Στις 8 Οκτώβρη το Νόμπελ Φυσικής απονεμήθηκε για ερευνητική δουλειά στον τομέα της μηχανικής μάθησης. Την επόμενη μέρα το Νόμπελ Χημείας δόθηκε για την ανάπτυξη συστήματος Τεχνητής Νοημοσύνης (ΤΝ) που μπορεί να προβλέψει την τρισδιάστατη δομή πολύπλοκων πρωτεϊνικών μορίων. Μερικοί ισχυρίστηκαν ότι ειδικά το βραβείο για τη Φυσική δεν ήταν Φυσική. Ορισμένοι, αστειευόμενοι, είπαν ότι στο εξής τα δύο βραβεία θα απονέμονται μόνο για νέες προόδους στη μηχανική μάθηση. Ενας από τους νέους νομπελίστες, ο πρωτοπόρος της ΤΝ Τζέφρι Χίντον, πρόβλεψε ότι «τα νευρωνικά δίκτυα είναι το μέλλον».

Επί δεκαετίες η έρευνα για την ΤΝ ήταν κατά κάποιον τρόπο περιθωριακή, με μεγάλες υποσχέσεις και περιορισμένα αποτελέσματα. Με την εμφάνιση των Μεγάλων Γλωσσικών Μοντέλων τα τελευταία χρόνια τα πράγματα άλλαξαν, καθώς οι εξαιρετικές παραγωγικές δυνατότητες των μοντέλων αυτών στη γλώσσα, όπως και άλλων μοντέλων στην παραγωγή εικόνων, επίλυση προβλημάτων κ.ο.κ., οδήγησαν στην εκτίμηση ότι σύντομα η ΤΝ θα εισβάλει σε κάθε τομέα ανθρώπινων επιτευγμάτων. Η σημερινή ΤΝ μπορεί με βάση την προτροπή που θα της δοθεί να παράξει κείμενα, εικόνες, λύσεις, να κάνει ακόμη και ανακαλύψεις που κερδίζουν βραβεία Νόμπελ. Σημαίνει αυτό ότι θα κερδίζει στο εξής τα Νόμπελ των φυσικών επιστημών, ή ίσως ότι έφτασε το τέλος της ανθρώπινης επιστημονικής έρευνας;

Καταρχάς, το Νόμπελ Φυσικής δόθηκε στον Χίντον και στον Τζον Χόπφιλντ, φυσικό και πρώην πρόεδρο της Αμερικανικής Εταιρείας Φυσικής, οι οποίοι ανακάλυψαν πώς η φυσική δυναμική ενός δικτύου μπορεί να κωδικοποιήσει μνήμη. Μια αναλογία που παρουσίασε ο Χόπφιλντ ήταν η μπάλα που καθώς κατρακυλάει σε ένα ανώμαλο έδαφος, συχνά «θυμάται» να ακολουθήσει την ίδια χαμηλότερη «κοιλάδα» αυτής της διαδρομής. Η δουλειά του Χίντον επέκτεινε αυτό το μοντέλο του Χόπφιλντ, δείχνοντας πώς όλο και πιο σύνθετα νευρωνικά δίκτυα, με κρυμμένα στρώματα τεχνητών νευρώνων, μπορούν να μαθαίνουν καλύτερα. Με αυτήν την έννοια το Νόμπελ Φυσικής δόθηκε για βασική έρευνα γύρω από τις φυσικές αρχές που σχετίζονται με την πληροφορία, και όχι για την ΤΝ και τις εφαρμογές της.

Το βραβείο Χημείας δόθηκε κατά το ήμισυ στον βιοχημικό Ντέιβιντ Μπέικερ, ενώ το άλλο μισό σε δύο ερευνητές της εταιρείας ΤΝ «DeepMind», τον κυπριακής καταγωγής Ντέμη Χασσάμπη και τον χημικό Τζον Τζάμπερ. Η τρισδιάστατη μορφή των πρωτεϊνών καθορίζει τη λειτουργικότητά τους ως ενζύμων, δομικών στοιχείων των ζωντανών οργανισμών κ.λπ. Η πρόβλεψη της μορφής που θα έχει μια πρωτεΐνη, με βάση την ακολουθία αμινοξέων, είναι εξαιρετικά δύσκολο πρόβλημα. Πρώτα ο Μπέικερ ανέπτυξε λογισμικό που στόχευε να δώσει λύση στο πρόβλημα, αλλά και λογισμικό που επέτρεπε τη σχεδίαση νέων πρωτεϊνών εξαρχής. Μέχρι το 2018, από τις 200 εκατομμύρια πρωτεΐνες που είναι γνωστές στην επιστήμη μόνο 150.000, δηλαδή το 0,1%, είχαν επιβεβαιωμένες τρισδιάστατες δομές. Τότε ο Χασσάμπης και ο Τζάμπερ παρουσίασαν το AlphaFold, σε έναν διαγωνισμό για λογισμικό που μπορεί να προβλέψει την αναδίπλωση των μορίων των πρωτεϊνών. Το λογισμικό νίκησε με διαφορά τον συναγωνισμό, ενώ η δεύτερη παραλλαγή του προγράμματος ΤΝ έδωσε την τρισδιάστατη δομή όλων των γνωστών πρωτεϊνών, και τώρα η τρίτη εκδοχή του AlphaFold κάνει το ίδιο και για τα μόρια DNA και RNA, ενώ μπορεί να προβλέψει και την αλληλεπίδραση των μορίων αυτών με τα μόρια των πρωτεϊνών.

