Несомненно, мои научные, а может и машин-лернинговые достижения - пигмейские, не стоящие упоминания на фоне достижений автора той статьи, что я комментировал, директора Института физики и квантовой инженерии НИТУ МИСИС Алексея Федорова. Алексей Федоров - крупный молодой учёный, внесший большой вклад в свою квантовую оптику и квантовые вычисления. Как успешный администратор от науки, он, несомнено, обладает и большим научным кругозором, чем я. Но конкретно в тех областях физики и химии, "через" которые в этом году дали нобелевки по пяти машин-лернерам и про которые рассуждает Фёдоров, я защитился на пару месяцев раньше, чем этот Фёдоров закончил школу. А в 2012 году мы одновременно стали заниматься нашим нынешним делом: я - машинным обучением, а Фёдоров - квантовой оптикой.

Так что самоуверенно тешу себя убеждением, что конкретно в тех темах, о которых Фёдоров решил поделиться своим мнением, я разбираюсь немного лучше.

Сам посыл статьи: "премию по физике дали правильно, а по химии не вполне" - удивителен. На мой взгляд, а я в той или иной степени занимался всеми тремя областями (и статфизикой, в том числе на решетках Изинга, которой вдохновлялись лауреаты по физике, и фолдингом белка, которым занимались лауреаты по химии, и глубокими нейросетями), ситуация обратная. "Химики" получили награду более или менее заслуженно, потому что создали инструменты, позволяющие добиться большого прогресса в задачах химии. Я бы эту область отнёс скорее к физике, но так исторически сложилось, что физхимию чаще относят к химии. Так что премия понятна.

А с физиками решение комитета совершенно непонятно. Два информатика, поднаторевшие в начале своей научного пути в области статистической физики, привыкли к некоторым подходам матстатистики, и это помогло им с интуицией в нейросетях. Тем не менее, задачи физики их изобретения не решали. Даже физические методы напрямую в нейросетях не использовались, если не считать узкиоспециальные приёмы типа имитации отжига, которые и в нейросетях приобрели популярность на несколько лет и ушли в прошлое.

Это примерно как давать премию по математике экономистам, догадавшимся применить методы решения кубических уравнений для своих экономических нужд. Пусть их работы оказались прорывными в экономике, но вклад в математику-то был нулевой, да и математики с тех пор в экономике больше почти не стало.

Если что, похожие методы (в том числе тот же отжиг) уже применялись в вычислительной биологии, например в геномике, и сильно продвигало эту науку. Но людям, которые переносили метод отжига в биологию, давали награды по биологии, а не по физике.

Нобелевский комитет всех удивил. Шведская королевская академия наук присудила Нобелевскую премию по физике 2024 года Джону Хопфилду и Джеффри Хинтону. Ученых наградили «за основополагающие открытия и изобретения» в области машинного обучения и нейросетей. Нейронные сети и машинное обучение сейчас на пике хайпа — в этом смысле вопросов нет. Но почему премия вручена по физике?

На следующий день была вручена премия по химии — и она тоже не обошла вниманием направление машинного обучения. Половину премии разделят разработчики алгоритма AlphaFold для предсказания структуры белка по его аминокислотной последовательности с использованиями искусственного интеллекта — Демис Хассабис и Джон Джампер. Половину премии также получит Дэвид Бейкер. В 2003 году он опубликовал работу о синтезе белка, не имеющего аналогов в природе. Кстати, в этом случае предсказание компании Clarivate сбылось: лауреаты оказались в их списке наиболее цитируемых ученых. О чем говорит такой выбор Нобелевского комитета?

Первый и очевидный вопрос: как связаны достижения Хопфилда и Хинтона с физикой? Для начала разберемся, какие их достижения были отмечены премиями. Хопфилд и Хинтон предложили архитектуры нейронных сетей — базовых инструментов для машинного обучения.

Нейронная сеть — математическая структура, которая была составлена из отдельных элементов — нейронов, связанных между собой сигналами. Она строится по принципу организации биологических нейронных сетей — сетей нервных клеток в мозге живого существа — например, человека. Построить эту нейронную сеть можно по множеству разных принципов. Работы лауреатов примечательны тем, что они описывают такие сети языком физики, а если более точно, то статистической физики.

Статистическая физика описывает общие и существенные свойства систем, которые состоят из большого количества (идентичных) компонентов. В частности, она применяется для описания ферромагнетиков — магнитных веществ, «запоминающих» поле, в которое их помещали раньше. Такой эффект до определенной степени можно использовать для обучения — что и было замечено, и, соответственно, легло в основу сетей Хопфилда.

