Вплив штучного інтелекту: чому "Нобеля" з фізики та хімії дали психологам і математикам
Цьогорічний нобелівський сезон не обійшовся без скандалу. Лауреати у двох номінаціях отримали світове визнання завдяки штучному інтелекту.
Цьогоріч Нобелівську премію з хімії присудили трьом науковцям: Девіду Бейкеру за комп’ютерний дизайн білків, а також Демісу Гассабісу та Джону Джамперу – за прорив у передбаченні їхньої структури. Лауреатами Нобелівської премії з фізики стали Джон Хопфілд та Джеффрі Гінтон за фундаментальні відкриття, що зробили можливим машинне навчання на основі штучних нейронних мереж.
Нагороди в обох дисциплінах об’єднує спільний знаменник: центральну роль у відкриттях відіграв штучний інтелект (ШІ). Однак попри визнання ШІ на найвищому науковому рівні цьогорічний вибір Шведської королівської академії наук викликав низку запитань.
Зокрема, Гінтон з Університету Торонто спочатку займався експериментальною психологією, перш ніж зосередитися на штучному інтелекті, а Гассабіс та Джампер, які працюють у Google DeepMind над проєктом AlphaFold2, є математиками, а не хіміками чи біологами.
Ба більше, деякі фізики висловили сумнів у доцільності присудження премії Хопфілду та Гінтону саме в галузі фізики, оскільки їх досягнення більше стосуються інформатики. Таке рішення породило думку, що Нобелівський комітет під час визначення переможців у галузі фізики піддався впливу популярності ШІ.
Попри ці суперечки, визнання значного внеску штучного інтелекту комітетом могло відкрити шлях майбутньому нагородженню вчених за наукові відкриття, у яких ШІ стане невід’ємною частиною.
Машинне навчання та прогнозування білкової структури
Лауреати з фізики Гінтон та Гопфілд ще у 1980-х роках створили фундамент для сфери, яку зараз називають машинним навчанням. Це напрямок штучного інтелекту з алгоритмів та правил, які використовуються для виконання певних обчислювальних завдань.
"Штучний інтелект – це загальне поняття, у яке входить машинне навчання, а його частиною є глибоке навчання, що використовує математичні моделі штучних нейронних мереж. Зокрема, трансформери, на яких базуються всі генеративні ШІ, є однією з архітектур нейронних мереж", – пояснює співзасновник і CEO DevRain Олександр Краковецький.
Гопфілд та Гінтон зробили значний внесок у розвиток штучних нейронних мереж, використовуючи принципи квантової та статистичної фізики. Учені створили спеціальні математичні моделі, які імітують роботу мозку. Ці моделі називаються штучними нейронними мережами. Вони складаються з багатьох маленьких елементів, які працюють разом, як нейрони в мозку.
Гопфілд розробив мережу, яка працює як асоціативна пам’ять, здатна відновлювати інформацію навіть з неповних чи спотворених даних. Мережа ґрунтується на взаємодії вузлів, які зберігають інформацію, шукаючи зв’язки з найменшою енергією.
Гінтон створив нейромережу на основі машини Больцмана, яка вчиться на прикладах і здатна класифікувати чи генерувати зображення. Його відкриття сприяло розвитку великих нейронних мереж, що нині широко застосовуються в науці й технологіях.
Цьогорічні лауреати премії з хімії розділили нагороду за досягнення в прогнозуванні та дизайні білків, що відкриває нові горизонти в біології та медицині.
Один з них, Девід Бейкер, у 1998 році взяв участь у змаганні біоінформатиків CASP, де вчені намагалися якомога точніше і швидше передбачити структуру білка на основі його послідовності. Мета змагань – зрозуміти, як складні білкові молекули формуються з "цеглинок" – амінокислот. Цей процес можна порівняти із складанням пазла без наявної картинки.
Тоді Бейкер вирішив діяти нестандартно. Замість припущень, як має виглядати кінцевий результат, він почав з готової "картинки" і підбирав до неї відповідні деталі. У 2003 році цей підхід дозволив створювати абсолютно нові білки, яких не було в природі. Це призвело до появи нової галузі в біоінформатиці – дизайну білків.
Інші лауреати "Нобеля" з хімії, Гассабіс та Джампер з Google DeepMind, розробили AlphaFold2 – ШІ, який кардинально змінив підхід до передбачення структури білків.
AlphaFold2 нараз має базу даних з понад 200 млн передбачень структури білків, точність яких наближається до 90%. ШІ значно прискорив цей процес і знайшов широке застосування в медицині та науці. Зокрема, у дослідженнях стійкості мікробів до антибіотиків та візуалізації ферментів, що розщеплюють пластик.
Чому Нобелівську премію з фізики дали за штучний інтелект
Присудження премії з фізики Гінтону та Гопфілду за роботу над машинним навчанням викликало дискусію серед науковців. Зокрема, рішення Нобелівського комітету критикують за те, що дослідження не відповідає критеріям премії. Крім того, науковий досвід лауреатів не надто відповідає категоріям, у яких вони здобули перемогу. Так, Хінтон не займався фізикою – він вивчав експериментальну психологію.
