A 2023-as év elképesztően sikeres esztendő volt a magyar tudományos élet szempontjából, ugyanis néhány nap leforgása alatt két új Nobel-díjast köszönthettünk.
Karikó Katalin a Covid-19 elleni mRNS-vakcinák kifejlesztéséhez szükséges munkájával érdemelte ki az elismerést, míg Krausz Ferencet az attoszekundumos fizika, vagyis a másodperc milliárdszor milliárdod része alatti történéseket vizsgáló tudomány területén elért eredményei miatt díjazták. A 2024-es év azonban nemcsak hazánk, de az egész világ és a tudományos élet képviselői számára is új korszakot jelez, idén ugyanis a fizikai és a kémiai Nobel-díjban is jelentős szerepe volt az életünket egyre inkább meghatározó mesterséges intelligenciának.
Természetesen akadnak még területek, ahova nem tört be ez a technológia: remélhetőleg még hosszú évtizedekre vagyunk attól, ha egyáltalán valaha bekövetkezik, hogy az irodalmi elismerést egy chatbot zsebelje be.
Ugyanez azonban már nem mondható el ugyanilyen bizonyossággal a közgazdasági és a fiziológiai kategóriákról. Az elképesztő adatmennyiségek kezelésének és értelmezésének képessége miatt ugyanis egyáltalán nem elrugaszkodott gondolat, hogy a mesterséges intelligencia kiemelt szerepet játsszon a jövőbeli díjazottak munkájában. Bemutatjuk, pontosan milyen felfedezésekért járt idén a fizikai és a kémiai Nobel, illetve, hogy mit jelenthet ez a tudomány és az emberiség jövője szempontjából.
A chatbotok előfutárai
A fizikai Nobel-díjat idén a „mesterséges intelligencia keresztapjaként” ismert brit-kanadai Geoffrey E. Hinton és az amerikai Princeton Egyetem 91 éves professzor emeritusza, John Hopfield kapta. Az elismerést a hivatalos indoklás szerint olyan alapvető felfedezésekért és találmányokért ítélték oda számukra, amelyek lehetővé tették a mesterséges neurális hálózatokkal történő gépi tanulást. Ez lényegében minden ma ismert mesterséges intelligencia alkalmazás alapja, legyen szó akár a ChatGPT-ről, vagy bármilyen egyéb fejlesztésről.
A mesterséges neurális hálók az emberi agy szerkezetét próbálják reprodukálni, a jelenlegi technológiai keretek miatt némileg leegyszerűsítve. Itt az agy idegsejtjeit olyan csomópontok reprezentálják, amelyek különböző értékekkel rendelkeznek: a csomópontok között az agyi szinapszisokhoz hasonló kapcsolat van. A kapcsolat erősíthető vagy gyengíthető, a háló pedig tanítható: nagy mennyiségű adattal egy-egy adott feladathoz lehet igazítani a csomópontok közötti kapcsolódásokat. Ez tehát a machine learning, vagyis a gépi tanulás lényege leegyszerűsítve, a frissen Nobel-díjjal jutalmazott kutatók pedig a nyolcvanas évektől kezdődően tevékenykednek ezen a területen.
John Hopfield az évek során kidolgozott egy olyan neurális hálót, amely mintázatok tárolására és újraalkotására képes. Az úgynevezett Hopfield-hálózatot elsősorban asszociatív memória modellezésére használják, amely segít abban, hogy hiányos vagy zavaros információból teljes képet rekonstruáljunk.
Működését tekintve a Hopfield-hálózat azt a részecskefizikai elvet veszi alapul, amely az anyag tulajdonságait az azt alkotó részecskék egyik fontos fizikai tulajdonsága, a spinjük, vagyis sajátperdületük alapján írja le. A hálót úgy tanítják, hogy a csomópontok közötti kapcsolatokhoz olyan értékeket találnak, hogy a mentett képek alacsony energiával rendelkezzenek. Amikor a Hopfield-hálózatba egy eltorzított vagy hiányos képet táplálnak, módszeresen végigmegy a csomópontokon, és frissíti azok értékeit, hogy a hálózat energiája csökkenjen. A rendszer tehát lépésről lépésre dolgozik azon, hogy megtalálja azt a mentett képet, amely leginkább hasonlít arra a tökéletlen képre, amellyel táplálták.
