Är hypen berättigad? Varför alla ögon är på AI

Nobelpriset i AI

The listan över Nobelpristagare 2024 har gett AI mycket uppmärksamhet. Först var det Nobelpriset i fysik, som belönade den grundläggande fysikinspirerade teorin och den tidiga prototypen för konstruktionen av neurala nätverk, grunden för det mesta av dagens AI-teknik. Vi diskuterade i detalj hur dessa tidiga neurala nätverk fungerade i “Investing in Nobel Prize Achievements—Artificial Neural Networks, The Basis Of AI.”

Ett annat Nobelpris, den här gången i kemi, skulle tilldelas beräkningsfokuserad forskning. Mer exakt gick det hälften till David Baker “för beräkningsbaserad proteindesign”, och den andra hälften gemensamt till Googles AlphaFold-nyckelforskare, Demis Hassabis och John M. Jumper, “för förutsägelse av proteinstruktur”.

Så det är ingen överdrift att säga att 2024 var AI:s Nobelprism år, med två av tre Nobelpris i de “hårda vetenskaperna” (fysik, kemi, medicin/biologi) som gick till AI-relaterade projekt.

Detta berömdes naturligtvis av forskare inom området och av personer som är entusiastiska över framtiden för AI-driven forskning. Men det väckte också några höjda ögonbryn bland forskare, särskilt fysiker, som ser databehandling och AI som inte “verklig fysik”.

Vad bör Nobelpriset belöna?

Detta är en del av en större och äldre debatt om vad som utgör “ren” vetenskap som förtjänar ett Nobelpris. Vissa kommer att säga att endast teoretiska framsteg och verkliga intellektuella genombrott är värda det mest prestigefyllda internationella vetenskapspriset.

Jag är mållös. Jag gillar ML och ANN lika mycket som nästa person, men det är svårt att se att detta är ett fysikupptäckt. Gissar att Nobelpriset drabbades av AI-hypen.

Jonathan Pritchard – Astrofysiker vid Imperial College London

Andra kommer att säga att vetenskaper också bör belönas för sin påverkan på den verkliga världen, särskilt när det gäller Nobelpriset, vars grundare, Mr. Alfred Nobel avsåg att ge ett pris “till dem som under det föregående året har givit den största nyttan för mänskligheten” inom fysik, kemi, fysiologi eller medicin, litteratur och fred.

I det sammanhanget kan man argumentera för att neurala nätverk faktiskt har bidragit stort till mänsklighetens nytta, sannolikt kommer att fortsätta göra det ännu mer i framtiden, och därför är värda årets Nobelpris.

Är databehandling fysik?

När det gäller Nobelpriset i fysik 2024 specifikt, var metoden som utvecklades för att skapa neurala nätverk djupt rotad i fysik. Mer specifikt hämtade den kraftigt från statistisk fysik, ett område som beskriver system med många element som gaser eller vätskor.

Den tog också inspiration från observationen att kollektiva egenskaper i många fysiska system är robusta mot förändringar i modellens detaljer. Speciellt magnetiska material får sina speciella egenskaper tack vare deras atomspinn – en egenskap som gör varje atom till en liten magnet.

Sammanfattningsvis, modellerna som belönades av Nobelpriset, Boltzmannmaskinen uppfunnen av Hinton och Hopfield-nätverket, “är båda energibaserade modeller” som inte skiljer sig mycket från den matematiska beskrivning som används för att förstå fysiken i verkliga material.

Ändå kände vissa “verkliga” fysiker viss besvikelse över idén att databehandling tar rampljuset från fysik, kanske mer om hur lite samhället ger respekt och uppmärksamhet till detta område än om själva årets Nobelpris.

“Det faller inom datavetenskapens område. Det årliga Nobelpriset är ett sällsynt tillfälle för fysik — och fysiker med den — att kliva in i rampljuset.

Det är dagen då vänner och familj kommer ihåg att de känner en fysiker och kanske går och frågar honom eller henne vad detta senaste Nobel handlar om. Men inte i år.

Sabine Hossenfelder – fysiker vid Munich Center for Mathematical Philosophy i Tyskland

Fysik återvänder till AI

Nobelprisbetygandet tar också hänsyn till en växande utveckling inom databehandling att återgå till fysikbaserade metoder för att förbättra maskininlärning, neurala nätverk och AI.

“Vi behöver det sätt att tänka som vi har inom fysik för att studera maskininlärning.”

Lenka Zdeborová – statistisk fysiker vid Swiss Federal Institute of Technology i Lausanne.

Det tidiga arbetet med neurala nätverk var verkligen tvärvetenskapligt, tog även inspiration från de senaste framstegen i vår förståelse av hur biologiska neuroner fungerar, och förenade matematik, fysik, datavetenskap och neurobiologi.

“Jag tror att Nobelpriset i fysik bör fortsätta spridas till fler områden av fysikkunskap. Fysiken blir bredare och bredare, och den innehåller många kunskapsområden som inte fanns tidigare, eller som inte var en del av fysiken.”

Giorgio Parisi – fysiker vid Sapienza University of Rome, som delade Nobelpriset i fysik 2021.

