211service.com
Sztuczna inteligencja odkrywa na nowo sposób, w jaki wymyślamy
Biuro Reginy Barzilay w MIT daje jasny obraz instytutów Novartis Institute for Biomedical Research. Grupa Amgen zajmująca się odkrywaniem leków znajduje się kilka przecznic dalej. Do niedawna Barzilay, jeden z czołowych badaczy sztucznej inteligencji na świecie, nie poświęcał zbyt wiele uwagi tym pobliskim budynkom pełnym chemików i biologów. Ale kiedy sztuczna inteligencja i uczenie maszynowe zaczęły dokonywać coraz bardziej imponujących wyczynów w zakresie rozpoznawania obrazów i rozumienia języka, zaczęła się zastanawiać: czy może to również zmienić zadanie znajdowania nowych leków?
Problem polega na tym, że badacze-ludzie mogą zbadać tylko mały wycinek tego, co jest możliwe. Szacuje się, że istnieje aż 1060 cząsteczek potencjalnie podobnych do leków — więcej niż liczba atomów w Układzie Słonecznym. Jednak przemierzanie pozornie nieograniczonych możliwości jest tym, w czym uczenie maszynowe jest dobre. Wyszkolone na dużych bazach danych istniejących molekuł i ich właściwościach, programy mogą badać wszystkie możliwe powiązane molekuły.
Ta historia była częścią naszego wydania z marca 2019 r.
- Zobacz resztę numeru
- Subskrybuj
Odkrywanie leków to niezwykle kosztowny i często frustrujący proces. Chemicy medyczni muszą odgadnąć, które związki mogą tworzyć dobre leki, wykorzystując swoją wiedzę o tym, jak struktura cząsteczki wpływa na jej właściwości. Syntetyzują i testują niezliczone warianty, z których większość to awarie. Wymyślanie nowych cząsteczek to wciąż sztuka, bo masz tak ogromną przestrzeń możliwości – mówi Barzilay. Znalezienie dobrych kandydatów na leki zajmuje dużo czasu.
Przyspieszając ten krytyczny krok, głębokie uczenie może zaoferować chemikom znacznie więcej możliwości, co znacznie przyspieszy odkrywanie leków. Jedna zaleta: często dziwaczna wyobraźnia uczenia maszynowego. Może pójdzie w innym kierunku, w który nie wszedłby człowiek, mówi Angel Guzman-Perez, badacz leków w Amgen, który pracuje z Barzilay. Myśli inaczej.
Inni wykorzystują uczenie maszynowe, aby wymyślić nowe materiały do zastosowań czystych technologii. Wśród pozycji na liście życzeń znajdują się ulepszone baterie do przechowywania energii w sieci elektrycznej i organiczne ogniwa słoneczne, które mogą być znacznie tańsze w produkcji niż dzisiejsze nieporęczne akumulatory na bazie krzemu.
Takie przełomy stały się trudniejsze i droższe do osiągnięcia, ponieważ chemia, materiałoznawstwo i odkrywanie leków stały się niesamowicie złożone i nasycone danymi. Mimo że przemysł farmaceutyczny i biotechnologiczny inwestują pieniądze w badania, liczba nowych leków opartych na nowych molekułach utrzymuje się na stałym poziomie w ciągu ostatnich kilkudziesięciu lat. I nadal utknęliśmy z bateriami litowo-jonowymi z początku lat 90. i projektami krzemowych ogniw słonecznych, które również mają dziesiątki lat.
Złożoność, która spowolniła postępy w tych dziedzinach, to obszar, w którym wyróżnia się głębokie uczenie. Przeszukiwanie wielowymiarowej przestrzeni w celu znalezienia cennych prognoz to najlepszy punkt AI, mówi Ajay Agrawal, ekonomista w Rotman School of Management w Toronto i autor bestsellera Maszyny prognostyczne: prosta ekonomia sztucznej inteligencji .
