有「AI教父」之稱的辛頓(Geoffrey Hinton)與Google DeepMind創辦人Demis Hassabis及高級科學家John M. Jumper分別榮獲諾貝爾物理學獎和化學獎,這一消息震撼科研及人工智慧領域。惟不少人憂慮,這是否會對更廣泛的科研,帶來顛覆性的影響?
Hassabis獲得諾貝爾化學獎可能並不讓人感到太意外,因為就在前一天,被譽為「AI教父」的辛頓和普林斯頓大學教授霍普菲爾德(John Hopfield)已經因為在機器學習領域的卓越貢獻而獲得諾貝爾物理學獎。
如今,透過深入研究人工智慧並為其他學科領域貢獻力量,完全有可能獲得諾貝爾獎。辛頓和霍普菲爾德在物理學領域,Demis Hassabis及John M. Jumper以及與他們一同獲獎的華盛頓大學基因科學家大衛貝克(David Baker) 所專注的化學領域,就是最典型的例子。
劍橋大學Leverhulme未來智慧中心的高級研究員 Eleanor Drage指,這無疑標誌著已進入「科學領域的人工智慧」時刻。她分析,這些獎項的頒發可能有兩個原因:一是人工智慧在學術研究中無孔不入,極大地模糊了學科之間的界限;二是「我們如此推崇計算機科學家,以至於願意將他們歸入任何領域」,但肯定的是,將對科學研究領域的未來研究方向產生深遠影響。
英國科研誠信辦公室前研究誠信經理Matt Hodgkinson認為,利用AI獲得諾貝爾獎的趨勢或許已初見端倪,這無疑會引導研究方向的轉變。然而,隨之而來的問題是,這種變革是否將引領大家走向正確的道路?
身為今年諾貝爾化學獎的得主之一,貝克(David Baker)利用AI預測蛋白質結構,他發現由於問題的明確界定以及蛋白質結構的規範性,這一領域成為了人工智慧演算法的理想試驗場。不過,他的成功絕非偶然,貝克在職業生涯中發表了超過600篇學術論文。同樣,Google DeepMind在AlphaFold2專案上也付出了巨大努力。
然而,Matt Hodgkinson也擔憂,在研究今年三位諾貝爾獎得主的成功因素時,該領域的研究人員可能會過於關注技術細節,而忽略了科學的本質,「我希望這不會誤導研究人員,讓他們誤以為所有的AI工具都具有相同的價值,從而濫用諸如聊天機器人等工具」。他認為,技術炒作總是難以避免,最近的例子包括石墨烯和區塊鏈。
Google學術論文搜尋工具Google Scholar的資料顯示,自2004年石墨烯被發現後,2005年至2009年間提及該資料的學術論文數量為4.5萬篇。然而,在Andre Geim和Konstantin Novoselov因發現石墨烯而榮獲諾貝爾獎後,相關論文的發表數量急劇攀升,2010年至2014年間達到45.4萬篇,2015年至2020年間更突破了100萬篇。但遺憾的是,儘管研究熱情高漲,迄今為止這些研究對現實世界的影響仍然相對有限。
Matt Hodgkinson認為,多名研究人員因其在AI領域的貢獻而獲諾獎,這種激勵效應可能會吸引更多人才湧入該領域,進而可能對科學研究方向產生影響,AI的提議和應用是否具實質性的科學價值,這是另一個值得深思的問題。
紐約大學坦頓工程學院電腦科學副教授、從事AI研究的Julian Togelius對學者可能受媒體關注、金錢誘惑以及諾貝爾獎委員會讚譽的影響程度表示擔憂。他強調:「科學家通常會選擇阻力最小、回報最大的發展路徑」。
Julian Togelius解釋,從自然界中獲取更多基礎數據,並提出人類能夠理解的新理論,無疑是一項極具挑戰性的任務,這需要深刻的洞察力和不懈的探索。對於研究人員來說,雖然利用AI進行模擬、支援現有理論並處理現有數據在理解上只能帶來小幅度提升,而非革命性的突破,但這種方法卻更為高效。他預測,新一代科學家可能傾向選擇這條更簡單的道路。
潛在風險是一些過於自信的電腦科學家,在推動人工智慧領域發展的同時,看到人工智慧在不相關的科學領域幫助研究人員獲得諾貝爾獎,可能決心效仿,從而進入其他研究領域,「當電腦科學家涉足自己並不熟悉的領域時,他們往往會不假思索地引入演算法,並將其稱之為進步。無論這種做法是否有效,他們都認為這是理所當然的」。
Hassabis就是利用AI推動科學進步的代表人物。他擁有神經科學博士學位,自2009年以來,在Google DeepMind憑藉著其專業背景為AI的發展做出貢獻。然而,他也坦言,該行業提高效率的方式已經發生轉變,他在諾貝爾獎記者會上提及,「目前,人工智慧正愈發傾向工程化。我們已掌握眾多技術,當下的主要工作是演算法的改進,而不再直接參考大腦的工作機制 」。
深喉
** 博客文章文責自負,不代表本公司立場 **