جایزه نوبل زیر سایه هوش مصنوعی؛ برخی دانشمندان از انتخاب‌های کمیته نوبل راضی نیستند
کمیته‌های نوبل در دو مورد از جوایز امسال، به اهمیت تحول‌آفرین هوش مصنوعی (AI) پی بردند و با پرداختن به دو رشته، به آن رسمیت بخشیدند: جایزه‌ی فیزیک به پیشگامان شبکه‌های عصبی مصنوعی و جایزه‌ی شیمی به طراحان ابزارهای محاسباتی مطالعه و طراحی پروتئین‌ها، اهدا شد. اما همه‌ی پژوهشگران این تصمیم را نپسندیده‌اند.
به‌گزارش نیچر، تنها لحظاتی پس از اعلام برندگان نوبل فیزیک امسال توسط آکادمی سلطنتی علوم سوئد در استکهلم، شبکه‌های اجتماعی از خشم شعله‌ور شدند. چندین فیزیکدان معتقد بودند علم نهفته در یادگیری ماشین که در جوایز اعطاشده به جان هاپفیلد و جفری هینتون از آن تجلیل شده بود، در واقع اصلاً فیزیک نیست.
جاناتان پریچارد، اخترفیزیکدان در امپریال کالج لندن، در شبکه اجتماعی ایکس نوشت: «زبانم بند آمده. من هم به یادگیری ماشین و شبکه‌های عصبی مصنوعی علاقه دارم، اما سخت است که این را کشف فیزیکی به حساب بیاوریم. به نظر می‌رسد که نوبل هم گرفتار هیاهوی تبلیغاتی هوش مصنوعی شده است.»
به گفته‌ی سابین هوسنفلدر، فیزیکدان در مرکز فلسفه ریاضی مونیخ، پژوهش هینتون از دانشگاه تورنتو و هاپفیلد از دانشگاه پرینستون «به طور دقیق در حوزه‌ی علوم رایانه جای می‌گیرد. جایزه نوبل، فرصتی نادر برای فیزیک و فیزیکدانان است تا در کانون توجه قرار بگیرند. این همان روزی است که دوستان و خانواده یادشان می‌آید که یک فیزیکدان را از نزدیک می‌شناسند و شاید از او بپرسند که جایزه نوبل اخیر درباره‌ی چیست. اما امسال این‌طور پیش نرفت.»
پیوند رشته‌های علمی
با این حال، همه‌ی افراد دید انتقادی نداشتند. بسیاری از فیزیکدانان از این خبر استقبال کردند. مت استراسلر، فیزیکدان نظری از دانشگاه هاروارد، می‌گوید: «تحقیقات هاپفیلد و هینتون میان‌رشته‌ای بود و فیزیک، ریاضیات، علوم رایانه و علوم اعصاب را به هم پیوند داد. به همین دلیل، به تمام این رشته‌ها تعلق دارد.»
انیل آنانتاسوامی، نویسنده علمی مستقر در برکلی، کالیفرنیا و نویسنده‌ی کتاب «چرا ماشین‌ها یاد می‌گیرند» اثر سال ۲۰۲۴، اشاره می‌کند که اگرچه پژوهش مورد‌توجه کمیته نوبل ممکن است فیزیک نظری خالص نباشد، ریشه در تکنیک‌ها و مفاهیم فیزیکی مانند انرژی دارد. او توضیح می‌دهد: «ماشین بولتزمن که هینتون ابداع کرد و شبکه‌ی هاپفیلد، هر دو مدل‌های مبتنی بر انرژی هستند.»
تحقیقات هاپفیلد و هینتون رشته‌های فیزیک، ریاضی، علوم رایانه و علوم اعصاب را به هم پیوند داد
آنانتاسوامی همچنین استدلال کرد که ارتباط پژوهش هینتون و هاپفیلد با فیزیک، در پیشرفت‌های بعدی یادگیری ماشین کمتر دیده شد، به‌ویژه در تکنیک‌های «شبکه عصبی پیشخور» که آموزش شبکه‌های عصبی را آسان‌تر می‌کردند. اما اکنون ایده‌های فیزیکی در حال بازگشت هستند و به محققان کمک می‌کنند تا دریابند که چرا سیستم‌های یادگیری عمیق پیچیده‌تر، به شکل خاصی عمل می‌کنند.
لنکا زدبرووا، پژوهشگر در مؤسسه فدرال فناوری سوئیس در زمینه‌ی فیزیک آماری محاسبات، می‌گوید: «برای مطالعه یادگیری ماشین، به شیوه تفکر فیزیکی نیاز داریم.»
