Ispred pune dvorane D2 na FER-u predavanje je otvorio prof. dr. sc. Siniša Šegvić s FER-a koji je publici ukratko opisao osnove dubokog učenja, postavio ga u suvremeni kontekst s dosadašnjim dostignućima i primjenama te otkrio najčešće zablude i dvojbe tog područja. Od zabluda su posebno zanimljive one da su duboki modeli crne kutije i da će takvi modeli zavladati čovječanstvom.

Profesor Šegvić rekao je da interpretabilnost dubokih modela postoji iako nije savršena, a misli da će se vremenom situacija dodatno popraviti, a što se tiče bojazni od Terminatora, rekao je da takvi modeli nemaju intrinzičnu potrebu za dominacijom i okrivio ljudsku potrebu za senzacionalizmom u potenciranju tog narativa. Naglasio je kako na umjetnu inteligenciju treba gledati kao tehniku koja će nas pojačati, a ne strahovati da će nas zamijeniti te zaključio da nas u budućnosti čeka mnogo važnih primjena modela dubokog učenja koje trenutno možda i ne vidimo.

O kontroverzama zbog nagrade AlphaFoldu

U nastavku se dr. sc. Anja Barešić s Instituta Ruđer Bošković osvrnula na kontroverze koje su pratile razvoj i objavu modela za kojeg je dodijeljena nagrada AlphaFoldu: nedostatak transparentnosti tijekom samog istraživanja tipičnog za neakademske autore te recentnost samog istraživanja (2020.) zbog kojega se može jedino pričati o potencijalu ovakvih metoda za primjenu u razvoju lijekova i medicini, dok će se opravdanost tog potencijala tek pokazati u narednim godinama ili desetljećima.

Anja Barešić: 'Nobelova nagrada za kemiju ove je godine dodijeljena za rješavanje problema smatanja proteina u trodimenzionalnu strukturu. Prvu polovicu Nobelove nagrade podijelili su Demis Hassabis i John Jumper, članovi Googleovog DeepMinda za model AlphaFold2 koji je 2020. uvjerljivo pobijedio na natjecanju predviđanja strukture do tada sve postojeće algoritme sa tolikim napretkom u performansama da se danas taj problem smatra računalno riješenim. Napredak u uspjehu predviđanja rezultat je vrlo domišljatog definiranja fizičkih svojstava poznatih struktura na kojima je model učio, u kombinaciji sa informacijama o evoluciji samog aminokiselinskog sastava tih proteina. Glavni trik je posuđen iz recentnih modela procesiranja prirodnog jezika, koji je uz gotovo neograničeni pristup resursima dostupan istraživačima Google DeepMinda imali na raspolaganju, doveli do performansi kojima su pomeli dotadašnju konkurenciju.'

'Model objavljen 2020. godine u međuvremenu je primijenjen na razna istraživačka pitanja: predvidio je potencijalni novi antibiotik, još neke lijekove i nove mehanizme razvoja raznih bolesti. No unatoč velikom potencijalu, godine pred nama će tek pokazati koliko je taj potencijal ostvariv. Naime, model je u stvari kreator znanstvenih hipoteza koje se tek po dokazivanju u eksperimentima koji traju i do deset godina potvrđuju ili opovrgavaju.

Druga polovica nagrade dodijeljena je prof. Davidu Bakeru za istraživanja na polju predviđanja strukture, a ponajviše za konstrukciju potpuno novih, sintetskih proteina sa primjenom u razvoju lijekova, cjepiva te sa ulogom molekularnih motora, minijaturnih senzora i nanočestica.'

Predviđanje proteinskih struktura: je li problem riješen?

Nobelovu nagradu za fiziku koja je dodjeljena za napretke umjetne inteligencije zbog čega je u znanstvenim krugovima izazvala čuđenje pojasnio je prof. dr. sc. Davor Horvatić s Prirodoslovno-matematičkog fakulteta Sveučilišta u Zagrebu.