Παρά τα επιτεύγματά του, το AlphaFold έχει και αδυναμίες. Η έκδοση 2.0 δεν μπορούσε να προβλέψει ατέλειες στις πρωτεΐνες, ενώ δυσκολευόταν πολύ με τους «βρόχους», μια δομή που είναι κρίσιμη για τον σχεδιασμό φαρμάκων. Χωρίς να είναι η πανάκεια για κάθε πρόβλημα σχετικό με την αναδίπλωση των πρωτεϊνών, είναι ένα εξαιρετικό εργαλείο, που δικαιολογημένα έγινε αιτία για απονομή Νόμπελ, όπως και άλλα εργαλεία στο παρελθόν (π.χ. η ηλεκτρονική αριθμομηχανή το 2000, το μπλε LED το 2014, οι μπαταρίες λιθίου το 2019). Πολλά από αυτά τα εργαλεία έχουν ενσωματωθεί στην καθημερινότητα, όπου δεν τους δίνουμε σημασία, όπως το τρανζίστορ, για το οποίο απονεμήθηκε το Νόμπελ Φυσικής του 1956. Στην πορεία του χρόνου, καθώς τα εργαλεία της τρέχουσας εκδοχής της ΤΝ θα γίνουν κάτι πολύ κοινό, θα περάσουν κι αυτά στο περιθώριο.

Βεβαίως, ένα ερώτημα που τίθεται είναι αν ποτέ στο μέλλον πρόκειται να βραβευτούν εργασίες στις θετικές επιστήμες που θα έχουν πραγματοποιηθεί εξολοκλήρου χωρίς χρήση ΤΝ. Αυτό είναι δύσκολο να προβλεφθεί. Σίγουρο είναι ότι η ΤΝ προσφέρει τη δυνατότητα για μια νέα εκρηκτική ανάπτυξη της επιστήμης. Ισως σύντομα βοηθήσει στην ανάπτυξη νέων μορίων χρήσιμων για πιο αποδοτικές μπαταρίες, ή θα ανακαλύψει υποατομικά σωματίδια που κρύβονται μέσα στον τεράστιο όγκο δεδομένων των επιταχυντών σωματιδίων. Αλλά η ΤΝ έχει έναν κρίσιμο περιορισμό στις δυνατότητές της, που είναι θεμελιώδες χαρακτηριστικό της επιστήμης: Την εξάρτηση της επιστήμης από τον πραγματικό κόσμο, κάτι που δεν μπορεί να υπερβεί ούτε η ΤΝ, σημερινή ή μελλοντική, κάνοντας μόνο υπολογισμούς.

Η ΤΝ από μια πλευρά μπορεί να είναι τόσο καλή όσο τα δεδομένα που της δίνονται. Γι' αυτά τα δεδομένα θα πρέπει να στηρίζεται στις παρατηρήσεις από εργαλεία και μέσα που, τουλάχιστον τώρα και στο προσεχές μέλλον, χρειάζονται ανθρώπους για να τα λειτουργήσουν και συντηρήσουν. Αλλά πέρα απ' αυτό, χρειάζονται άνθρωποι επιστήμονες που ποθούν να μελετήσουν τον κόσμο και να διατυπώσουν τα ερωτήματα που η ΤΝ δεν μπορεί να διατυπώσει. Οπως είχε γράψει ο ίδιος ο Χόπφιλντ, η Φυσική - η επιστήμη γενικότερα - βασίζεται στη θέση ότι ο κόσμος είναι κατανοήσιμος με ποσοτικούς όρους, με βάση προσεκτικά πειράματα και παρατήρηση. Ο φυσικός κόσμος, στο ατελείωτο μεγαλείο και μυστήριό του, υπάρχει ακόμα για εξερεύνηση από τους μελλοντικούς επιστήμονες, είτε με τη βοήθεια της ΤΝ είτε χωρίς.