جورجیو پاریسی، فیزیکدان در دانشگاه ساپینزای رم و برنده‌ی جایزه نوبل فیزیک ۲۰۲۱، معتقد است: «جایزه نوبل فیزیک باید همچنان به حوزه‌های نوین‌تری از دانش فیزیک گسترش یابد. فیزیک هر روز گسترده‌تر می‌شود و شامل حوزه‌هایی از دانش است که قبلاً وجود نداشتند، یا بخشی از فیزیک به حساب نمی‌آمدند.»
جایزه نوبل فقط به هوش مصنوعی تعلق نمی‌گیرد
فقط یک روز پس از اعلام جایزه فیزیک، داستان طوری پیش رفت که گویی علوم رایانه کاملاً بر جوایز نوبل مسلط شده است؛ دمیس حسابیس از بریتانیا و جان جامپر آمریکایی، خالقان آلفافولد (AlphaFold)، ابزار هوش مصنوعی برای پیشبینی تاشدگی پروتئین، نیمی از جایزه نوبل شیمی امسال را دریافت کردند. نیم دیگر جایزه به دیوید بیکر از دانشگاه واشنگتن در سیاتل برای پژوهش در زمینه طراحی محاسباتی پروتئین اهدا شد که شامل یادگیری ماشین نبود.
اعطای جایزه به خالقان آلفافولد نه تنها تأثیر چشمگیر هوش مصنوعی بر علم را به نمایش گذاشت، بلکه به انباشت پیوسته‌ی دانش در زیست‌شناسی ساختاری و محاسباتی نیز اشاره داشت. دیوید جونز، دانشمند انفورماتیک در کالج دانشگاهی لندن که در اولین نسخه‌ی آلفافولد با تیم شرکت دیپ‌مایند همکاری داشت، می‌گوید: «آلفافولد تغییری اساسی در علم زیرساختی ایجاد نکرد؛ بلکه هنر ترکیب و سازمان‌دهی بی‌نقصی وجود داشت که به ابزار امکان داد به چنین موفقیت‌هایی دست یابد.»
اعطای جایزه به خالقان آلفافولد، تأثیر چشمگیر هوش مصنوعی بر علم را به نمایش گذاشت
به عنوان مثال، یکی از ورودی‌های کلیدی آلفافولد، توالی پروتئین‌های مشابه از موجودات مختلف است که برای شناسایی جفت‌های آمینواسیدی استفاده می‌شود که احتمالاً با هم تکامل یافته‌اند و بنابراین، ممکن است در ساختار سه‌بعدی پروتئین نزدیک به هم قرار داشته باشند. محققان از قبل، از این بینش برای پیشبینی ساختارهای پروتئینی در زمان ابداع آلفافولد استفاده می‌کردند و برخی حتی این ایده را در شبکه‌های عصبی یادگیری عمیق نیز اجرا کرده بودند.
جامپر در کنفرانس خبری شرکت دیپ‌مایند اعلام کرد: «این‌طور نبود که فقط به محل کار برویم و دکمه هوش مصنوعی را فشار دهیم و بعد، به خانه برگردیم. فرآیند ما تکرارشونده و پژوهشی بود و در طی آن، تلاش کردیم تا به ترکیب‌های مناسبی از دانش جامعه درباره‌ی پروتئین‌ها و نحوه‌ی جایگذاری شهودها در معماری ساختار خودمان دست یابیم.»
همچنین، جامپر اشاره کرد موفقیت آلفافولد بدون وجود بانک اطلاعات پروتئین‌ها امکان‌پذیر نبود؛ مخزنی آزاد شامل بیش از ۲۰۰ هزار ساختار پروتئینی که بعضی از آن‌ها پیش از این نیز در نوبل‌های قبلی نقش داشته‌اند و با استفاده از روش‌هایی مانند بلورنگاری پرتوی ایکس و میکروسکوپ الکترونی کرایو و سایر روش‌های تجربی، شناسایی شده‌اند. جامپر می‌گوید: «هر نقطه‌ی داده‌ای، حاصل سال‌ها تلاش شخصی است.»
از سال ۱۹۰۱ که جایزه نوبل برای اولین بار اعطا شد، جوایز معمولاً تأثیر پژوهش‌ها بر جامعه را برجسته کرده‌اند و نه تنها علم خالص، بلکه گاهی نیز اختراعات کاربردی را مورد تقدیر قرار داده‌اند. آنانتاسوامی می‌گوید: «گاهی این جوایز به پروژه‌های مهندسی برجسته هم داده می‌شوند. از جمله جایزه‌هایی که به لیزرها و پی‌سی‌آر اهدا شدند.»
نظرات