Tempen på tiårets forskning og teknologi

Noen nyskapninger påvirker hverdagen til folk flest, mens andre legger grunnlaget for videre forskning.

Tekst: Britta Benz, Bendik Brodshaug

Mesterverket maskinlæring: 2010-d.d.

I årene 2010-2011 muliggjorde et noe tilfeldig sammentreff revolusjonen som er maskinlæring, et av de største sprangene innen kunstig intelligens.

– Store mengder tilgjengelig data, riktig type maskinvare og metodene for å bruke maskinvarene, sammenfalt til akkurat riktig tid, forteller professor Gunnar Tufte ved NTNUs Institutt for datateknologi og informatikk.

Med denne teknologien kan maskiner løse problemer som det tidligere ble antatt at kun mennesker kunne løse.

– Dyp læring og maskinlæring utslettet nesten alt annet som fantes innen feltet. Det er virkelig en revolusjon, konstaterer professor Rudolf Mester ved NTNUs Institutt for datateknologi og informatikk.

Et av de mest omtalte eksemplene på maskinlæringens kraft er fra 2016, da den tidligere verdensmesteren i det komplekse brettspillet Go, Lee Se-dol, tapte mot programvaren AlphaGo, utviklet av selskapet DeepMind, som er eid av Google.

Hva er kunstig intelligens?

Både Tufte og Mester poengterer at kunstig intelligens ikke har en samlet definisjon, selv om det er lett å komme med konkrete eksempler på det.

– Dersom du klarer å defi nere hva intelligens er, er du halvveis på vei å skape ekte kunstig intelligens, sier Mester. Begge er enig i at intelligens er mer enn kun læring, og at det derfor er vanskelig å si at systemer som for eksempel bruker maskinlæring virkelig er intelligente.

Begge er enig i at intelligens er mer enn kun læring, og at det derfor er vanskelig å si at systemer som for eksempel bruker maskinlæring virkelig er intelligente.

– Ofte presenteres kunstig intelligens for den generelle befolkningen som en enhet med egen bevissthet, noe som absolutt ikke stemmer. Kommersielle selskaper gir gjerne inntrykk av at disse maskinene kan gjøre mye mer enn det de egentlig kan, sier Tufte.

Maskinlæring er avhengig av tilgang til svært store datamengder, noe som ikke har vært tilgjengelig tidligere i like stor grad som nå. Dette har bidratt til den eksplosive økningen av maskinlæring. Likevel er manglende tilgang på data i noen felt et hinder for videre integrering av kunstig intelligens. Et eksempel er medisinsk diagnostisering hvor det lagres en mengde bilder. Av diverse hensyn eksisterer det likevel svært strenge lover for hvordan og med hvem disse kan deles.

– Fordelen med slike framskritt er at vi blant annet kan løse arbeidsoppgaver som tidligere har krevd høy menneskelig kompetanse og utdanning, utelukkende ved teknologi, opplyser professor Arne Krokan ved Institutt for sosiologi og statsvitenskap ved NTNU.

Han påpeker videre at de største ulempene er at det skaper mange endringer i samfunnet, og store krav til omstillinger, både for virksomheter og enkeltpersoner.

– Slike teknologier stiller oss også overfor nye etiske utfordringer, for eksempel hvorvidt kritiske beslutninger skal kunne fattes av teknologi og ikke mennesker, forklarer Krokan

En stor, bitteliten oppdagelse: 2012

Professor Jens Oluf Andersen ved Institutt for fysikk forteller hvordan oppdagelsen av Higgsbosonet passer inn i standardmodellen. Standard modellen er en teori som beskriver alle partikler i universet og hvordan de samhandler med hverandre. Før 2012 var Higgsbosonet den eneste uobserverte partikkelen. På en måte kan man si at det var den siste brikken i puslespillet.

– Det kan selvsagt hende at det finnes uoppdagede partikler, men nå har vi observert alle partikler gjennom en akseptert teoretisk ramme.

Nevrovitenskapens utvikling: 2014

2014 var et virkelig suksessrikt år for nevrovitenskap i Norge med tildelingen av nobelprisen i medisin til professor May-Britt Moser og professor Edvard Moser ved Kavliinstituttet for nevrovitenskap. Mesteparten av arbeidet bak oppdagelsen av gitterceller, som de fikk prisen for, ble derimot foretatt på 2000-tallet.

– 2010-tallet har vært et stort tiår for utvikling av verktøy innen nevrovitenskap. Dette har gitt en dramatisk økning av datamengder og detaljrikdom, forteller førstamanuensis Jonathan Whitlock ved Fakultet for medisin og helsevitenskap. Whitlock påpeker videre at økningen i datamengder gir utfordringer som tidligere var helt ukjent. Der man for bare ti år siden strevde med å samle nok data på kort tid, strever en i dag med å få analysert store datamengder raskt nok.

– Analysen og analysemetoder av data er det som virkelig vil utvikles og modnes det kommende tiåret, konstaterer Whitlock.