W niedawnym artykule ekonomiści z MIT, Harvardu i Boston University argumentowali, że największy wpływ gospodarczy AI może wynikać z jej potencjału jako nowej metody wynalazczości, która ostatecznie zmienia charakter procesu innowacji i organizacji badań i rozwoju.
Iain Cockburn, ekonomista z BU i współautor artykułu, mówi: Nowe metody wynalazcze o szerokich zastosowaniach nie pojawiają się zbyt często, a jeśli nasze przypuszczenia są słuszne, sztuczna inteligencja może radykalnie zmienić koszty prowadzenia prac badawczo-rozwojowych w wielu różnych dziedzinach. Wiele innowacji polega na przewidywaniu na podstawie danych. W takich zadaniach, dodaje Cockburn, uczenie maszynowe może być znacznie szybsze i tańsze o rzędy wielkości.
Innymi słowy, głównym dziedzictwem sztucznej inteligencji mogą nie być samochody bez kierowców, wyszukiwanie obrazów, ani nawet zdolność Alexy do przyjmowania zamówień, ale jej zdolność do wymyślania nowych pomysłów, które same w sobie napędzają innowacje.
Pomysły stają się drogie
Pod koniec ubiegłego roku Paul Romer zdobył ekonomiczną Nagrodę Nobla za pracę wykonaną w późnych latach 80. i na początku lat 90., która pokazała, jak inwestycje w nowe idee i innowacje napędzają silny wzrost gospodarczy. Wcześniej ekonomiści zauważyli związek między innowacjami a wzrostem, ale Romer dostarczył znakomitego wyjaśnienia, jak to działa. Przez dziesięciolecia wnioski Romera były intelektualną inspiracją dla wielu mieszkańców Doliny Krzemowej i pomagały wyjaśnić, w jaki sposób osiągnęła ona takie bogactwo.
Ale co, jeśli nasz potok nowych pomysłów wysycha? Ekonomiści Nicholas Bloom i Chad Jones ze Stanford, Michael Webb, doktorant na uniwersytecie i John Van Reenen z MIT, przyjrzeli się temu problemowi w niedawno opublikowanym artykule zatytułowanym Czy coraz trudniej znaleźć pomysły? (Odpowiedź brzmiała: Tak). Patrząc na odkrywanie leków, badania nad półprzewodnikami, innowacje medyczne i wysiłki na rzecz poprawy plonów, ekonomiści odkryli wspólną historię: inwestycje w badania gwałtownie rosną, ale zyski pozostają stałe.
Z perspektywy ekonomisty jest to problem z wydajnością: płacimy więcej za podobną wielkość produkcji. A liczby wyglądają źle. Wydajność badawcza — liczba badaczy potrzebnych do uzyskania danego wyniku — spada o około 6,8% rocznie w przypadku zadania polegającego na rozszerzeniu prawa Moore'a, które wymaga znalezienia sposobów na upakowanie coraz większej liczby i mniejszych elementów na chipie półprzewodnikowym w celu sprawiać, by komputery były szybsze i wydajniejsze. (Odkryli, że podwojenie gęstości wiórów wymaga ponad 18 razy więcej naukowców niż miało to miejsce na początku lat 70.) W celu ulepszenia nasion, mierzonej plonami, wydajność badań spada o około 5% każdego roku. Dla całej gospodarki USA spada o 5,3%.
Rosnąca cena wielkich pomysłów
Według ekonomistów ze Stanford i MIT znalezienie nowych, produktywnych pomysłów wymaga większej liczby badaczy i pieniędzy. Jest to prawdopodobny czynnik ogólnego powolnego wzrostu w USA i Europie w ostatnich dziesięcioleciach. Poniższy wykres przedstawia wzorzec dla całej gospodarki, podkreślając całkowitą produktywność czynników produkcji w USA (średnia z dekady i dla lat 2000–2014) — miarę wkładu innowacji — w porównaniu z liczbą badaczy. Podobne wzorce obowiązują w przypadku konkretnych obszarów badawczych.