A később több mint egy évtizeden át a Google kötelékében dolgozó Geoffrey Hinton kutatásai a Hopfield-hálózatot vették alapul, ám később kidolgozott egy új neurális hálót, a Boltzmann-gépet. Ez a neurális hálózat leegyszerűsítve véletlenszerű döntéseket hoz, és arra törekszik, hogy megértse az adatok közötti összefüggéseket. A rendszer képes megtanulni jellegzetes elemek felismerését egy adott adattípusban, de használható képek osztályozására, vagy arra, hogy új példákat hozzon létre olyan típusú mintázatokból, amelyekkel betanították.
Hinton fejlesztése főleg generatív modellekben és komplex mintázatok felismerésében hasznos, mivel képes optimalizálni a rendszert és előrejelzéseket adni a részleges vagy zajos bemenetek alapján.
A 2018-ban Turing-díjjal is kitüntetett kutató hálózatának működése lényegében megágyazott a későbbi chatbotoknak, például a ChatGPT-nek és a Gemininek, de olyan kép- és videógenerálásra használt fejlesztéseknek is, mint például a DALL-E, a Midjourney vagy a Sora.
A Google is Nobel-díjat kapott?
A kémiai Nobel-díjat az amerikai David Baker, illetve a brit Demis Hassabis és az amerikai John M. Jumper kapták, a biológiánk alapját képező fehérjék szerkezetének előrejelzéséért és tervezéséért. Utóbbi két kutató a Google által 2014-ben felvásárolt DeepMind kutatócsapatának tagjai, így kis túlzással akár azt is mondhatnánk, hogy az amerikai techóriást is díjazta idén a Nobel-bizottság. Hogy mit jelent pontosan a fehérjék szerkezetének előrejelzése, abban Rivka Isaacson, a londoni King’s College molekuláris biofizika professzorának szavait érdemes átfutni, aki maga is bétatesztelője volt a DeepMind fejlesztésének, az AlphaFold2-nek.
E szerint a természetes fehérjék húsz aminosavból épülnek fel, melyeket gyakran az élet építőkockáinak is neveznek. Az így létrejött láncok szekvenciáját a DNS határozza meg, és bár a DNS-kutatás révén nagyrészt ismerjük a sorrendjüket, sokáig kihívást jelentett megjósolni, hogy a lánc pontosan hogyan áll össze háromdimenziós formában. Márpedig a fehérjék a biológiánk alapjait képezik, amelyek mind a 30 milliárd sejtünkben ott vannak. Az alakjukat évtizedeken át csak egyesével, fáradságos kísérleti módszerekkel lehetett kideríteni, amelyeket ezt követően a Protein Data Bank nevű globális adatbázisban helyeztek el.
Az AlphaFoldot az itt fellelhető struktúrák alapján képezték ki, amelyek többségét egyébként egy rendkívül körülményes művelettel, úgynevezett röntgen krisztallográfiával találták meg, mely során több ezer különböző kémiai állapotban tesztelték a fehérjéket. Mivel azonban az AlphaFold ismeri ezeket a struktúrákat, olyan sebességgel tudja megjósolni a fehérjék szerkezetét, amely korábban elképzelhetetlen volt. A Google speciális, mesterséges intelligenciára szakosodott csapatának fejlesztése, az AlphaFold mára nagyjából 200 millió fehérje szerkezetét képes előre jelezni.
A technológia percek alatt képes feltárni a különböző fehérjék molekuláris szerkezetét, ami a kutatóknak laboratóriumi körülmények között hónapokba vagy akár évekbe telne.
Ráadásul mivel a Google nyilvánosan elérhetővé tette a fejlesztés kódját, a világon bármely kutató, sőt akár az egyszerű érdeklődők is hozzáférhetnek, a felhasználási módjai pedig szinte határtalanok: napjainkban 190 ország kutatói használják gyógyszerfejlesztésre, antibiotikum-rezisztenciával kapcsolatos vizsgálatokra, valamint műanyagok lebontására szolgáló enzimek létrehozására.
Baker bár korábban állt elő fejlesztésével, egy lépéssel még ennél is tovább ment, ugyanis teljesen új fehérjéket tervezett. Az amerikai kutató 2003-ban, Rossetta nevű számítógépes szoftverével tervezte meg az első ilyen fehérjét, majd később, kutatócsoportjával együtt még jónéhánnyal előállt, amelyeket gyógyszerekként, vakcinaként, nanoanyagokként vagy apró szenzorokként tudtak felhasználni. A kutatásaik alapját képező Rosetta kódját később egyébként szintén közkinccsé tette, ezzel elősegítve az egész tudományos közösség előrelépését.
Mit jelent ez a jövőre nézve?
