AI với giải Nobel: Tranh cãi quanh các lĩnh vực khoa học

Trong khi nhiều nhà khoa học mừng vui về giải thưởng Nobel Vật lý và Hóa học, nhiều người khác lại thất vọng vì sự tập trung vào các phương pháp tính toán.

Giải Nobel Hóa học 2024 trao cho các nhà nghiên cứu phát triển các công cụ AI để thiết kế protein và dự đoán cấu trúc của chúng. Nguồn: Alamy

Các Ủy ban Nobel ghi nhận sức mạnh mang tính chuyển đổi của AI trong hai giải thưởng – vinh danh các nhà tiên phong về các mạng lưới thần kinh và những nhà phát triển các công cụ tính toán và thiết kế protein. Nhưng không phải tất cả các nhà nghiên cứu đều thấy thỏa mãn.

Các khoảnh khắc sau khi Viện Hàn lâm KH Hoàng gia Thụy Điển công bố người thắng giải Vật lý năm nay, truyền thông xã hội đã dậy sóng, nhiều nhà vật lý tranh cãi rằng khoa học làm nền tảng cho máy học, được vinh danh trong giải thưởng dành cho Geoffrey Hinton và John Hopfield, thực ra không phải là vật lý.

“Tôi cạn lời. Tôi thích máy học và các mạng thần kinh nhân tạo nhưng thật khó để coi đây là một phát hiện vật lý,” Jonathan Pritchard, một nhà vật lý thiên văn tại Imperial College London viết trên X. “Có lẽ giải Nobel đã bị ảnh hưởng bởi sự cường điệu của AI”.

Nghiên cứu của Hinton, tại ĐH Toronto ở Canada, và Hopfield tại ĐH Princeton ở New Jersey, “thuộc về lĩnh vực khoa học máy tính,” Sabine Hossenfelder, nhà vật lý ở Trung tâm Triết học toán học Munich, Đức, nói. “Giải thưởng Nobel là một cơ hội hiếm hoi dành cho vật lý – và các nhà vật lý – để bước vào tâm điểm chú ý. Đó là ngày bạn bè và gia đình nhớ đến việc họ là một nhà vật lý và có thể đến hỏi họ về giải thưởng. Nhưng năm nay không như vậy”.

Mang các lĩnh vực lại gần nhau

Tuy nhiên không phải ai cũng thấy băn khoăn: nhiều nhà vật lý đón chào tin mới. “Nghiên cứu của Hopfield và Hinton là liên ngành, mang nhiều lĩnh vực lại với nhau vật lý, toán học, khoa học máy tính, và khoa học thần kinh,” Matt Strassler, một nhà vật lý lý thuyết tại ĐH Harvard ở Cambridge, Massachusetts. “Theo nghĩa đó thì nó thuộc về tất cả các lĩnh vực khoa học”.

Anil Ananthaswamy, một người viết về khoa học ở Berkeley, California và tác giả của cuốn Why Machines Learn, chỉ ra dẫu nghiên cứu này được Ủy ban Nobel đánh giá cao có thể không phải là vật lý lý thuyết thuần túy nhất hưng nó cũng có gốc rễ từ các kỹ thuật và khái niệm của vật lý như năng lượng. ‘Các mạng lưới Boltzmann’ do Hinton tạo ra và các mạng lưới Hopfield “đều là những mô hình năng lượng”, ông nói.

Sự kết nối với vật lý trở nên mong manh hơn trong các phát triển sau nữa ở máy học, Ananthaswamy cho biết thêm, cụ thể trong các kỹ thuật ‘feed-forward’ (mô hình phản hồi các giải pháp để phát huy khả năng trong tương lai) khiến cho các mạng thần kinh dễ được huấn luyện hơn. Nhưng các ý tưởng vật lý lại tạo ra một hồi đáp giúp các nhà nghiên cứu hiểu tại sao các hệ học sâu phức hợp lại làm được những gì chúng đã làm. “Chúng ta cần cách tư duy mà chúng ta có trong vật lý để nghiên cứu máy học,” Lenka Zdeborová, người nghiên cứu về vật lý thống kê tại EPFL, nhận xét.