źródło: bloom, jones, van reenen i webb
Jak dotąd wszelkie negatywne skutki tego spadku były kompensowane przez fakt, że inwestujemy więcej pieniędzy i ludzi w badania. Więc wciąż podwajamy liczbę tranzystorów w chipie co dwa lata, ale tylko dlatego, że poświęcamy temu problemowi znacznie więcej osób. Będziemy musieli podwoić nasze inwestycje w badania i rozwój w ciągu najbliższych 13 lat tylko po to, by stąpać po wodzie.
Może być oczywiście tak, że dziedziny takie jak nauka o uprawach i badania nad półprzewodnikami się starzeją, a możliwości innowacji kurczą się. Jednak naukowcy odkryli również, że ogólny wzrost związany z innowacjami w gospodarce był powolny. Wszelkie inwestycje w nowe obszary i wszelkie wynalazki, które wygenerowały, nie zmieniły ogólnej historii.
Spadek produktywności badawczej wydaje się być trendem trwającym od dziesięcioleci. Ale jest to szczególnie niepokojące dla ekonomistów, ponieważ od połowy 2000 roku obserwujemy ogólne spowolnienie wzrostu gospodarczego. W czasach genialnych nowych technologii, takich jak smartfony, samochody bez kierowcy i Facebook, wzrost jest powolny, a część tego przypisywana innowacjom – zwana całkowitą produktywnością czynników produkcji – była szczególnie słaba.
Utrzymujące się skutki załamania finansowego z 2008 r. mogą hamować wzrost, mówi Van Reenen, a tym samym może utrzymywać się niepewność polityczna. Ale bez wątpienia przyczynia się do tego fatalna produktywność badań. I mówi, że jeśli spadek będzie kontynuowany, może to poważnie zaszkodzić przyszłemu dobrobytowi i wzrostowi.
To ma sens, że wybraliśmy już wiele z tego, co niektórzy ekonomiści lubią nazywać nisko wiszącym owocem, jeśli chodzi o wynalazki. Czy to możliwe, że jedynym owocem, który pozostał, jest kilka pomarszczonych jabłek na najdalszych gałęziach drzewa? Robert Gordon, ekonomista z Northwestern University, był zdecydowanym zwolennikiem tego poglądu. Mówi, że raczej nie dorównamy rozkwitowi odkryć, który zaznaczył się na przełomie XIX i XX wieku, kiedy wynalazki, takie jak elektryczne światło i moc oraz silnik spalinowy, doprowadziły do stulecia bezprecedensowego dobrobytu.
Jeśli Gordon ma rację i pozostało mniej wielkich wynalazków, jesteśmy skazani na ponurą ekonomiczną przyszłość. Ale niewielu ekonomistów uważa, że tak jest. Raczej ma sens, że istnieją nowe wielkie pomysły; znalezienie ich staje się coraz droższe, ponieważ nauka staje się coraz bardziej złożona. Szanse, że kolejna penicylina właśnie wpadnie nam w kolana, są nikłe. Będziemy potrzebować coraz większej liczby naukowców, aby zrozumieć postęp nauki w dziedzinach takich jak chemia i biologia.
To właśnie Ben Jones, ekonomista z Northwestern, nazywa ciężarem wiedzy. Naukowcy stają się coraz bardziej wyspecjalizowani, przez co konieczne jest tworzenie większych – i droższych – zespołów do rozwiązywania problemów. Badania Jonesa pokazują, że wiek, w którym naukowcy osiągają szczytową produktywność, rośnie: zdobywanie wiedzy, której potrzebują, zajmuje im więcej czasu. Mówi, że to wrodzony produkt uboczny wykładniczego wzrostu wiedzy.
Wiele osób mówi mi, że nasze odkrycia są przygnębiające, ale ja nie postrzegam tego w ten sposób, mówi Van Reenen. Innowacje mogą być trudniejsze i droższe, ale to, jak mówi, po prostu wskazuje na potrzebę polityki, w tym zachęt podatkowych, które zachęcą do inwestowania w więcej badań.
