Er KI-hypen berettiget? Nobelprisene i 2024 og debatten om kunstig intelligens

Nobelpriser og kunstig intelligens

Nobelprisene i 2024 rettet stor oppmerksomhet mot kunstig intelligens. Fysikkprisen gikk til John Hopfield og Geoffrey Hinton for grunnleggende oppdagelser og oppfinnelser som muliggjør maskinlæring med kunstige nevrale nettverk. Vi har tidligere omtalt disse ideene i «Nobelprisbelønnet forskning: kunstige nevrale nettverk som grunnlag for KI».

Kjemiprisen gikk med én halvdel til David Baker for beregningsbasert proteindesign og den andre halvparten til Demis Hassabis og John Jumper for prediksjon av proteinstrukturer, blant annet gjennom AlphaFold2.

KI-relaterte metoder fikk dermed en fremtredende plass i to av de tre naturvitenskapelige priskategoriene: fysikk, kjemi og fysiologi eller medisin. Prisene ble gitt til forskere for bestemte bidrag, ikke til KI som teknologi eller til kommersielle produkter.

Tildelingene ble hilst velkommen av mange forskere, men skapte også debatt om faggrenser og om hva fysikkprisen bør anerkjenne.

Hva bør Nobelprisene belønne?

Debatten berører et eldre spørsmål: Bør en pris først og fremst belønne grunnleggende teori, eller kan nye metoder og praktisk betydning være like viktige? Ulike forskere vurderer dette forskjellig.

Astrofysikeren Jonathan Pritchard ved Imperial College London uttrykte skepsis til om arbeidet var en fysikkoppdagelse, selv om han verdsatte maskinlæring. Han mente tildelingen kunne være påvirket av oppmerksomheten rundt KI. Dette er en sammenfatning av hans synspunkt.

Andre legger større vekt på forskningens nytte for samfunnet. Alfred Nobel beskrev i testamentet et ønske om å belønnedem som hadde gjort menneskeheten størst nytte. Testamentet nevner fysikk, kjemi, fysiologi eller medisin, litteratur og fred. I denne sammenhengen kan nevrale nettverks betydning for forskning og teknologi være et argument for tildelingen, selv om vurderingen av fagtilhørighet fortsatt diskuteres.

Hva er forbindelsen mellom databehandling og fysikk?

Metodene som ble belønnet med fysikkprisen i 2024, har tydelige forbindelser til statistisk fysikk. Dette fagområdet beskriver blant annet hvordan mange samvirkende bestanddeler gir opphav til kollektive egenskaper.

Magnetiske materialer ga inspirasjon til modeller av nevrale nettverk. Atomære spinn og deres vekselvirkninger kan brukes som matematisk utgangspunkt, uten at et kunstig nevralt nettverk dermed er identisk med et fysisk materiale.

Hopfield-nettverket og Boltzmann-maskinen kan beskrives ved hjelp av energifunksjoner. Hinton utviklet Boltzmann-maskinen sammen med Terrence Sejnowski, med ideer fra blant annet statistisk fysikk. Begrepet energi er her en del av modellbeskrivelsen.

Noen fysikere mente likevel at prisen flyttet oppmerksomheten fra andre deler av fysikken. Kritikken handler både om faggrenser og om hvilken forskning offentligheten får se.

Fysikeren Sabine Hossenfelder argumenterte for at arbeidet hørte hjemme i informatikk, og at Nobelprisen er en sjelden anledning for fysikken til å få bred oppmerksomhet.

Hun mente derfor at tildelingen gikk på bekostning av denne muligheten. Dette er en sammenfatning av hennes vurdering, ikke en objektiv konklusjon om fagets grenser.

– Sabine Hossenfelder, fysiker tilknyttet Munich Center for Mathematical Philosophy på tidspunktet for den omtalte kommentaren

Fysikkens rolle i KI-forskningen

Fysikkbaserte ideer brukes fortsatt til å forstå og utvikle maskinlæring. Dette er en relevant faglig forbindelse, men den innebærer ikke at alle fremskritt innen KI automatisk er fysikkfunn.

Statistisk fysiker Lenka Zdeborová ved EPFL har fremhevet verdien av fysikkens tenkemåter for å studere maskinlæring. Dette er en sammenfatning av poenget hennes.

Tidlig forskning på nevrale nettverk var tverrfaglig. Den kombinerte inspirasjon fra biologiske nerveceller med matematikk, fysikk og informatikk.

Giorgio Parisi, fysiker ved Sapienza-universitetet i Roma, argumenterte for at fysikkens kunnskapsområder kan utvides. Han delte Nobelprisen i fysikk i 2021.