“Tôi nghĩ giải Nobel Vật lý phải tiếp tục lan tỏa vào nhiều vùng hiểu biết của vật lý,” Giorgio Parisi, nhà vật lý ở ĐH Sapienza Rome giành giải Nobel năm 2021, nói. “Vật lý đang trở nên phát triển rộng hơn và bao chứa nhiều khu vực kiến thức mới, chưa từng có trong quá khứ hoặc không thuộc về vật lý.”

Một số cấu trúc protein gập mà AlphaFold dự đoán.

Nhưng không chỉ AI

Khoa học máy tính dường như đã hoàn tất khả năng cạnh tranh của mình trong việc giành Nobel sau giải Vật lý, khi Demis Hassabis và John Jumper, đồng sáng tạo của công cụ AI dự đoán protein gập tại Google DeepMind ở London, giành một nửa giải Nobel Hóa học. (Nửa còn lại thuộc về David Baker tại ĐH Washington ở Seattle cho công trình thiết kế protein không sử dụng máy học).

Giải thưởng là một ghi nhận sức mạnh của AI cũng như sự tích tụ hiểu biết về sinh học cấu trúc và tính toán, theo David Jones, nhà sinh học tính toán tại University College London, người hợp tác với DeepMind về phiên bản đầu của AlphaFold. “Tôi không nghĩ AlphaFold có được những thay đổi cơ bản trong khoa học làm nền tảng mà chưa có sẵn. Việc đặt mọi thứ cạnh nhau và việc đón nhận theo một cách liền lạc cho phép AlphaFold đạt tới những đỉnh cao đó”.

Ví dụ, một yếu tố đầu vào chính mà AlphaFold sử dụng là các trình tự những protein liên quan từ các cơ quan khác nhau, có thể nhận diện các cặp amino acid có xu hướng đồng tiến hóa và do đó có thể gần gũi với vật lý trong cấu trúc 3D của protein. Các nhà nghiên cứu đã sử dụng cái nhìn này để dự đoán các cấu trúc protein tại thời điểm phát triển AlphaFold, và ngay cả bắt đầu đón nhận ý tưởng trong các mạng thần kinh học sâu.

“Đây không phải là việc chúng tôi tới văn phòng làm việc, nhấn nút AI là xong,” Jumper nói trong buổi họp báo ở DeepMind ngày 9/10. “Đó thực sự là một quá trình lặp đi lặp lại để phát triển, nghiên cứu và cố gắng tìm dạng kết hợp đúng giữa những hiểu biết của cộng đồng nghiên cứu về các protein và cách chúng tôi xây dựng những hiểu biết theo trực giác vào cấu trúc của mình”.

AlphaFold có thể không thể có được sức mạnh của mình nếu như không có Ngân hàng Dữ liệu Protein, một kho lưu trữ mở gồm hơn 200.000 cấu trúc protein – bao gồm cả đóng góp của nhiều công trình từng trao giải Nobel trước đó – xác lập bằng nhiều phương pháp thực nghiệm. “Mỗi điểm dữ liệu theo năm tháng là từ nỗ lực của nhiều người,” Jumper nói.

Kể từ năm 1901, giải Nobel đã được trao cho các nghiên cứu có tác động xã hội và cả các phát minh, không chỉ khoa học thuần túy. Ananthaswamy nói “thi thoảng họ lại trao cho những dự án kỹ thuật xuất sắc, bao gồm các giải cho laser và PCR.”

Thanh Lan tổng hợp

Nguồn: https://www.nature.com/articles/d41586-024-03310-8

https://www.economist.com/science-and-technology/2024/10/10/ai-wins-big-at-the-nobels

https://www.politico.com/newsletters/digital-future-daily/2024/10/10/the-nobels-throw-ai-a-coming-out-party-00183303

Tác giả

(Visited 574 times, 1 visits today)