KI bei den Nobelpreisen: Doppelsieg entfacht Diskussion über wissenschaftliche Disziplinen

Die Nobelkomitees haben die transformative Kraft der künstlichen Intelligenz (KI) in zwei der diesjährigen Preise anerkannt – sie ehrten Pioniere der neuronalen Netzwerke im Physikpreis und die Entwickler von Berechnungstools zur Untersuchung und Gestaltung von Proteinen im Chemiepreis. Doch nicht alle Forscher sind zufrieden.

Nur wenige Momente nach der Bekanntgabe der Gewinner des diesjährigen Physik-Nobelpreises durch die Königlich Schwedische Akademie der Wissenschaften erlebte die Social Media-Welt ein Aufblitzen von Diskussionen. Mehrere Physiker argumentierten, dass die der maschinellen Lernforschung zugrunde liegende Wissenschaft, die in den Auszeichnungen für Geoffrey Hinton und John Hopfield gefeiert wurde, nicht tatsächlich Physik sei.

„Ich bin sprachlos. Ich schätze maschinelles Lernen und künstliche neuronale Netzwerke ebenso wie jeder andere, aber es ist schwer zu erkennen, dass dies eine physikalische Entdeckung ist“, schrieb Jonathan Pritchard, ein Astrophysiker am Imperial College London, auf X. „Ich schätze, der Nobelpreis wurde vom KI-Hype getroffen.“

Die Forschung von Hinton an der Universität Toronto in Kanada und Hopfield an der Princeton University in New Jersey „gehört in das Gebiet der Informatik“, sagt Sabine Hossenfelder, eine Physikerin am Münchener Zentrum für Mathematische Philosophie in Deutschland. „Der jährliche Nobelpreis ist eine seltene Gelegenheit für die Physik – und die Physiker – ins Rampenlicht zu treten. Es ist der Tag, an dem Freunde und Familie sich daran erinnern, dass sie einen Physiker kennen und vielleicht fragen, worum es bei diesem letzten Nobelpreis ging. Aber nicht in diesem Jahr.“

Einige Perspektiven vereinigen

Nicht alle waren jedoch beunruhigt: Viele Physiker begrüßten die Nachricht. „Die Forschung von Hopfield und Hinton war interdisziplinär und brachte Physik, Mathematik, Informatik und Neurowissenschaften zusammen“, sagt Matt Strassler, ein theoretischer Physiker an der Harvard University in Cambridge, Massachusetts. „In diesem Sinne gehört sie all diesen Fachgebieten.“

Anil Ananthaswamy, ein Wissenschaftsjournalist aus Berkeley, Kalifornien und Autor des Buches „Warum Maschinen lernen“, merkt an, dass die vom Nobelkomitee zitierte Forschung zwar nicht die theoretische Physik im reinsten Sinne ist, jedoch in Techniken und Konzepten aus der Physik verwurzelt ist, wie etwa der Energie. Die von Hinton erfundenen „Boltzmann-Netzwerke“ und die Hopfield-Netzwerke „sind beide energiegetriebene Modelle“, sagt er.

Die Verbindung zur Physik wurde in den späteren Entwicklungen des maschinellen Lernens schwächer, fügt Ananthaswamy hinzu, insbesondere bei den „Feedforward“-Techniken, die neuronale Netzwerke leichter trainierbar machten. Dennoch kehren physikalische Ideen zurück und helfen Forschern zu verstehen, warum die zunehmend komplexen Deep-Learning-Systeme tun, was sie tun. „Wir brauchen die Denkweise der Physik, um maschinelles Lernen zu studieren“, sagt Lenka Zdeborová, die die statistische Physik der Berechnung am Schweizerischen Bundesinstitut für Technologie in Lausanne (EPFL) erforscht.

„Ich denke, dass der Nobelpreis für Physik weiterhin in immer mehr Bereiche des physikalischen Wissens vordringen sollte“, sagt Giorgio Parisi, ein Physiker an der Sapienza-Universität Rom, der den Nobelpreis 2021 geteilt hat. „Die Physik wird immer breiter und umfasst viele Wissensgebiete, die in der Vergangenheit nicht existierten oder nicht zur Physik gehörten.“

Nicht nur KI

Die Informatik schien den Nobelpreis am Tag nach der Bekanntgabe des Physikpreises zu übernehmen, als Demis Hassabis und John Jumper, Mitbegründer des KI-Tools zur Proteinstrukturvorhersage AlphaFold bei Google DeepMind in London, die Hälfte des Chemie-Nobelpreises gewannen. (Die andere Hälfte wurde an David Baker von der University of Washington in Seattle für Arbeiten zur Protein-Design verliehen, die kein maschinelles Lernen einsetzten).

Der Preis war eine Anerkennung der disruptiven Kraft der KI, aber auch des stetigen Wissenszuwachses in der strukturellen und computergestützten Biologie, sagt David Jones, ein Bioinformatiker am University College London, der mit DeepMind an der ersten Version von AlphaFold zusammenarbeitete. „Ich denke nicht, dass AlphaFold einen radikalen Wandel in der zugrunde liegenden Wissenschaft darstellt, der nicht bereits vorhanden war“, sagt er. „Es geht nur darum, wie alles zusammengefügt und konzipiert wurde, sodass AlphaFold diese Höhen erreichen konnte.“

Ein Schlüsselinput, den AlphaFold verwendet, sind die Sequenzen verwandter Proteine aus verschiedenen Organismen, die Aminosäurepaare identifizieren können, die wahrscheinlich ko-evolutioniert sind und daher möglicherweise in physischer Nähe in der 3D-Struktur eines Proteins liegen. Forscher verwendeten diese Erkenntnis bereits, um Proteinstrukturen vorherzusagen, als AlphaFold entwickelt wurde, und einige begannen sogar, die Idee in tiefen Lernnetzwerken zu implementieren.

„Es war nicht einfach so, dass wir zur Arbeit gingen, auf die KI-Taste drückten und dann alle nach Hause gingen“, sagte Jumper bei einer Pressekonferenz bei DeepMind am 9. Oktober. „Es war wirklich ein iterativer Prozess, bei dem wir entwickelten, Forschung betrieben und versuchten, die richtigen Kombinationen zwischen dem, was die Gemeinschaft über Proteine verstand, und wie wir diese Intuitionen in unsere Architektur einbauen konnten, zu finden.“

AlphaFold wäre auch nicht möglich gewesen, wenn es nicht die Protein-Datenbank gegeben hätte, ein frei zugängliches Repository von mehr als 200.000 Proteinstrukturen – einschließlich einiger, die zu früheren Nobelpreisen beigetragen haben – die mittels Röntgenkristallographie, Kryo-Elektronenmikroskopie und anderen experimentellen Methoden bestimmt wurden. „Jeder Datenpunkt ist das Resultat jahrelanger Anstrengungen von jemandem“, sagte Jumper.

Seit ihrer Gründung im Jahr 1901 waren die Nobelpreise oft eine Reflexion des Einflusses von Forschung auf die Gesellschaft und haben praktische Erfindungen belohnt, nicht nur reine Wissenschaft. In dieser Hinsicht sind die Preise 2024 keine Ausreißer, sagt Ananthaswamy. „Manchmal werden sie für sehr gute Ingenieurprojekte verliehen. Dazu gehören die Preise für Laser und PCR.”