Tak długo, jak przeznaczasz zasoby na badania i rozwój, możesz utrzymać zdrowy wzrost wydajności, mówi Van Reenen. Ale musimy być przygotowani na wydawanie pieniędzy, aby to zrobić. To nie jest darmowe.
Rezygnacja z nauki
Czy sztuczna inteligencja może twórczo rozwiązywać problemy, których wymaga taka innowacja? Niektórzy eksperci są teraz przekonani, że może, biorąc pod uwagę postępy, jakie oferuje maszyna do gier AlphaGo.
AlphaGo do perfekcji opanowała starożytną grę Go, pokonując panującego mistrza, studiując niemal nieograniczoną liczbę możliwych ruchów w grze, w którą ludzie grali od kilku tysięcy lat, w dużym stopniu polegając na intuicji. Robiąc to, czasami wymyślało zwycięskie strategie, o których żaden gracz nie pomyślał. Podobnie, zgodnie z myśleniem, programy głębokiego uczenia wyszkolone na dużej ilości danych eksperymentalnych i literatury chemicznej mogą stworzyć nowe związki, których naukowcy nigdy nie wyobrażali sobie.
Czy przełom podobny do AlphaGo może pomóc rosnącym armiom badaczy ślęczących nad stale poszerzanymi danymi naukowymi? Czy sztuczna inteligencja mogłaby przyspieszyć i zwiększyć wydajność badań podstawowych, ożywiając obszary, które stały się zbyt kosztowne dla firm?
W ciągu ostatnich kilkudziesięciu lat nasze wysiłki badawczo-rozwojowe uległy ogromnemu wstrząsowi. Od czasów, gdy Bell Labs AT&T i PARC Xeroxa produkowały przełomowe wynalazki, takie jak tranzystor, ogniwa słoneczne i drukowanie laserowe, większość dużych firm w Stanach Zjednoczonych i innych bogatych gospodarkach zrezygnowała z podstawowych badań. Tymczasem federalne inwestycje w badania i rozwój w USA są płaskie, szczególnie w dziedzinach innych niż nauki przyrodnicze. Tak więc, podczas gdy nadal zwiększamy ogólną liczbę badaczy i przekształcamy postępy w możliwości komercyjne, obszary wymagające długoterminowych badań i ugruntowania podstaw nauk ścisłych ucierpiały.
Szczególnie wynalezienie nowych materiałów stało się komercyjnym zaściankiem. To powstrzymywało potrzebne innowacje w czystej technologii — takie jak lepsze baterie, wydajniejsze ogniwa słoneczne i katalizatory do wytwarzania paliw bezpośrednio ze światła słonecznego i dwutlenku węgla (pomyśl o sztucznej fotosyntezie). Chociaż ceny paneli słonecznych i baterii stale spadają, wynika to głównie z usprawnień w produkcji i ekonomii skali, a nie z fundamentalnych postępów w samych technologiach.
Czy przełom podobny do AlphaGo może pomóc rosnącym armiom badaczy ślęczących nad stale poszerzanymi danymi naukowymi?
Opracowanie nowego materiału zajmuje średnio od 15 do 20 lat, mówi Tonio Buonassisi, inżynier mechanik z MIT, który współpracuje z zespołem naukowców w Singapurze, aby przyspieszyć ten proces. To zdecydowanie za długo dla większości firm. Jest to niepraktyczne nawet dla wielu grup akademickich. Kto chce spędzić lata na materiale, który może, ale nie musi działać? Właśnie dlatego startupy wspierane przez venture, które wygenerowały wiele innowacji w oprogramowaniu, a nawet w biotechnologii, już dawno zrezygnowały z czystej technologii: inwestorzy venture capital generalnie potrzebują zwrotu w ciągu siedmiu lat lub wcześniej.
