Изкуственият интелект за науката се нуждае от разсъждение, не само от данни

На всеки няколко десетилетия някой обявява, че науката е достигнала своя край. През 1903 г. почитаният физик Алберт Майкелсън пише, че „всички факти на физическата наука вече са открити“. През 80-те години Стивън Хокинг предсказва, че теоретичната физика може да приключи до края на века. Със стремителното навлизане на изкуствения интелект това усещане отново витае във въздуха — този път придружено от Нобелова награда.

През 2024 г. Демис Хасабис и Джон Джъмпър от Google DeepMind получиха част от Нобеловата награда за химия заради своята невронна мрежа AlphaFold, която предсказва триизмерните структури на протеините, като се обучава от хиляди експериментално измерени структури. Този дяволски труден проблем се бе противопоставял на систематичните опити за решаването му в продължение на половин век; AlphaFold сякаш го бе разрешила веднъж завинаги и светът се вторачи в обещанието на нейния подход. Хасабис и екипът му нарекоха AlphaFold „шаблон за начина, по който изкуственият интелект може да ускори цялата наука до цифрова скорост“. Вълна от стартъпи, разработващи фундаментални модели за биология, химия и откриване на материали, привлече милиарди долари, подкрепена от успеха на DeepMind. AlphaFold бе показала, че съчетанието от изкуствен интелект и достатъчно данни може да доведе до революционни открития (дори и да не разбираме заложените в тях механизми), и отново изглеждаше, че пътят през останалата част от науката е очертан пред нас.

Разбира се, изкуственият интелект ще доведе до изключителни промени в науката, но все по-ясно става, че AlphaFold и подобни системи може да не са най-добрият шаблон за тази метаморфоза. Макар да е забележително постижение, условията, довели до появата на системи като AlphaFold, са редки, а времето, необходимо за създаването на такива условия в други области, ще се измерва в десетилетия, а не в години. Вместо това ускоряването на науката ще се дължи на друг подход: агентите с изкуствен интелект.

Основното условие за успеха на AlphaFold бе съществуването на Protein Data Bank — набор от данни с приблизително 170 000 експериментално потвърдени протеинови структури, върху който екипът на DeepMind можеше да обучи своя модел. Създаването на Protein Data Bank не е било лесно: то е отнело 53 години международно научно сътрудничество и, според скорошна оценка, около 21 милиарда долара експериментална работа за събирането им. Усилия от такъв мащаб са пословично трудни за финансиране, почти невъзможни за координиране и изключително времеемки за изпълнение; в резултат на това те често са се проваляли.

Но дори в области с необходимото единство и ресурси, където съответните данни не са недостъпни заради търговска собственост, има друга, твърде малко обсъждана пречка: научната невъзможност да се генерират съпоставими данни. В случая с протеиновите структури ключовата експериментална техника — протеиновата кристалография — е необичайно възпроизводим и надежден инструмент, дотолкова, че над 25 Нобелови награди са се основавали на нея. Но в повечето области на експерименталната наука резултатите по-често се различават, отколкото съвпадат. Клетъчните линии се променят. Химикалите съдържат следи от примеси. Влажността в лабораторията се изменя. Създаването на измерени набори от данни, които да са достатъчно последователни, точни, прецизни и мащабируеми, за да се обучи съвременна невронна мрежа в биологията или в повечето области на химията, ще изисква нови видове измервания и нови стандартизирани подходи — нито един от които няма да е готов в близко бъдеще.

Разбира се, има шепа области, в които тези изисквания са изпълнени: прогнозирането на времето, голяма част от геномиката и много ограничени области на химията. Те може скоро да станат свидетели на пробиви в стил AlphaFold, ако такива още не са се случили. Държавната подкрепа за създаването и координирането на тези набори от данни ще бъде от решаващо значение, както посочва Националната комисия на САЩ за нововъзникващите биотехнологии. Но за повечето нерешени въпроси в науката поне в краткосрочен план ще ни е необходим различен план. За щастие, нещо по-тихо и по-скромно започва да показва потенциал.

Учените винаги са разсъждавали в условия на несигурност. Биолозите, които работят за идентифициране на нови мишени за лекарства, никога не са разполагали с идеални набори от данни. Вместо това те комбинират изчисления за свързването и известни структури, отчитат молекулярната динамика, провеждат шепа тестове за свързване и използват преценката си, за да претеглят всеки метод според конкретните му предимства и слабости. Умението на науката не се състои в използването на един-единствен инструмент; то е в синтезирането на резултатите от множество инструменти и в преразглеждането им с постъпването на нови доказателства. Така в действителност протича по-голямата част от изследователската работа. Но доскоро нямаше софтуер, който да може да го прави.