"У мене немає слів. Попри мою прихильність до машинного навчання і штучних нейронних мереж, важко визнати це відкриттям у сфері фізики. Схоже, Нобелівською премією заволоділа хвиля захоплення ШІ", – написав у X астрофізик з Імперського коледжу Лондона Джонатан Прітчард.
На думку фізика-теоретика Сабіни Хоссенфельдер, яка працює в Мюнхенському центрі математичної філософії, дослідження науковців скоріше належить до галузі інформатики, ніж до фізики.
"Нобелівська премія – це рідкісна можливість для фізики і фізиків бути в центрі уваги. Це той день, коли друзі та рідні згадують, що знають фізика, і, можливо, звертаються до нього чи неї із запитанням про те, за що цього року присудили премію. Проте не цього разу", – наголошує Хоссенфельдер.
Як випливає з аргументів Нобелівського комітету, глибокі знання лауреатів у фізиці, зокрема щодо того, як поводяться маленькі частинки всередині матеріалів (наприклад, атоми), допомогли вченим у створенні штучних нейронних мереж. Проте якщо давати премію з фізики за все, що пов'язано з матеріалами і процесами в них, то майже всі відкриття можна віднести до фізики, адже все навколо складається з атомів.
З одного боку, відкриття цьогорічних лауреатів – це прорив у науці, а з іншого – важко визначити, до якої галузі знань воно більше належить.
ШІ – це, перш за все, комп’ютерні науки. Оскільки з очевидних причин не існує Нобелівської премії з комп'ютерних наук чи інформатики, галузь фізики стала безальтернативною для науковців, які працюють у цій царині. Це підводить до риторичного запитання: наскільки сучасна популярність ШІ вплинула на цьогорічне рішення Нобелівського комітету?
Проте не всі науковці скептично налаштовані щодо лауреатів цьогорічної премії з фізики. "Дослідження Гопфілда та Гінтона були міждисциплінарними, оскільки поєднували фізику, математику, інформатику та нейронауку. У цьому сенсі їх робота стосується всіх цих галузей", – зазначає фізик-теоретик з Гарвардського університету Метт Страсслер.
ШІ тепер частина науки
Найчастіше Нобелівську премію дають за відкриття, які давно відбулися. Одним з головних її критеріїв є суттєвий вплив результатів дослідження на певну сферу, а їх можна оцінити лише з плином часу. Цьогорічні лауреати "Нобеля" з фізики, чиїм працям близько 40 років, лише підтверджують це правило.
Хоча після появи ChatGPT ШІ став ще однієї сферою, у якій домінують технологічні гіганти, структурні зміни у сфері штучного інтелекту почалися задовго до цього. За даними Стенфордського університету, у 2014 році рушієм ШІ було академічне середовище. Тоді академічна сфера мала лише три моделі машинного навчання, а у 2022 році бізнес створив 32 моделі.
Лауреати "Нобеля" з хімії 2024 року – приклад важливості взаємодії та обміну даними між науковими дослідженнями та бізнесом у розвитку ШІ. Для створення сучасних ШІ-моделей використовували принципи нейронауки, фізики та біології. Дані, отримані біологами, допомогли розробити програмне забезпечення AlphaFold, яке спрощує визначення структури білків.
Професорка молекулярної біофізики в Королівському коледжі Лондона Рівка Айзексон зазначає, що традиційні методи розгадки білкових структур трудомісткі, але ці дані стали основою для навчання AlphaFold. Вона додає, що технологія ШІ дозволила вченим зробити крок уперед у глибших дослідженнях функції та динаміки білка, ставлячи різні запитання та потенційно відкриваючи нові сфери досліджень.
Загалом використання ШІ в наукових дослідженнях, таких як збір інформації чи аналіз даних, може значно пришвидшити процес появи нових наукових відкриттів. "Зараз за допомогою генеративного ШІ я б написав свою кандидатську дисертацію за два місяці", – каже Краковецький з DevRain, підкреслюючи, наскільки ШІ може заощадити час у найбільш ресурсомістких процесах.
На його думку, ШІ концептуально здатен генерувати нові знання так само, як людина. Ба більше, на відміну від людини, ШІ не обмежений упередженнями чи глибиною своїх знань. Навіть якщо зараз розробники не можуть отримати нові знання від генеративних моделей через певні обмеження, то це лише питання часу.
Одним з таких обмежень є якість даних, на яких навчається ШІ. "Будь-яка модель залежить від якості даних. Якщо навчати генеративний ШІ на всіх доступних даних, включно з російською пропагандою чи конспірологічними теоріями, то модель може видавати помилкові результати. Якщо ж навчання базується на ретельно відібраній інформації, то відповіді ШІ будуть точнішими", – пояснює Краковецький.