10-krotne przyspieszenie [w szybkości odkrywania materiałów] jest nie tylko możliwe, ale wręcz konieczne, mówi Buonassisi, który prowadzi laboratorium badań fotowoltaicznych w MIT. Jego celem i luźno połączonej sieci kolegów naukowców jest wykorzystanie sztucznej inteligencji i uczenia maszynowego, aby skrócić ten okres od 15 do 20 lat do około dwóch do pięciu lat poprzez atakowanie różnych wąskich gardeł w laboratorium, automatyzację jak najwięcej procesu. Szybszy proces daje naukowcom znacznie więcej potencjalnych rozwiązań do przetestowania, pozwala znaleźć ślepe uliczki w ciągu godzin, a nie miesięcy, i pomaga zoptymalizować materiały. Zmienia to, jak myślimy jako badacze, mówi.
Może to również sprawić, że odkrywanie materiałów ponownie stanie się opłacalnym celem biznesowym. Buonassisi wskazuje na wykres pokazujący czas potrzebny na opracowanie różnych technologii. Jedna z kolumn oznaczonych bateriami litowo-jonowymi pokazuje 20 lat.
Inna, znacznie krótsza kolumna, nazywana jest nowym ogniwem słonecznym; na szczycie znajduje się cel klimatyczny na 2030 rok. Sprawa jest jasna: nie możemy czekać kolejnych 20 lat na kolejny przełom w materiałach czystych technologii.
Startupy AI w lekach i materiałach| jeden Atomowe | dwa Kebotix | 3 Głęboka genomika | |
|---|---|---|---|
| Co oni robią | Użyj sieci neuronowych do przeszukiwania dużych baz danych w celu znalezienia małych cząsteczek podobnych do leków, które wiążą się z docelowymi białkami. | Opracuj połączenie robotyki i sztucznej inteligencji, aby przyspieszyć odkrywanie i opracowywanie nowych materiałów i chemikaliów. | Wykorzystaj sztuczną inteligencję do wyszukiwania cząsteczek oligonukleotydów do leczenia chorób genetycznych. |
| Dlaczego jest to ważne | Identyfikacja takich cząsteczek o pożądanych właściwościach, takich jak siła działania, to pierwszy krytyczny krok w odkrywaniu leków. | Opracowanie materiału zajmuje ponad dekadę. Skrócenie tego czasu może nam pomóc w rozwiązaniu problemów, takich jak zmiana klimatu. | Leczenie oligonukleotydami jest obiecujące w przypadku wielu chorób, w tym zaburzeń neurodegeneracyjnych i metabolicznych. |
Laboratorium oparte na sztucznej inteligencji
Przyjdź do wolnej krainy: w ten sposób Alán Aspuru-Guzik zaprasza dziś gościa z USA do swojego laboratorium w Toronto. W 2018 roku Aspuru-Guzik opuścił dotychczasowe stanowisko profesora chemii na Harvardzie, przenosząc się z rodziną do Kanady. Jego decyzja była podyktowana silną niechęcią do prezydenta Donalda Trumpa i jego polityki, zwłaszcza w zakresie imigracji. Nie zaszkodziło jednak to, że Toronto szybko staje się mekką badań nad sztuczną inteligencją.
Aspuru-Guzik jest nie tylko profesorem chemii na Uniwersytecie w Toronto, ale również pracuje w Vector Institute for Artificial Intelligence. Jest to centrum sztucznej inteligencji, którego współzałożycielem jest Geoffrey Hinton, którego pionierskie prace nad głębokim uczeniem i sieciami neuronowymi w dużej mierze przypisuje się zapoczątkowaniu dzisiejszego boomu w dziedzinie sztucznej inteligencji.
W godnym uwagi artykule z 2012 r. Hinton i jego współautorzy wykazali, że głęboka sieć neuronowa, wyszkolona na ogromnej liczbie zdjęć, może zidentyfikować grzyba, lamparta i psa dalmatyńczyka. W tamtym czasie był to niezwykły przełom i szybko zapoczątkował rewolucję AI wykorzystującą algorytmy głębokiego uczenia się do zrozumienia dużych zbiorów danych.
