Следующий прорыв ИИ в науке будет связан с агентами рассуждения, а не с прожорливыми моделями типа AlphaFold

Ключевые положения

• AlphaFold компании Google DeepMind, за которым стоят Демис Хасабис и Джон Джампер, получил Нобелевскую премию по химии в 2024 году за предсказание форм белков.
• База данных белков, на которой обучался AlphaFold, была собрана за 53 года и потребовала примерно 21 миллиард долларов экспериментальной работы.
• Большинство научных областей не могут создать наборы данных такого качества, что делает ИИ в стиле AlphaFold плохой моделью для более широкого применения в науке.
• Агенты ИИ — программное обеспечение, которое логически решает задачи и последовательно использует несколько инструментов — уже сопоставляют результаты десятилетних исследований человека в течение часов.
• Важный побочный эффект: агенты автоматически фиксируют каждый шаг, что может помочь решить давнюю проблему воспроизводимости в науке.

Два года назад идея о том, что компьютерная программа может решить одну из самых сложных задач биологии, казалась необычайной. Затем это сделал AlphaFold.

Программу, разработанную Google DeepMind, создали для предсказания трёхмерной формы белка — молекулы, форма которой определяет её функцию в организме — исключительно на основе генетической последовательности. Учёные стремились решить эту задачу пятьдесят лет. В 2024 году Демис Хасабис и Джон Джампер получили за это Нобелевскую премию по химии. Стартапы ринулись в биологию и химию, привлекая миллиарды на предположении, что ИИ плюс данные теперь откроют одно открытие за другим.

Это предположение, согласно подробному анализу, впервые опубликованному MIT Technology Review, заслуживает более пристального внимания.

Почему мы не можем просто повторить то, что сделал AlphaFold?

Просто говоря: необходимые для этого данные почти никогда не существуют. AlphaFold обучался на Protein Data Bank — собрании примерно 170 000 экспериментально подтверждённых форм белков, собранном за 53 года международного сотрудничества, при предполагаемой стоимости 21 миллиард долларов. Такие наборы данных чрезвычайно редки.

Большинство экспериментальных наук работают по-другому. Культуры клеток тонко меняются со временем. Химические вещества содержат следовые примеси. Влажность в лаборатории колеблется между измерениями. Результаты, которые одна команда может повторить во вторник, могут не подтвердиться для другой команды в четверг. Чистые, стандартизированные, крупномасштабные данные, которые нужны современной нейронной сети — статистическому распознавателю паттернов, лежащему в основе таких инструментов, как AlphaFold — для обучения, просто не существуют в большинстве областей, а их создание заняло бы десятилетия.

Несколько областей, включая прогнозирование погоды и части геномики, имеют нужные типы данных и могут вскоре увидеть прорывы в стиле AlphaFold. Но это исключения.

Так что же работает?

Агенты ИИ показывают настоящие перспективы, и они работают совсем по-другому. Агент — это программное обеспечение, которое логически разбирает многошаговую задачу, обращаясь к различным инструментам, выбирая лучший результат, отбрасывая что не сработало, и пробуя снова. Оно ведёт себя скорее как внимательный учёный, чем как справочная таблица.

Google AI Co-Scientist, объявленный в мае, — один из ранних примеров. Исследователи дали ему односторонний брифинг и одну цель: разобраться, как устойчивость к антибиотикам — способность бактерий выживать под действием препаратов, предназначенных их убить — распространяется между видами бактерий. Система разделила задачу между несколькими подпрограммами. Одна генерировала гипотезы из научной литературы. Вторая оспаривала каждую гипотезу, как это сделал бы рецензент. Третья ранжировала выжившие. Четвёртая уточняла победителя.

Агент пришёл к выводу, что гены устойчивости катались верхом внутри бактериальных вирусов, используя любой вирус, который мог бы нести их в нового хозяина. Исследователи из Imperial College London потратили десять лет, чтобы прийти к тому же выводу кропотливой лабораторной работой. Их статья всё ещё была на рецензировании, когда Co-Scientist выдал ответ.

Что это значит для пациентов и общественности?

Более быстрая и воспроизводимая наука означает более быстрый путь от лабораторного открытия к клиническому испытанию. Это также важно для доверия. Кризис воспроизводимости в науке, когда исследователи неоднократно обнаруживают, что не могут повторить результаты друг друга, тихо подорвал доверие к медицинским исследованиям на протяжении многих лет. Агенты автоматически фиксируют каждый шаг, который они предпринимают, создавая точную запись их метода. Эта запись делает репликацию простой способом, которым редко являются человеческие лабораторные журналы, часто рукописные и неполные.

Агенты не совершенны. Они всё ещё иногда выдают уверенно звучащие ошибки, их рассуждения не всегда последовательны, и они имеют ограничения по времени работы без человеческого надзора. Это реальные ограничения. Но это инженерные проблемы, а не фундаментальные барьеры.

Более крупный сдвиг тише, чем Нобелевская премия, и он может иметь большее значение.

Часто задаваемые вопросы

Означает ли это, что ИИ скоро заменит учёных?

Нет. Агенты лучше всего работают как неутомимый помощник, который последовательно проверяет идеи и ведёт точные записи. Человеческие суждения, творчество и этический надзор остаются центральными при решении вопроса о том, какие вопросы стоит задавать.

Ускорит ли это открытие лекарств для пациентов?

Потенциально да, хотя сроки трудно предсказать. Если агенты смогут сжать этап проверки гипотез исследования с лет до недель, клинические испытания — длительные исследования безопасности для человека, необходимые перед тем, как любой препарат дойдёт до пациентов — начнутся раньше. Сами испытания всё ещё занимают столько же времени.