Сега агентите могат. Най-просто казано, агентът е двигател за разсъждение с изкуствен интелект, на който е даден достъп до инструменти — цифрови или физически — и способност да ги използва. През последните няколко години фундаментална архитектурна промяна в изкуствения интелект даде възможност за бързото разпространение на тези програми, задвижвани от големи езикови модели, като драстично намали нуждата от научно специализирани набори от данни. За науката този технологичен напредък представлява фундаментална промяна: той ни позволи да създадем цифрови инструменти, които могат да имитират итеративния, силно зависим от конкретните обстоятелства процес на действителното изследване. Докато инструменти като AlphaFold прилагат мощен подход към ограничен въпрос, агентите по своята същност са универсалисти. Те не представляват нов начин за правене на наука — вместо това моделират цифрово човешкия процес на откривателство.

Да разгледаме AI Co-Scientist на Google, представен през май. Изследователите му дали кратко изложение от една страница и цел: да установи как антибиотичната резистентност се разпространява между бактериалните видове — ключов фактор за инфекциите, устойчиви на лекарства. Системата създала подагенти. Един изготвил хипотези въз основа на научната литература. Друг ги разнищил като рецензент. Трети провел турнири, за да класира най-силните кандидати. Четвърти усъвършенствал печелившата хипотеза. Агентът заключил, че гените за резистентност се пренасят от бактериални вируси, като използват всеки вирус, който може да ги прехвърли в нов гостоприемник. Хипотезата се оказала вярна. Изследователи от Имперския колеж в Лондон били прекарали десетилетие, за да стигнат до същото заключение чрез изтощителна работа в лаборатория; тяхната статия, която преди това не била виждана от Co-Scientist, все още била в процес на рецензиране.

Агенти като Co-Scientist все още са нови инструменти и трябва да бъдат преодолени реални предизвикателства, преди да станат повсеместна част от научния процес: те все още са склонни към халюцинации, преценката им не е последователна, а ограниченията в паметта и входните данни ограничават времето, през което могат да работят автономно. Но тези технически бариери ще отпаднат и с това ще започнем да забелязваме натрупващите се ефекти на научните агенти върху надеждността, последователността и скоростта, с които се извършва науката.

Може би най-важното е, че агентите предлагат структурно решение на „кризата на възпроизводимостта“ в науката — широко разпространения проблем с неспособността на изследователите да възпроизвеждат резултатите един на друг. В продължение на десетилетия научната общност умолява изследователите да споделят суровите си данни и точния код в опит да стандартизират експерименталните процеси. Но изследователите отдавна се противопоставят на тази досадна административна работа, която се извършва след приключването на интересната научна дейност. За разлика от тях агентите автоматично регистрират всяко свое действие, създавайки точен запис на метода, довел до резултатите им, и позволявайки прецизно възпроизвеждане.

Втора последица ще бъде усилването на научната памет. Преносът на знания между изследователите е пословично мътен процес; ако не се осъществява в продължение на години обучение и наблюдение, докторантите са оставени да преглеждат хаотичните лабораторни записки, водени от десетилетия от техните предшественици, в търсене на подробностите, които ще решат успеха или провала на техния протокол. С превръщането на агентите във все по-голяма част от научния процес обаче цялата научна история на една лаборатория ще бъде записвана в централизирано, стандартизирано хранилище на институционални знания.

Но най-важното въздействие на агентите ще бъде скоростта. Във всяка област, когато проверката на една идея отнема по-малко време от спора за нея на съвещание, хората спират да спорят и просто провеждат теста. Агент, който може да прочете хиляда статии за час, да проектира 500 молекули и до сутринта да се поучи от неуспешните си тестове, ще намали цената на експериментирането и фундаментално ще промени темпото, с което се извършва науката. Той също така ще даде на изследователите свободата да преследват смели, странни въпроси, на които преди не биха рискували да посветят времето си, отваряйки научни врати, които още не можем да си представим.

Макар че шаблонът AlphaFold несъмнено ще бъде ключов за невероятни открития, сам по себе си той няма да ни отведе до края на науката. Вместо това преходът към агентен изкуствен интелект представлява много по-рядко срещан тип пробив: инструмент, който обхваща едновременно всяка научна област. В исторически план инструменти с такъв обхват са се появявали само няколко пъти: математическият анализ, статистическото извеждане, спектроскопията, компютърът. Всеки от тях е разкрил свят от проблеми, които никой не е мислел да формулира, а тези проблеми на свой ред са определили областите си наново. С агентите ни предстои още една подобна трансформация.

Ерик Шмид е главен изпълнителен директор на Google от 2001 до 2011 г. През 2024 г. той и съпругата му Уенди основават Schmidt Sciences — филантропско начинание за финансиране на неконвенционални области на научни и технологични изследвания.

Сухас Махеш ръководи работата по изкуствения интелект за науката в AI Center на Schmidt Sciences. Той е специалист по прилагането на изкуствен интелект за откриване на материали.

Допълнителното проучване е извършено от Мая Левин, сътрудник и ръководител на научните изследвания в офиса на Ерик Шмид.