Egyelőre túl korai lenne arról beszélni, hogy a mesterséges intelligenciának minden díjban szerepe lenne. Továbbra is az emberi találékonyság áll az első helyen: a kérdés feltevése, a hipotézis kidolgozása – az MI-rendszerek ezekre nem képesek, jobbára csak az adatokat elemzik. Ugyanakkor érdekes, hogy a bizottság úgy döntött, két mesterséges intelligenciához kapcsolódó kutatást is díjaz egyazon évben
– jelentette ki a kémiai Nobel-díj elnyerése után Demis Hassabis, aki ezt megelőzően stratégiai- és videojátékokat űző mesterséges intelligencia fejlesztéseken is dolgozott a DeepMinddal. Kijelentéseivel azonban nem mindenki ért egyet, sok szakértő ugyanis úgy látja, hogy az MI egy, a tudósokat támogató eszközből a tudományos fejlődés központi motorjává vált, amit ez a két díj is jól mutat.
Jakab Roland, a HUN-REN Magyar Kutatási Hálózat vezérigazgatója jegyzetében jelezte, hogy tapasztalatai szerint a tudósok, kutatók felfedezték, hogy a mesterséges intelligenciával sokkal gyorsabban és sokkal hatékonyabban lehet dolgozni, mint nélküle. „Hogy nem elveszi a munkájukat, hanem időt ad másra is. Hogy nem tartani kell tőle, hanem bátran lehet használni. Hogy nem csökkenti az ezzel elvégzett munka minőségét, hanem képes még magasabb szintre is emelni azt.”
Az MI már nem egy szép és biztató jövő, hanem már egy sokkal szebb és biztosabb jelen
– jelentette ki Jakab.
Hiába azonban a rengeteg pozitívum, sokan nem ilyen optimisták a jövőre nézve, köztük például a fizikai Nobel-díjjal jutalmazott Geoffrey Hinton sem. A mesterséges intelligencia keresztapjaként is emlegetett kutató, aki több mint egy évtizeden át dolgozott a Google-nél, 2023-ban felmondott, elmondása szerint azért, mert egyre több aggály merült fel a technológia használatával és a fejlesztés ütemével kapcsolatosan, amelyekről nyíltan, megkötések nélkül akart beszélni.
A kutató a fizikai Nobel-díj elnyerése után arra figyelmeztetett, hogy a mesterséges intelligencia megfelelő ellenőrzés nélkül egyre nagyobb veszélyt jelenthet: ha nem ellenőrzik, a technológia hozzájárulhat a kiber- és adathalász-támadások, és a meghamisított videók számának növekedéséhez is. A szaktekintély szerint az MI-korszak hasonló lesz a korábbi ipari forradalmakhoz, ám itt a technológia már nem csak a fizikai, de az intellektuális határainkat is meg fogja haladni. Hinton jelezte: számos kutató szerint a következő 20 évben az MI meg fogja haladni az emberi intelligencia szintjét, erre pedig alaposan fel kell készülni, ugyanis
nagyon kevés példa van arra, hogy egy intelligensebb létformát egy kevésbé intelligens irányítson.
Számos kutató hangot adott azon aggodalmának is, hogy a mesterséges intelligencia elmoshatja a tudományos területek közötti határokat. Jonathan Pritchard, a londoni Imperial College asztrofizikusa az X-en közzétett bejegyzésében kijelentette, hogy bár elismeri a díjazottak gépi tanulás és a mesterséges neurális hálózatok területén végzett munkáját, nehezen érti meg, hogy ezt miért fizikai felfedezésnek tekintik.
Úgy tűnik, a Nobel-bizottságot is elérte az MI hype
– írta. Hasonló véleményen volt a témában David Vivancos, a MindBigData.com mélytanulással és mesterséges intelligenciával foglalkozó szervezet vezérigazgatója is.
Virginia Dignum, a svéd Umeå Egyetem professzora azonban úgy fogalmazott, hogy talán itt az ideje modernizálni a Nobel-díjakat, úgy hogy a bizottság felismerje: az igazán fontos felfedezések túlmutatnak a tudományágak hagyományos felosztásán. Az egyetem társadalmi és etikai mesterséges intelligencia kutatásának vezetője szerint ez a két díj a technológia interdiszciplinaritását, vagyis a tudományágak összefogásának képességét mutatja.
The post Az eddigi legrizikósabb ipari forradalom küszöbén állunk first appeared on 24.hu.
Tovább az erdeti cikkre:: 24.hu