Dette krever en omstilling av fagfeltet – der beregningsorientert nevrovitenskap før utgjorde en liten del av fagfeltet, har det i løpet av de siste årene praktisk talt blitt hele fagfeltet. Dette gir en stor økning i etterspørselen etter datavitenskap, statistikk, og databehandling. Whitlock ser for seg at teknologi som maskinlæring kan bli svært relevant i analysen av data i framtiden.

– Neuropixel-prober forandrer nevrofysiologisk datainnsamling totalt. Der en på starten av 2010-tallet kunne samle inn elektriske signaler fra et par dusin celler på en gang, kan en nå samle inn så mange som 1000, sier Whitlock.

Neuropixel ble lagt ut for kommersielt salg i 2018, men ble ferdigutviklet noen år tidligere. Innen vitenskapsteknologi kan det gå fl ere år fra et produkt utvikles til det tas i bruk. En av hovedgrunnene er at nye produkter møter stor motstand og skepsis dersom det gamle produktet fungerer bra. Den generelle trenden innen forskning og teknologi er en gradvis utvikling, og store sprang som maskinlæring er sjeldne.

Nye bølger: 2016

Tidlig i 2016 ble gravitasjonsbølger for første gang målt, etter en kollisjon av to svarte hull. Målingen er en direkte bekreft else på at disse bølgene finnes. Andersen forklarer at en kan tenke på en gravitasjonsbølge som en bølge som forplanter seg gjennom universet fra stedet den ble generert. Gravitasjonsbølger dannes blant annet når to stjerner eller to svarte hull roterer om massesenteret deres.

– Når disse to møtes, dannes enten en veldig stor nøytronstjerne, eller et veldig massivt svart hull, forklarer Andersen videre.

Målrettet biologi: 2016

Førsteamanuensis og seniorforsker, Rahmi Lale, ved Institutt for bioteknologi forteller om hvordan man i større grad kan endre og digitalisere biologi. Et av de mer kjente eksemplene er enzymsystemet CRISPR/Cas9. Det kan brukes til å gjøre målrettede endringer i sekvenser av DNA. Etikken bak CRISPR/Cas9 og generell genteknologi ble et hett tema i 2018, etter at en kinesisk forsker genmodifi serte to menneskeembryoer. Lale forteller også om Craig Venters Synthia 3.0, en syntetisk bakterie fra 2016. I Synthia er genomet kuttet ned til de mest essensielle genene som organismen trenger for å leve. 149 av Synthias 473 gen har en ukjent, men nødvendig, funksjon.

– Forskning og forståelse går hånd i hånd. Det er ikke forståelse uten utvikling, men nå har det vært mye utvikling og lite forståelse. Bakterien E.coli er forsket på i nesten 40 år, men vi forstår fortsatt ikke hvordan genreguleringen foregår, avslutter Lale.

Framtidens farer: 2018

Blant de største endringene innen datateknologi det siste tiåret er hvem som sitter på kunnskap, og hvor detaljert den er. Tidligere var det gjerne regjeringer og stater som satt på personlig informasjon som inntekt, bosted, reisevaner, og arbeidssted. Dette har i løpet av de siste årene endret seg drastisk.

– Nå er det private selskaper som sitter på ekstremt detaljert informasjon om oss og våre vaner, og all informasjon ligger nå i uregulerte områder, forklarer Tufte.

En annen bekymring er å miste innsikten i hvordan teknologien fungerer, spesielt ved seriøs bruk, som blant annet i autonome kjøretøy og i medisinske undersøkelser.

– I retrospekt er det interessant å se på disse systemene og prøve å finne ut hvilke deler som gjør dem så kraft ige, og hvilke som egentlig ikke har noen hensikt, sier Mester. Mester poengterer videre at å identifi sere og ta vekk de ekstra parameterne vil bidra til å gjøre systemene mer kostnads- og energieff ektive.

– Å redusere parameterne til et system kan resultere i tapt informasjon, som gjør at evnen til å se inn i systemet på et lavere nivå kan gå tapt. Dette vil gjøre det utfordrende å finne ut hvorfor et system tar de avgjørelsene det tar, utdyper Tufte.

Mester påpeker at det er viktig å kunne vite hvorfor systemer med kunstig intelligens tar de valgene og avgjørelsene de tar. Dette krever at mennesker har nok innsikt i hvordan systemene fungerer, og at ikke for store mengder informasjon går tapt når de effektiviseres.

– Oppførselen kan ikke alltid forutses, men dersom noe går galt er det svært viktig at en kan finne ut hvorfor det gikk galt, og dermed unngå at feilen gjentas, legger Tufte til. Dette temaet fi kk stor oppmerksomhet i 2018, da en selvkjørende Uber bil kjørte ned og drepte en fotgjenger.

Et blikk mot tomheten: 2019

I det kjente bildet av det sorte hullet fra 2019 er det mulig å se hendelseshorisonten. Professor emeritus, Iver Håkon Brevik, ved Institutt for energi- og prosessteknikk, forklarer at hendelseshorisonten er en flate hvor, ifølge klassisk gravitasjonsteori, ingenting unnslipper å bli dratt inn i det sorte hullet. Selv ikke lys. Bildet ble skapt av å sammenligne ulike bilder fra fl ere teleskop rundt om i verden som alle var rettet mot det svarte hullet M87*.