Наступний стрибок науки в ІІ прийде від агентів із логічним мисленням, а не від моделей, які поглинають дані, як AlphaFold

Ключові моменти

• AlphaFold компанії Google DeepMind принесла Демісу Хассабісу та Джону Джамперу Нобелівську премію з хімії 2024 року за передбачення форм білків.
• Білкова база даних, на якій навчався AlphaFold, потребувала 53 років та приблизно 21 мільярда доларів експериментальної роботи для компіляції.
• Більшість наукових галузей не можуть створити набори даних такої якості, що робить ІІ типу AlphaFold поганою моделлю для ширшої науки.
• Агенти ІІ, програмне забезпечення, що міркує над проблемами та послідовно використовує різні інструменти, вже досягають результатів людських досліджень, які тривали десятиліття, за години.
• Важливий побічний ефект: агенти автоматично записують кожен крок, який вони роблять, що може допомогти вирішити тривалу кризу відтворюваності в науці.

Два роки тому ідея того, що комп'ютерна програма могла б розв'язати одну з найскладніших головоломок біології, здавалася надзвичайною. Потім це зробив AlphaFold.

Програма, розроблена компанією Google DeepMind, може передбачити тривимірну форму білка, молекули, форма якої визначає її функцію в організмі, лише за його генетичною послідовністю. Учені переслідували цю задачу п'ятдесят років. У 2024 році Деміс Хассабіс та Джон Джампер отримали за це Нобелівську премію з хімії. Стартапи хлинули в біологію та хімію, залучаючи мільярди на припущенні, що ІІ та дані тепер розблокують одне відкриття за одним.

Це припущення, згідно з детальним аналізом, про який спершу повідомила MIT Technology Review, варто переглянути.

Чому ми не можемо просто повторити те, що зробив AlphaFold?

Просто кажучи: дані, необхідні для цього, майже ніколи не існують. AlphaFold навчався на Protein Data Bank, колекції приблизно 170 000 експериментально підтверджених форм білків, зібраних протягом 53 років міжнародної співпраці, за приблизною вартістю 21 мільярда доларів. Такі набори даних надзвичайно рідкісні.

Більшість експериментальної науки заплутаніша. Клітинні культури змінюються тонко з часом. Хімічні речовини містять мікроскопічні домішки. Вологість у лабораторії змінюється між вимірюваннями. Результати, які одна команда може відтворити у вівторок, можуть не утримуватись для іншої команди у четвер. Чисті, стандартизовані великомасштабні дані, які потрібні сучасній нейронній мережі, статистичному засобу розпізнавання закономірностей, що лежить в основі таких інструментів, як AlphaFold, для навчання просто не існують у більшості галузей, а їх побудова потребувала б десятиліть.

Кілька областей, включно з прогнозуванням погоди та частинами геноміки, мають правильний тип даних і можуть в найближчому часі побачити прориви типу AlphaFold. Але вони є винятком.

Отже, що насправді працює?

Агенти ІІ показують реальні перспективи, і працюють вони зовсім по-іншому. Агент — це програмне забезпечення, яке міркує над багатоетапною проблемою, звертаючись до різних інструментів, вибираючи найкращий результат, відкидаючи те, що не вдається, і намагаючись знову. Він поводиться менше як таблиця пошуку та більше як обережний учений.

Google's AI Co-Scientist, оголошений у травні, є одним із ранніх прикладів. Дослідники дали йому однієї сторінки брифінг та одну мету: з'ясувати, як стійкість до антибіотиків, здатність бактерій пережити препарати, розроблені для їх знищення, поширюється між видами бактерій. Система розділила завдання на кілька підпрограм. Одна генерувала гіпотези з наукової літератури. Друга піддавала сумніву кожну гіпотезу так, як це робив би рецензент. Третя ранжувала виживаючих. Четверта вдосконалювала переможця.

Агент дійшов висновку, що гени стійкості були вели у вірусах бактерій, позичаючи будь-який вірус, який міг би їх перенести в нового господаря. Дослідники з Imperial College London витратили десятиліття, щоб дійти до такого ж висновку через утруднену лабораторну роботу. Їх стаття була все ще на етапі рецензування, коли Co-Scientist виробив свою відповідь.

Що це означає для пацієнтів та громадськості?

Швидша та більш відтворювана наука означає швидші шляхи від лабораторного відкриття до клінічного випробування. Це також важливо для довіри. Криза відтворюваності науки, коли дослідники повторно виявляють, що не можуть відтворити результати один одного, тихо підривала довіру до медичних досліджень протягом років. Агенти автоматично записують кожен крок, який вони роблять, створюючи точний запис свого методу. Цей запис робить відтворення простим способом, яким людські лабораторні записи, часто написані від руки та неповні, рідко є.

Агенти не ідеальні. Вони все ще іноді видають впевнено звучащі помилки, їх логіка не завжди послідовна, і вони мають обмеження щодо того, як довго вони можуть працювати без людського нагляду. Це реальні обмеження. Але вони є технічними проблемами, а не фундаментальними бар'єрами.

Більш великий зрушення тиший за Нобелівську премію, і він може мати більш важливе значення.

Частові питання

Чи це означає, що ІІ замінить учених?

Ні. Агенти працюють найкраще як невтомний помічник, який послідовно тестує ідеї та ведення точних записів. Людське судження, креативність та етичний нагляд залишаються центральними для вирішення того, які питання варто ставити.

Чи це прискорить відкриття ліків для пацієнтів?

Можливо, так, хоча терміни важко передбачити. Якщо агенти можуть стиснути етап перевірки гіпотез у дослідженнях з років на тижні, клінічні випробування, які є довгими дослідженнями безпеки для людини, необхідними перед тим, як будь-яка ліки дістанеться пацієнтам, розпочнеться раніше. Самі випробування все ще займають той же час.