Davor Horvatić: 'Ovogodišnja Nobelova nagrada za fiziku dodijeljena je pionirima umjetne inteligencije, Geoffreyju Hintonu i Johnu Hopfieldu, čiji rad temeljen na statističkoj fizici povezuje fizikalne principe s razvojem neuronskih mreža. Tema je pobudila veliki interes publike jer se ne radi o toliko poznatom utjecaju fizike na druge dicipline. Hopfieldova mreža i Boltzmannovi strojevi, ključni modeli neuronskih mreža, omogućili su značajne iskorake u umjetnoj inteligenciji koristeći koncepte poput Isingovog modela i Boltzmannove distribucije. U predavanju je naglašen veliki potencijal i doseg fizikalnih modela u opisu svijeta što se posebno vidi u radu ovogodišnjih laureata. Njihov interdisciplinarni pristup pokazuje kako se fizika može primijeniti za rješavanje kompleksnih problema u različitim znanostima i tehnologijama.'

'Statistička fizika proučava kako kolektivno ponašanje sustava proizlazi iz interakcija pojedinačnih elemenata, što je slično funkcioniranju neuronskih mreža, posebno dubokih neuronskih mreža. Ključno je da imamo veći broj jedinki i međudjelovanje među njima. Na primjer, Isingov model, koji opisuje interakcije između atoma s dva moguća stanja (spinovi), inspirirao je Hopfieldovu mrežu, dok Boltzmannova distribucija, koja opisuje raspodjelu čestica po energetskim razinama, predstavlja osnovu Boltzmannovih strojeva.

Isingov model će u statističkoj fizici modelirati magentizaciju materijala, spin (koji se daje globalni efket magneta i smjer magnetskog polja koje magnet proizvodi) orijentirat će se ovisno o smjeru spina susjednih atoma. U slučaju Hopfieldovee mreže isti princip određivat će je li neuron aktivan ili neaktivan. Ovi fizikalni koncepti omogućuju neuronskim mrežama da uče prepoznavati obrasce kroz procese poput minimizacije energije, što je ključ za njihovu primjenu u umjetnoj inteligenciji. Veliki potencijal i doseg fizikalnih modela u opisu svijeta što se posebeno vidi u radu ovodgišnjih laureata. Njihov interdisciplinarni pristup pokazuje kako se fizika može primijeniti za rješavanje kompleksnih problema u različitim znanostima. Jedinke koje međudjeluju ne moraju biti neuroni, mogu biti npr. vrijednosti dionica, biračko tijelo, automobili na cesti itd. Svi ti sustavi do sada su modelirani fizikalnim modelima u okviru statističke fizike.'

Kako je fizika otključala tajne umjetne inteligencije

Predavanje su zajedničkim snagama organizirali FER, Institut za promociju znanosti i studentska udruga EESTEC, a medijski ga je pokrio tportal.hr. Na tom se portalu tjedan prije dodjele Nobelovih nagrada objavio serijal popularno-znanstvenih članaka posvećen svim ovogodišnjim dobitnicima. Znanstvena otkrića i umjetnička postignuća vrijedna najveće svjetske znanstvene nagrade široj su javnosti približili stručnjaci iz različitih područja pa se tako mogu pročitati:

• Revolucija u znanosti: Što otkrića o proteinima znače za medicinu budućnosti, Nobelova nagrada za kemiju, napisala Lazarela Cuparić
• Svjedočanstvima preživjelih iz Hirošime i Nagasakija do svijeta bez nuklearnog oružja, Nobelova nagrada za mir, napisao Ante Nenadić
• Kako su nekad bogate zemlje postale siromašne i što je 'obrtanje sreće', Nobelova nagrada za ekonomiju, napisao doc. dr. sc. Vedran Recher (EFZG)
• Prva južnokorejska nobelovka progovara o krhkosti života i pretrpljenim traumama, Nobelova nagrada za književnost, napisala Iva Antičević
• Kako su dvojica znanstvenika otkrila presudnu ulogu miRNK u regulaciji genske ekspresije, Nobelova nagrada za medicinu, napisala Lazarela Cuparić. 
• Kako je fizika otključala tajne umjetne inteligencije, Nobelova nagrada za fiziku, napisao prof. dr. sc. Davor Horvatić