda energidrivna modeller", säger han.
Anslutningen till fysiken blev svagare i den senare utvecklingen inom maskininlärning, tillägger Ananthaswamy, särskilt med "Feedforward" -teknikerna som gjorde neurala nätverk enklare att träna. Ändå återvänder fysiska idéer och hjälper till att förstå forskare varför de allt mer komplexa djupa inlärningssystemen gör vad de gör. "Vi behöver sättet att tänka på fysik för att studera maskininlärning," säger Lenka Zdeborová, som undersöker den statistiska fysiken för beräkningen av Swiss Federal Institute for Technology i Lausanne (EPFL).
"I think that the Nobel Prize for Physics should continue to penetrate more and more areas of physical knowledge," says Giorgio Parisi, a physicist at the Sapienza University Rome, the delade Nobelpriset 2021 . "Fysik blir allt mer bredare och innehåller många kunskapsområden som inte har funnits tidigare eller inte var en del av fysiken."
inte bara ki
Datavetenskapen tycktes ta över Nobelpriset dagen efter att Physics Award tillkännagavs, när Demis Hassabis och John Jumper, medgrundare av Ki-tools för proteinstrukturprognos alphafold På Google DeepMind i London, hälften av kemin nobelpriset. (Den andra hälften tilldelades David Baker från University of Washington i Seattle för verk på proteindesign som inte använder maskininlärning).
Priset var erkännande av AI: s störande kraft, men också den ständiga ökningen av kunskap inom strukturell och datorstödd biologi, säger David Jones, en bioinformatist vid University of College London, som arbetade med DeepMind på den första versionen av Alphall. "Jag tror inte att AlphaFold representerar en radikal förändring i den underliggande vetenskapen som inte redan var tillgänglig," säger han. "Det handlar bara om hur allt sattes ihop och designades så att AlphaFold kunde nå dessa höjder."
En nyckelinput som AlphaFold använder är sekvenserna av relaterade proteiner från olika organismer som kan identifiera aminosyrar som troligen är KO-evolution och därför kan vara nära 3D-strukturen för ett protein. Forskare har redan använt denna kunskap för att förutsäga proteinstrukturer när AlphaFold utvecklades, och vissa började till och med implementera idén i djupa inlärningsnätverk.
"Det var inte lätt att vi gick till jobbet, tryckte på AI -knappen och sedan gick alla hem," sade Jumper på en presskonferens på DeepMind den 9 oktober. "Det var verkligen en iterativ process där vi utvecklade, undersökte och försökte hitta rätt kombinationer mellan vad samhället förstod om proteiner och hur vi kunde integrera dessa intuitioner i vår arkitektur."
AlphaFold skulle inte ha varit möjlig om proteindatabasen inte hade funnits, ett fritt tillgängligt förvar med mer än 200 000 proteinstrukturer, inklusive vissa som bidrog till tidigare Nobelpriser som bestämdes med röntgenkristallografi, kryo-elektronmikroskopi och andra experimentella metoder. "Varje datapunkt är resultatet av många års ansträngning från någon," sade Jumper.
Sedan grunden 1901 har Nobelpriserna ofta varit en återspegling av forskningens inflytande på samhället och har belönat praktiska uppfinningar, inte bara ren vetenskap. I detta avseende är priserna 2024 inte outliers, säger Ananthaswamy. "Ibland tilldelas de för mycket bra ingenjörsprojekt. Data-label =" https://www.nobelprize.org/physics/1964/summary/ "data-track-category =" body text länk "> laser och PCR .