Er hypen berettiget? Hvorfor er alle øjne på AI

AI og Nobelpriserne i 2024

Nobelpriserne i 2024 satte fokus på kunstig intelligens. John Hopfield og Geoffrey Hinton modtog fysikprisen for grundlæggende opdagelser og opfindelser, der muliggør maskinlæring med kunstige neurale netværk. Deres arbejde bygger blandt andet på idéer fra statistisk fysik. Vi har tidligere beskrevet de tidlige netværk i “Nobelprisbelønnede fremskridt: kunstige neurale netværk som grundlag for AI”.

Også kemiprisen anerkendte beregningsbaseret forskning. David Baker modtog halvdelen for beregningsbaseret proteindesign. Den anden halvdel gik til Demis Hassabis og John Jumper for forudsigelse af proteiners struktur med AlphaFold.

AI-relateret forskning spillede dermed en fremtrædende rolle i både fysik- og kemiprisen. Der findes dog ikke en særskilt Nobelpris i AI, og Bakers proteindesign og AlphaFolds strukturforudsigelser er forskellige bidrag.

Priserne blev mødt med begejstring blandt mange forskere, men førte også til debat om, hvorvidt datalogi og AI hører hjemme under fysikprisen.

Hvad bør Nobelpriser belønne?

Debatten handler om, hvad videnskabelige priser bør anerkende. Nogle lægger størst vægt på nye teorier og grundlæggende erkendelse, mens andre også fremhæver metoders praktiske betydning. Grænserne mellem fagområder gør spørgsmålet vanskeligt.

Astrofysikeren Jonathan Pritchard fra Imperial College London udtrykte skepsis over for at klassificere arbejdet som en fysikopdagelse og spurgte, om begejstringen for AI havde påvirket valget.

Et andet synspunkt er, at videnskab også bør vurderes efter sit bidrag til samfundet. I Alfred Nobels testamente beskrev han priser til dem, der havde gjort “menneskeheden den største nytte”. Det omfattede fysik, kemi, fysiologi eller medicin, litteratur og fred. Set fra dette perspektiv kan neurale netværks brede anvendelser være et argument for at anerkende deres grundlæggende udvikling.

Er beregning fysik?

Fysikprisen i 2024 havde en konkret forbindelse til fysikken. Hopfield og Hinton anvendte begreber fra statistisk fysik til at beskrive netværk med mange indbyrdes forbundne elementer.

Hopfields model hentede blandt andet inspiration fra magnetiske systemer. Et netværks kollektive tilstand kan beskrives matematisk med en energifunktion, selv om netværket ikke er en fysisk magnet.

Både Hopfield-netværket og Boltzmann-maskinen anvender energibaserede beskrivelser. Forbindelsen til statistisk fysik er derfor mere end en løs analogi, selv om modellerne også hører til datalogi og maskinlæring.

Uenigheden afspejler forskellige opfattelser af faggrænser og af, hvilken forskning en fysikpris bør sætte i centrum. Den behøver ikke at være et udtryk for modstand mod AI som forskningsredskab.

Fysikeren Sabine Hossenfelder fremhævede, at hun opfattede arbejdet som datalogi.

Hun påpegede også, at den årlige pris er en sjælden anledning til at rette offentlighedens opmærksomhed mod fysik.

Hendes kritik vedrørte dermed både faglig placering og fysikkens synlighed.

Fysikkens bidrag til AI

Fysiske begreber bruges fortsat til at undersøge, hvordan maskinlæringsmodeller lærer og generaliserer. Dette er en bredere forskningstendens; prisbegrundelsen var de konkrete grundlæggende bidrag fra de to modtagere.

Den statistiske fysiker Lenka Zdeborová fra École polytechnique fédérale de Lausanne har fremhævet værdien af fysikkens måde at undersøge maskinlæring på.

De tidlige neurale netværk var tværfaglige. Matematik, fysik, datalogi og idéer fra neurobiologi bidrog til deres udvikling, uden at modellerne dermed gengiver alle egenskaber ved biologiske neuroner.

Fysikeren Giorgio Parisi fra Sapienza Università di Roma har argumenteret for, at fysikprisen kan favne flere områder, efterhånden som faget udvikler sig. Han delte Nobelprisen i fysik i 2021.

Tildelingen til Hopfield og Hinton kan derfor forstås som anerkendelse af en forbindelse mellem fysik og datalogi. Om dette er den bedste afgrænsning af prisen, er fortsat et spørgsmål om vurdering.