Hopfields og Hintons arbeid har derfor en forbindelse til fysikken som er mer konkret enn at datamaskiner bare ble brukt som verktøy. Hvor priskategorienes grenser bør gå, er likevel et åpent diskusjonstema.

Kjemiprisen utvidet debatten

Kjemiprisens vekt på beregningsmetoder ga ytterligere oppmerksomhet til spørsmålet om hva som utgjør et prisverdig gjennombrudd.

Her handlet diskusjonen blant annet om forholdet mellom nye modeller og eksperimentelle data som forskere har samlet gjennom flere tiår.

AlphaFold2 ble utviklet med grunnlag i omfattende biologiske data og eksperimentelt bestemte strukturer, blant annet fra Protein Data Bank. Databasen omfatter makromolekylære strukturer, ikke bare proteiner.

Slike strukturer er bestemt av mange forskere ved hjelp av blant annet røntgenkrystallografi og kryoelektronmikroskopi. KI-modellen bygger på dette arbeidet, og eksperimentelle metoder er fortsatt nødvendige.

Bioinformatikeren David Jones ved University College London, som bidro til den første versjonen av AlphaFold, mente at gjennombruddet ikke nødvendigvis var en helt ny underliggende vitenskapelig idé.

Han fremhevet i stedet hvordan eksisterende ideer og metoder ble satt sammen på en svært effektiv måte. Dette er en sammenfatning av hans vurdering.

– David Jones, bioinformatiker ved University College London

Hvor stor betydning har AlphaFold?

At forskning bygger på tidligere oppdagelser, utelukker ikke at den kan være et gjennombrudd. Det sentrale spørsmålet er hvilke nye muligheter metoden faktisk åpner.

AlphaFold2 har gjort predikerte proteinstrukturer langt mer tilgjengelige. Prediksjonene er likevel ikke eksperimentelle fasitsvar og må vurderes ut fra bruksområdet.

Vi har tidligere omtalt en studie som undersøkte om AlphaFold2-strukturer kunne brukes som grunnlag for å finne nye molekyler som binder seg til proteiner.

Studien viste lovende resultater i utvalgte målproteiner:

Forskerne kombinerte predikerte proteinstrukturer med separat molekylær docking og laboratorietesting. Blant utvalgte forbindelser var treffratene omtrent 50 prosent for sigma-2-reseptoren og rundt 20 prosent for 5-HT2A-reseptoren. Tallene gjelder de utvalgte testsettene, ikke alle molekylene i de store virtuelle bibliotekene.

Slike treff kan være nyttige utgangspunkter for videre legemiddelforskning. De betyr ikke 50 prosent sannsynlighet for å finne et godkjent legemiddel på første forsøk. Sikkerhet, selektivitet og klinisk effekt må undersøkes videre.

Resultatene illustrerer likevel hvordan beregningsverktøy kan bidra til målet omå belønne forskning som er til nytte for menneskeheten.

En debatt uten et enkelt sluttpunkt

At KI brukes i et forskningsprosjekt, gjør ikke KI-metoden til prosjektets viktigste oppdagelse. Samtidig kan utviklingen av selve metoden være et selvstendig vitenskapelig bidrag.

Tildelingene i 2024 viser at grensen mellom fag kan være flytende. Uenigheten bør forstås som en diskusjon om bidrag, kategorier og forskningsprioriteringer, ikke som bevis for at all interesse for KI er berettiget eller ubegrunnet.

Hva kan KI bidra med?

KI kan få stor betydning på mange områder. Sammenligninger med tidligere teknologiske omveltninger, som dampmaskinen, telegrafen og de første datamaskinene, er likevel vurderinger av potensial, ikke sikre prognoser. Mulige bruksområder omfatter:

• Legemiddelforskning og biologisk dataanalyse.
• Beslutningsstøtte i diagnostikk og behandling, samt enkelte oppgaver i robotassistert kirurgi.
• Robotikk, fra husholdningsassistenter til automatisert produksjon.
• Selvkjørende biler og logistikk.
• Personlig tilpasset læring og kunnskapsformidling.
• Søk etter nye materialer til blant annet energi og nanoteknologi.
• Utvikling og optimalisering av nye beregningsmetoder og maskinvare.
• Planlegging og autonome oppgaver i romforskning; kolonier og asteroidegruvedrift er mer langsiktige muligheter.

Disse mulighetene forklarer interessen for KI, men hver påstand om effekt må vurderes særskilt.

Veien fra forskning til praktisk bruk kan være lang. Kostnader, sikkerhet, pålitelighet og regulering påvirker hva som lykkes. Nobelprisene i 2024 anerkjente konkrete vitenskapelige bidrag; de garanterer verken gjennombrudd i alle disse anvendelsene eller økonomisk avkastning fra KI-investeringer.