A mesterséges intelligencia évek óta az egyik legforróbb tudományos-technológiai téma, gőzerővel folynak a szakterületi fejlesztések, a big data, a végtelenbe tartó számítási és tárolási kapacitások, valamint a 2010-es években elterjedt mélytanulás (deep learning) megalapozták a jelen generatív MI-forradalmát és a jövő fejlesztéseit.

Óriási elismerés a diszciplínának, hogy az idei Nobel-díjasok között fizikában és kémiában is mesterségesintelligencia-kutatók diadalmaskodtak: előbbiben a 76 éves Geoff Hinton és a 91 éves John Hopefield, utóbbiban Demis Hassabis, John Jumper és David Baker.

Hinton és Hopefield a gépi tanulás úttörői, Hintont évekkel ezelőtt Andrew Ng nevezte el a „mélytanulás keresztapjának”, az elnevezés kibővített formában, az „MI keresztapjaként” ragadt rajta mind a mai napig, ami egyben utalás arra is, hogy – sokak szerint – a gépi tanulás a jelen mesterséges intelligenciája. (Az MI persze több gépi tanulásnál, viszont kétségtelen, hogy lassan két évtizede a mélytanulás a legfontosabb, legjobban mediatizált alterülete.)

A két fizikai Nobel-díjas úttörő munkát végzett a mélytanulás alapjait adó mesterséges neurális hálózatok kutatásában. A bizottság szerint a hálók a fizikán alapulnak, ezért kapták ezen a területen az elismerést.

Munkáik szoros kapcsolatban állnak egymással. A Hopefield-hálózat vizuális és más mintázatok tárolására és az adatok alapján történő rekonstruálására alkalmas mesterséges asszociatív memória. A rendszer hibás vagy sérült minták esetén is működik. A statisztikai fizikából kiinduló Hinton munkái adatok Hopefield-hálózatban történő interpretációjához járultak hozzá. A fizikából vett Boltzmann-gépe, egy felügyelet nélküli tanulással működő mélytanuló rendszer lényege, hogy az adathalmazban megadott jellemzőket keres és ismer fel, képes osztályozni a tárolt mintázatokat, és a tanulás során megismert mintázattípusokat létrehozni.

Munkásságuk adta a 2010-es évek gépitanulás-áttörésének alapjait.

A kémiai Nobel-díj a DeepMind-társalapító, jelenleg a Google mesterségesintelligencia-részlegét (Google DeepMind) vezető, a játékvilágból érkezett és például a legendás AlphaGo programot fejlesztő Hassabis (a második kép közepén) és Jumper AlphaFold munkájának elismerése. MI-modelljük ötvenéves problémát oldott meg: aminosav-szekvenciáik alapján előrejelzi fehérjék összetett szerkezetét. 2020-as AlphaFold2-jük lényegében mind a 200 millió azonosított fehérje szerkezetét prognosztizálja. Az alkalmazást a világ 190 országának több mint kétmillió kutatója használja.

A fehérjék általában húsznál több aminosavból, az élet építőkockáiból állnak. Elsőként, 2003-ban Baker használta úgy a „kockákat”, hogy semmi máshoz nem hasonló, új fehérjék jöttek létre. Kutatócsoportja azóta egyik fantáziafehérjét a másik után alakítja ki, rengeteget segítve gyógyszerek, oltó- és nanoanyagok, kisméretű szenzorok fejlesztésében.