Også kemiprisen skabte debat

At kemiprisen samtidig gik til beregningsbaseret forskning, gjorde diskussionen om AI og faggrænser endnu mere synlig.

Her handlede et centralt spørgsmål om forholdet mellem nye beregningsmetoder og de mange års eksperimentelle arbejde, som metoderne bygger på.

AlphaFold er trænet og vurderet ved hjælp af store mængder tidligere forskning. Protein Data Bank indeholdt i 2024 mere end 200.000 eksperimentelt bestemte strukturer af biologiske makromolekyler. Antallet af poster er ikke det samme som antallet af forskellige proteiner.

Tusindvis af forskere har bidraget til denne viden med metoder som røntgenkrystallografi og kryo-elektronmikroskopi. Forudsigelser erstatter ikke behovet for eksperimenter i alle anvendelser.

Bioinformatikeren David Jones fra University College London, som samarbejdede med DeepMind om den første AlphaFold-version, fremhævede betydningen af eksisterende videnskabelige idéer.

Hans pointe var, at AlphaFolds styrke også ligger i måden, hvorpå flere bidrag blev samlet til en effektiv metode.

Det understreger sammenhængen mellem et nyt værktøj og den forskning, der gjorde det muligt.

Hvor indflydelsesrig er AlphaFold?

At AlphaFold bygger på tidligere arbejde, gør ikke i sig selv fremskridtet mindre betydningsfuldt. Videnskabelige gennembrud opstår ofte ved at kombinere eksisterende metoder og data på en ny måde.

Et relevant spørgsmål er derfor, om modellerne gør nyttige undersøgelser mulige eller væsentligt lettere.

Vi har tidligere omtalt forskning, der undersøger, om AlphaFold-strukturer kan bruges til at finde nye forbindelser med biologisk aktivitet.

Resultaterne viser lovende muligheder, men kræver en præcis fortolkning:

I den omtalte screening af udvalgte forbindelser var omtrent halvdelen aktive ved sigma-2-receptoren og omtrent en femtedel ved 5-HT2A-receptoren. Det er forsøgsbestemte træfrater blandt udvalgte og testede kandidater, ikke sandsynligheden for, at et vilkårligt molekyle bliver et godkendt lægemiddel.

Strukturbaseret screening kan hjælpe forskere med at prioritere molekyler til forsøg. En aktiv forbindelse skal stadig undersøges for blandt andet virkning, selektivitet, sikkerhed og egnethed som lægemiddel. Resultaterne støtter metodens forskningsværdi, men er ikke en 50% succesrate for færdig medicin. I den forstand kan arbejdet også vurderes i lyset af Nobels mål om “at gøre menneskeheden den største nytte”.

En debat om faggrænser og betydning

Efterhånden som AI bliver et almindeligt forskningsredskab, bør man skelne mellem udviklingen af selve metoden og forskning, der blot anvender den. Diskussionen om 2024-priserne illustrerer både metodernes gennemslagskraft og uenigheden om, hvordan videnskabelig anerkendelse bør fordeles.

Hvad kan AI virkelig gøre?

AI kan få stor betydning på tværs af fagområder og kan vise sig at blive en vigtig milepæl på linje med tidligere teknologiske omvæltninger. Omfanget og tempoet er dog usikkert. Blandt de mulige og igangværende anvendelser er:

• Lægemiddelforskning og biologisk dataanalyse.
• Støtte til diagnostik, behandlingsplanlægning og visse kirurgiske systemer under relevante krav til sikkerhed og godkendelse.
• Robotik, fra husholdningsassistenter til automatiseret produktion.
• Selvkørende biler og logistik.
• Tilpasset undervisning og formidling af viden.
• Søgning efter nye materialer til blandt andet energi og nanoteknologi.
• Udvikling og styring af beregningssystemer, herunder forskning i fotonik og kvanteteknologi.
• Rumforskning og autonome systemer til missioner; kolonier og minedrift på asteroider er mere langsigtede muligheder.

Disse muligheder forklarer den store interesse for AI. De betyder ikke, at alle løfter eller alle anvendelser er lige veldokumenterede.

Vejen fra et lovende forskningsresultat til stabil, økonomisk og sikker anvendelse kan være lang. Som med tidligere teknologier vil AI formentlig udvikle sig ujævnt: nogle anvendelser vil hurtigt blive nyttige, mens andre vil kræve mere forskning og afprøvning.