Колаж: Андрій КалістратенкоВплив штучного інтелекту: чому “Нобеля” з фізики і хімії дали психологам і математикам
Цьогорічний нобелівський сезон не обійшовся без скандалу. Лауреати у двох номінаціях отримали світове визнання завдяки штучному інтелекту.
Цьогоріч Нобелівської премії 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 і Джеффрі Гінтон за фундаментальні відкриття, що зробили можливим машинне навчання на основі штучних нейронних мереж.
Нагороди в обох цих 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 і Джампер, які працюють у Google DeepMind над проєктом AlphaFold2, є математиками, а не хіміками чи біологами.
Ба більше, деякі фізики висловили сумніви щодо доцільності присудження премії Хопфілду та Гінтону саме в галузі фізики, оскільки їхні досягнення більше стосуються інформатики. Таке рішення породило думки, що Нобелівський комітет піддався впливу шаленої популярності ШІ під час визначення переможців у галузі фізики.
Реклама:
Попри ці суперечки, визнання значного внеску штучного інтелекту комітетом могло відкрити шлях для майбутнього нагородження наукових відкриттів, у яких ШІ стане невід’ємною частиною.
Машинне навчання та прогнозування білкової структури
Лауреати з фізики Гінтон та Гопфілд ще у 80-х роках минулого століття створили фундамент для сфери, яку сьогодні називають машинним навчанням. Це напрямок штучного інтелекту, що стосується алгоритмів та правил, які використовуються для виконання певних обчислювальних завдань.
"Штучний інтелект – це загальне поняття, в 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 і Гінтон зробили значний внесок у розвиток штучних нейронних мереж, використовуючи принципи квантової та статистичної фізики. Вчені 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 із 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 самостійно вчиться на прикладах і здатна класифікувати чи генерувати зображення. Його відкриття сприяло розвитку великих нейронних мереж, що нині широко застосовуються в науці й технологіях.
Чому одні країни бідні, а другі – багаті? Пояснили лауреати премії "Нобеля" з економіки
Цьогорічні лауреати премії з хімії розділили нагороду за досягнення у 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 зі складанням пазла без наявної картинки.
Однак тоді Бейкер вирішив діяти нестандартно. Замість припущень, як має виглядати кінцевий результат, він почав з уже готової "картинки" і підбирав до неї відповідні деталі. У 2003 році цей підхід дозволив створювати абсолютно нові білки, які не існують у 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 більш ніж 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 їхню роботу над машинним навчанням викликало дискусію в наукових колах. Зокрема, рішення Нобелівського комітету критикують за те, що дослідження не відповідає критеріям премії.
Крім того, сам науковий досвід лауреатів не сильно відповідає категоріям, в яких вони здобули перемогу. Так, Хінтон ніколи не був безпосередньо залучений до фізики, вивчаючи експериментальну психологію, перш ніж зацікавився ШІ.
"У мене немає слів. Попри мою прихильність до машинного навчання і штучних нейронних мереж, важко визнати це відкриттям у сфері фізики. Схоже, Нобелівську премію захопила хвиля захоплення ШІ", – написав у X астрофізик з Імперського коледжу Лондона Джонатан Прітчард.
На думку фізика-теоретика Сабіни Хоссенфельдер, яка працює у Мюнхенському центрі математичної філософії, дослідження науковців скоріше належить до галузі інформатики, аніж до фізики.
Імовірність захоплення людства штучним інтелектом і перспективи еволюції технології. Інтерв'ю з науковцем
"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. Але 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 тоді майже всі відкриття можна віднести до фізики. Адже все навколо складається з атомів.
З одного боку, відкриття цьогорічних лауреатів – це дійсно прорив у науці, а з іншого – важко визначити, до якої саме галузі знань воно більше відноситься.
Засновник і генеральний директор Google DeepMind Деміс Гассабіс (ліворуч) та Джон М. Джампер, старший науковий співробітник DeepMind
Getty ImagesШІ – 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 далеко 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 їхня робота стосується всіх цих галузей", – зазначає фізик-теоретик із Гарвардського університету Метт Страсслер.
ШІ тепер частина науки
Найчастіше Нобелівську премію дають за відкриття, які вже давно відбулися, адже 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. Для порівняння, у 2022 році бізнес створив 32 моделі.
Цьогорічні лауреати "Нобеля" з хімії – 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 є трудомісткими, але ці дані стали основою для навчання AlphaFold. Вона додає, що технологія ШІ дозволила вченим зробити крок вперед у глибших дослідженнях функції та динаміки білка, ставлячи різні запитання та потенційно відкриваючи нові сфери досліджень.
Хірургія майбутнього: як лікарі з Харкова оперують за допомогою доповненої реальності
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 і 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, це лише питання часу.
Одним з таких обмежень наразі є якість даних, на яких навчається ШІ. "Будь-яка модель залежить від якості даних. Якщо навчити генеративний ШІ на всіх доступних даних, включно з російською пропагандою чи конспірологічними теоріями, цілком можливо, що модель буде видавати помилкові результати. Але якщо навчання базується на ретельно відібраній інформації, відповіді ШІ будуть значно точнішими", – пояснює Краковецький.