Naukowcy szybko znaleźli sposoby na wykorzystanie takich sieci neuronowych, aby pomóc samochodom bez kierowcy nawigować i rozpoznawać twarze w tłumie. Inni zmodyfikowali narzędzia do głębokiego uczenia się, aby mogli się szkolić; wśród tych narzędzi są GAN (generatywne sieci adwersarzy), które mogą fabrykować obrazy scen i ludzi, którzy nigdy nie istnieli.
W artykule uzupełniającym z 2015 r. Hinton dostarczył wskazówek, że uczenie głębokie może być wykorzystywane w badaniach chemicznych i materiałowych. Jego artykuł zachwalał zdolność sieci neuronowych do odkrywania skomplikowanych struktur w danych wielowymiarowych – innymi słowy, te same sieci, które mogą poruszać się po milionach obrazów, aby znaleźć, powiedzmy, psa z plamkami mogą sortować miliony molekuł w celu zidentyfikowania jednego. z pewnymi pożądanymi właściwościami.
Energiczny i pełen pomysłów Aspuru-Guzik nie jest typem naukowca, który cierpliwie spędza dwie dekady na zastanawianiu się, czy dany materiał będzie działał. Szybko zaadaptował głębokie uczenie i sieci neuronowe, aby spróbować na nowo odkrywać materiały. Chodzi o to, aby wprowadzić sztuczną inteligencję i automatyzację we wszystkie etapy badań materiałowych: wstępne projektowanie i syntezę materiału, jego testowanie i analizę, a wreszcie liczne udoskonalenia optymalizujące jego wydajność.
W mroźny, zimny dzień na początku stycznia Aspuru-Guzik ma kapelusz ciasno naciągnięty na uszy, ale poza tym wydaje się być nieświadomy gorzkiej kanadyjskiej pogody. Ma inne sprawy na głowie. Po pierwsze, wciąż czeka na dostawę robota o wartości 1,2 miliona dolarów, znajdującego się teraz na statku ze Szwajcarii, który będzie centralnym elementem zautomatyzowanego laboratorium opartego na sztucznej inteligencji, które przewidział.
W laboratorium narzędzia do głębokiego uczenia się, takie jak GAN i ich kuzyn, technika zwana autoenkoderem, wyobrazą sobie obiecujące nowe materiały i dowiedzą się, jak je wykonać. Robot następnie wykona związki; Aspuru-Guzik chce stworzyć niedrogi zautomatyzowany system, który byłby w stanie wypluwać nowe molekuły na żądanie. Po wykonaniu materiałów można je analizować za pomocą instrumentów, takich jak spektrometr mas. Dodatkowe narzędzia do uczenia maszynowego zrozumieją te dane i zdiagnozują właściwości materiału. Te spostrzeżenia zostaną następnie wykorzystane do dalszej optymalizacji materiałów, ulepszania ich struktur. A potem, mówi Aspuru-Guzik, AI wybierze kolejny eksperyment do wykonania, zamykając pętlę.
Chodzi o to, aby wprowadzić sztuczną inteligencję i automatyzację na wszystkie etapy badań materiałów i odkrywania leków.
Gdy robot będzie już na miejscu, Aspuru-Guzik spodziewa się, że co dwa dni będzie wytwarzać około 48 nowatorskich materiałów, czerpiąc ze spostrzeżeń uczenia maszynowego, aby nadal ulepszać swoje struktury. To jeden obiecujący nowy materiał co godzinę, bezprecedensowe tempo, które może całkowicie zmienić produktywność laboratorium.
Mówi, że nie chodzi tylko o wymyślenie magicznego materiału. Aby naprawdę zmienić badania materiałowe, musisz zaatakować cały proces: Jakie są wąskie gardła? Chcesz AI w każdym kawałku laboratorium. Gdy masz na przykład proponowaną strukturę, nadal musisz wymyślić, jak to zrobić. Rozwiązanie tego, co chemicy nazywają retrosyntezą, może zająć tygodnie, a nawet miesiące — cofanie się od struktury molekularnej w celu ustalenia kroków niezbędnych do zsyntetyzowania takiego związku. Kolejnym wąskim gardłem jest zrozumienie ryz danych generowanych przez sprzęt analityczny. Uczenie maszynowe może przyspieszyć każdy z tych kroków.