Другой лауреат этого года — Джеффри Хинтон — также использовал методы статистической физики и предложил модель, которая называется ограниченной машиной Больцмана. Отличительной чертой ее являются переходы в состояние с меньшей энергией — как это «любят» делать физические системы.

Поэтому вдохновение физикой в открытиях лауреатов присутствует. Их открытия стали математической основой для развития технологии искусственного интеллекта, которые в дальнейшем развивались усилиями как самих лауреатов, так и их коллег. Кстати, Джеффри Хинтон — научный руководитель Ильи Суцкевера, известного по своей работе в OpenAI.

Что также отмечалось Нобелевским комитетом — так это широкое использование машинного обучения в современной науке. Это решение иллюстрировалось различными аспектами, в том числе, применением для наук о материалах. В этом контексте неудивительной выглядит премия разработчикам алгоритма AlphaFold — Демису Хассабису и Джону Джамперу для предсказания структуры белка по его аминокислотной последовательности с использованием искусственного интеллекта.

Вместе с тем ряд экспертов выступает со справедливыми вопросами о связи этого открытия непосредственно с химией. Действительно, Нобелевскую премию по химии не всегда дают за химические достижения, а иногда за работы на стыке с физикой или медициной, а теперь еще и с математикой. Также очевидно, что алгоритм станет развиваться и добиваться большей точности — возможно, будут более яркие результаты, полученные с его помощью, которые нашли бы практическое отражение в медицине.

Интересно также, что лауреаты тесно связаны с крупными компаниями. DeepMind, которую представляют Демис Хассабис и Джон Джампер, приобрел Google. А Хинтон также работал в Google — в компании даже устроили вечеринку в честь получения им премии.

Сегодня крупные компании активно инвестируют в научные исследования, которые могут сыграть ключевую роль для развития технологий. Один из примеров — квантовые технологии, в которые активно инвестируют Google, IBM, Microsoft и многие другие компании. Частное финансирование позволяет быстро двигаться и составлять конкуренцию академическим научным центрам. Имеет это и свои негативные последствия — мощный отток исследователей из науки в компании уже остро ощущается. Решением тут может быть кооперация и взаимодействие частных компаний с университетами и научными центрами.

Нельзя не отметить — особенно в случае премии по химии, — что научные открытия, которые случаются при помощи машинного обучения, становятся одним из трендов. Сегодня, пожалуй, нет сферы естественной науки, которая так или иначе не использовала бы методы и алгоритмы машинного обучения. Например, в наших исследованиях машинное обучение используется при разработке квантового компьютера — для решения задач калибровки и управления квантовыми системами. Говорит ли это о том, что «сила» искусственного интеллекта будет определять вектор научных открытий? Если и рассматривать этот сценарий, то, по-видимому, не в краткосрочной перспективе. Большинство задач поставлено человеком, и если ИИ и может ускорить получение ответа, человек все еще влияет на многое — например, постановку задачи и верификацию результатов. Поэтому, безусловно, искусственный интеллект двигает науку вперед, но человек и его идеи продолжают играть центральную роль — это внушает оптимизм.

И еще немного про премии. Все же мнение о том, что премию по физике вручили не за физику, можно услышать от многих специалистов. Говорит ли это о «кризисе жанра»? Может ли в современном мире междисциплинарных научных исследований существовать четкая грань, которая определяла бы, что является достижением, скажем, в области физики или химии, а что — нет? Этот непростой вопрос, с одной стороны, сохранения традиций, а с другой — адаптация к реалиям современного научного мира остро прослеживается. Также это открывает пространство для новых научных премий, которые призваны более активно и динамично работать над задачей поощрения ученых и привлечения внимания широкой общественности к их достижениям.

Например, учрежденная в 2023 году премия «ВЫЗОВ» (учреждена Фондом «Вызов», соучредителем которого является Газпромбанк, партнерами выступают госкорпорация «Росатом», фонд «Росконгресс» и правительство Москвы) в области будущих технологий не имеет традиционного деления на дисциплины — важное отличие от других премий.

Будущее мира во многом зависит от того, насколько быстро научные знания будут переходить в плоскость технологической и экономической полезности. Привлечение внимания государства, бизнеса и широкой общественности к ключевым научным достижениям, в том числе за счет научных премий, может являться важным элементом для решения этой задачи.

Автор благодарит профессора Артема Оганова за полезные обсуждения.

Текст взят с сайта издания о передовых теориях и практиках управления «Большие идеи» (ех. Harvard Business Review)