Så även om det kanske är lite överraskande, och till besvikelse för de mest puristiska fysikerna, är tilldelningen av Nobelpriset till John Hopfield och Geoffrey Hinton inte så långt från fysik och “hårda vetenskaper” som det kan verka vid första anblicken.

Lägger man till förolämpning på såren?

Kanske hade reaktionen från vissa medlemmar av den vetenskapliga gemenskapen varit mer måttlig om Nobelpriset i kemi inte också hade varit beräkningsfokuserat.

Här är debatten mer fokuserad på AI:s verkliga bidrag till fältet, och ger viss kredit till kritiken “Gissa att Nobelpriset drabbades av AI-hypen”.

Detta beror på att neurala nätverk som AlphaFold, som förutsäger proteiners 3D-konfiguration, byggdes på en massiv datatillgång som samlats under årtionden av praktiska experiment. Detta inkluderar särskilt Protein Data Bank, ett fritt tillgängligt arkiv med mer än 200 000 proteinstrukturer.

Dessa strukturer bestämdes experimentellt av tusentals forskare under årtionden, med avancerade metoder (ofta själva Nobelprisvinnande upptäckter) som röntgendiffraktion, kryoelektronmikroskopi, etc.

“Jag tror inte att AlphaFold innebär någon radikal förändring i den underliggande vetenskapen som inte redan fanns.

Det är bara hur det sattes ihop och konceptualiserades på ett så sömlöst sätt som gjorde det möjligt för AlphaFold att nå dessa höjder.

David Jones – bioinformatiker vid University College London, som samarbetade med DeepMind på den första versionen av AlphaFold

Hur genomslag har AlphaFold?

Att kritisera AlphaFold som “endast bygger på tidigare forskning” kan kanske ses som lite felaktigt. Trots allt är det ett mycket vanligt mönster att en Nobelprisvinnande upptäckt ofta bygger på 3–4 andra tidigare Nobelprisvinnande upptäckter.

Viktigare är att avgöra om AlphaFold är ett verkligt genombrott, som gör det tidigare omöjliga plötsligt uppnåeligt.

Vi diskuterade tidigare ett vetenskapligt papper som undersöker om AlphaFold kan upptäcka nya molekyler och mediciner, istället för att bara förfina redan kända data.

Och det verkar vara fallet:

Forskare fastställde att andelen föreningar som påverkade proteinaktiviteten för varje av modellerna var omkring 50 % respektive 20 % för sigma‑2‑receptorn och 5‑HT2A‑receptorerna. Ett resultat över 5 % är exceptionellt.

Med tanke på att läkemedelsupptäckt är mycket som att manuellt leta efter en nål i en höstack, är en 50 % framgångsfrekvens för att “gissa” var nålen är redan på första försöket verkligen exceptionell.

Så även här kanske årets Nobelpris i kemi inte passar in när det gäller “ren” vetenskap och framsteg i grundläggande förståelse. Men det verkar stämma väl överens med Nobelprisets mål: “att ge ett pris till dem som under det föregående året har givit den största nyttan för mänskligheten”.

Avsluta kontroversen

Vi kan hålla med om att när AI blir ett nyckelverktyg i de flesta vetenskapliga discipliner, bör vi inte se varje Nobelpris som främst belönar AI i framtiden. På samma sätt belönar vi inte regelbundet “grundläggande” databehandling (eller, för den delen, kemi eller metallurgi) eftersom forskare använder datorer (och kemikalier och metaller) dagligen.

Det verkar dock som att reaktionen mot årets Nobelprisstilldelning var lite överdriven, kanske som en illustration av forskarnas frustration över att se så mycket medieuppmärksamhet sugs upp av AI, trots imponerande vetenskapliga framsteg i de flesta fält.

Vad kan AI verkligen göra?

I vilket fall som helst är AI sannolikt en verkligt transformerande teknik, och en sann milstolpe i mänsklighetens historia på liknande sätt som tidigare teknologier som ångmaskinen, telegrafen, förbränningsmotorn eller de första datorerna.

Här är en kort lista över AI:s potentiella tillämpningar:

• Läkemedelsupptäckt & biologisk dataanalys.
• Diagnostik & automatiserad medicinsk behandling, inklusive kirurgi.
• Robotik, från hushållsassistenter till automatiserad produktion.
• Självkörande bilar & logistik.
• Personligt lärande & kunskapsspridning.
• Nya material upptäcks inom energi, materialvetenskap, nanoteknik, etc.
• Nya beräkningsmetoder, inklusive fotonik, kvantdatorer, etc.
• Rymdforskning, från automatiserade utomjordiska kolonier till asteroidbrytning.

I det sammanhanget är ”hypen” kring AI helt berättigad.

Men precis som med de flesta nya viktiga teknologier kan processen att omvandla den initiala innovationen till praktiska användningsfall ta lite längre tid än förväntat, till exempel datorer på 1970-talet, årtionden före internets revolution och ännu mer före AI, samtidigt som de sannolikt får en mycket större påverkan än någon kunnat förvänta sig.