Tym, co motywuje Aspuru-Guzik, jest zagrożenie zmianami klimatycznymi, potrzeba ulepszeń czystych technologii oraz zasadnicza rola materiałów w tworzeniu takich postępów. Jego własne badania skupiają się na nowatorskich elektrolitach organicznych do akumulatorów przepływowych, które można wykorzystać do przechowywania nadmiaru energii elektrycznej z sieci i pompowaniu jej z powrotem, gdy jest to potrzebne, oraz na organicznych ogniwach słonecznych, które byłyby znacznie tańsze niż te na bazie krzemu. Sugeruje jednak, że jeśli jego projekt samodzielnego, zautomatyzowanego laboratorium chemicznego zadziała, może to sprawić, że chemia stanie się znacznie bardziej dostępna dla prawie każdego. Nazywa to demokratyzacją odkrywania materiałów.
Tu jest akcja, mówi. Sztuczna inteligencja napędzająca samochody, sztuczna inteligencja poprawiająca diagnostykę medyczną, sztuczna inteligencja służąca do zakupów osobistych — wzrost gospodarczy wynikający z zastosowania sztucznej inteligencji w badaniach naukowych może zniweczyć wpływ gospodarczy wszystkich innych AI łącznie.
Vector Institute, magnes dla badań nad sztuczną inteligencją w Toronto, znajduje się niecałą milę dalej. Z okien dużej otwartej przestrzeni biurowej można spojrzeć na budynek parlamentu Ontario. Bliskość ekspertów w dziedzinie sztucznej inteligencji, chemii i biznesu do siedziby rządu prowincji w centrum Toronto nie jest przypadkiem. Wśród wielu mieszkańców miasta panuje silne przekonanie, że sztuczna inteligencja zmieni biznes i gospodarkę, a niektórzy są coraz bardziej przekonani, że radykalnie zmieni ona sposób, w jaki zajmujemy się nauką.
Jeśli jednak tak się stanie, pierwszym krokiem jest przekonanie naukowców, że warto.
Guzman-Perez z Amgen mówi, że wielu jego kolegów z chemii medycznej jest sceptycznych. W ciągu ostatnich kilku dekad w tej dziedzinie pojawiło się szereg rzekomo rewolucyjnych technologii, od projektowania obliczeniowego po chemię kombinatoryczną i wysokoprzepustowe badania przesiewowe, które zautomatyzowały szybką produkcję i testowanie wielu cząsteczek. Każdy okazał się nieco pomocny, ale ograniczony. Żaden, mówi, magicznie nie da ci nowego leku.
Przyznaje, że jest zbyt wcześnie, aby wiedzieć na pewno, czy głębokie uczenie się może w końcu zmienić zasady gry, i trudno jest określić ramy czasowe. Zachęca go jednak szybkość, z jaką sztuczna inteligencja przekształciła rozpoznawanie obrazów i inne zadania wyszukiwania.
Miejmy nadzieję, że może się to zdarzyć w chemii, mówi.
Wciąż czekamy na moment AlphaGo w chemii i materiałach — na algorytmy głębokiego uczenia się, które przechytrzyją najwybitniejszego człowieka w wymyślaniu nowego leku lub materiału. Ale tak jak AlphaGo wygrał dzięki połączeniu niesamowitej strategii i nieludzkiej wyobraźni, dzisiejsze najnowsze programy AI mogą wkrótce sprawdzić się w laboratorium.
I to sprawia, że niektórzy naukowcy mają wielkie marzenia. Idea, jak mówi Aspuru-Guzik, polega na wykorzystaniu sztucznej inteligencji i automatyzacji, aby na nowo odkryć laboratorium za pomocą takich narzędzi, jak drukarka molekularna za 30 000 dolarów, którą ma nadzieję zbudować. Wtedy od wyobraźni naukowców – i sztucznej inteligencji – będzie zależeć zbadanie możliwości.