Нобелевская премия за AlphaFold убедила мир, что ИИ и большие данные решат все проблемы науки. Но уникальные условия успеха этой модели почти невозможно повторить — и настоящей революцией станут ИИ-агенты, умеющие рассуждать.
Содержание
- Нобелевская премия, породившая иллюзию
- 53 года и 21 миллиард долларов: цена успеха AlphaFold
- Почему данные в реальной науке не поддаются сбору
- Агенты: цифровая модель человеческого исследования
- Как ИИ за дни повторил десятилетие лабораторной работы
- Три эффекта, которые изменят науку
- Прорыв, случающийся раз в столетие
Каждые несколько десятилетий кто-нибудь объявляет, что наука подошла к концу. В 1903 году уважаемый физик Альберт Майкельсон писал, что «все факты физической науки уже открыты». В 1980-х Стивен Хокинг предсказывал, что теоретическая физика может завершиться к концу века. С взрывным приходом искусственного интеллекта это ощущение снова витает в воздухе — на сей раз в сопровождении Нобелевской премии. Однако всё яснее становится, что AlphaFold и подобные модели — не лучший шаблон для грядущей трансформации науки. Её ускорение обеспечит другой подход: ИИ-агенты.
- Нобелевская премия, породившая иллюзию
- 53 года и 21 миллиард долларов: цена успеха AlphaFold
- Почему данные в реальной науке не поддаются сбору
- Агенты: цифровая модель человеческого исследования
- Как ИИ за дни повторил десятилетие лабораторной работы
- Три эффекта, которые изменят науку
- Прорыв, случающийся раз в столетие
Нобелевская премия, породившая иллюзию
В 2024 году Демис Хассабис и Джон Джампер из Google DeepMind получили часть Нобелевской премии по химии за нейросеть AlphaFold, которая предсказывает трёхмерные структуры белков, обучаясь на тысячах экспериментально измеренных форм. Эта дьявольски сложная задача полвека сопротивлялась систематическим атакам учёных — и AlphaFold, казалось, решила её раз и навсегда. Мир зафиксировался на обещании этого подхода.
Хассабис и его команда назвали AlphaFold «шаблоном того, как ИИ может ускорить всю науку до цифровой скорости». Волна стартапов, строящих фундаментальные модели для биологии, химии и поиска новых материалов, привлекла миллиарды долларов, подогретая успехом DeepMind. AlphaFold показала, что сочетание ИИ и достаточного объёма данных способно порождать революционные открытия — даже если мы не понимаем лежащих в их основе механизмов. И вновь показалось, что путь через остальную науку проложен перед нами.
Искусственный интеллект действительно принесёт науке экстраординарные перемены. Но условия, породившие AlphaFold, редки, а время, которое потребуется для их воспроизведения в других областях, будет измеряться десятилетиями, а не годами.
53 года и 21 миллиард долларов: цена успеха AlphaFold
Главным условием триумфа AlphaFold стало существование Protein Data Bank — набора данных примерно из 170 тысяч экспериментально подтверждённых структур белков, на которых команда DeepMind обучила свою модель. Создание этого банка данных не было простым делом: потребовались 53 года международного научного сотрудничества и, по недавней оценке, около 21 миллиарда долларов экспериментальной работы.
Усилия такого масштаба печально сложно финансировать, практически невозможно координировать и крайне долго выполнять — в результате они часто заканчиваются неудачей. Российским исследователям это знакомо не понаслышке: мегапроекты вроде больших коллайдеров или общенациональных биобанков регулярно упираются в проблемы долгосрочного финансирования и международной координации, а разрыв таких проектов обесценивает годы вложенного труда.
Почему данные в реальной науке не поддаются сбору
Даже в областях с необходимой сплочённостью и ресурсами, где данные не заперты коммерческими владельцами, существует барьер, о котором говорят слишком мало: научная невозможность генерировать сопоставимые данные. В случае белковых структур ключевой экспериментальный метод — рентгеноструктурный анализ — является необычно воспроизводимым и надёжным инструментом: на него опирались более 25 Нобелевских премий.
Но в большей части экспериментальной науки результаты чаще различаются, чем совпадают. Клеточные линии дрейфуют. Химикаты содержат следовые примеси. Меняется влажность в лаборатории. Создание измеренных наборов данных — достаточно согласованных, точных и масштабируемых, чтобы обучить современную нейросеть для биологии или большей части химии, — потребовало бы новых видов измерений и новых стандартизированных подходов. Ничего из этого не будет готово в ближайшее время.
Разумеется, есть несколько областей, где эти требования выполнены: прогнозирование погоды, значительная часть геномики, весьма ограниченные разделы химии. Там прорывы в стиле AlphaFold могут случиться скоро, если ещё не случились. Государственная поддержка производства и координации таких наборов данных будет критична — на это указывала, в частности, Комиссия США по национальной безопасности в области новых биотехнологий. Но для большинства открытых вопросов науки, по крайней мере в краткосрочной перспективе, нужен другой план.
Агенты: цифровая модель человеческого исследования
К счастью, нечто более тихое и скромное уже начало показывать многообещающие результаты. Учёные всегда рассуждали в условиях неопределённости. Биологи, ищущие новые мишени для лекарств, никогда не располагали идеальными наборами данных. Вместо этого они комбинируют докинг-расчёты и известные структуры, учитывают молекулярную динамику, проводят несколько тестов на связывание — и взвешивают каждый метод согласно его сильным сторонам и точкам отказа. Мастерство науки не в каком-то одном инструменте, а в синтезе результатов множества инструментов и их пересмотре по мере поступления доказательств. Именно так на самом деле работает большинство исследований. Но до недавнего времени ни одна программа не могла этого делать.
Теперь агенты могут. Упрощённо говоря, агент — это рассуждающий ИИ-движок, которому дали доступ к инструментам, цифровым или физическим, и способность ими пользоваться. За последние несколько лет фундаментальный архитектурный сдвиг в ИИ обеспечил стремительное распространение таких программ, работающих на больших языковых моделях, и резко снизил потребность в узкоспециализированных научных наборах данных.
Для науки это означает основополагающую перемену: появилась возможность создавать цифровые инструменты, имитирующие итеративный, зависящий от обстоятельств процесс реального исследования. Если AlphaFold применяет мощный подход к узкому вопросу, то агенты — генералисты по своей природе. Они не представляют новый способ делать науку — они цифровым образом моделируют человеческий процесс открытия.
Как ИИ за дни повторил десятилетие лабораторной работы
Показателен пример AI Co-Scientist от Google, представленного в мае. Исследователи дали системе одностраничное задание и цель: выяснить, как устойчивость к антибиотикам распространяется между видами бактерий — ключевой драйвер лекарственно-устойчивых инфекций. Система запустила субагентов. Один выдвигал гипотезы на основе научной литературы. Другой разбирал их, как рецензент. Третий устраивал «турниры», ранжируя сильнейших кандидатов. Четвёртый дорабатывал победившую гипотезу.
Агент пришёл к выводу, что гены устойчивости путешествуют на бактериальных вирусах, заимствуя тот вирус, который способен переправить их новому хозяину. Гипотеза оказалась верной. Исследователи Имперского колледжа Лондона потратили десятилетие кропотливой работы в «мокрой» лаборатории, чтобы прийти к тому же заключению; их статья, которую Co-Scientist никогда не видел, в тот момент ещё проходила рецензирование.
Подобные агенты — всё ещё новые инструменты, и до их повсеместного внедрения в научный процесс предстоит преодолеть реальные трудности: они склонны к галлюцинациям, их суждения непоследовательны, а ограничения памяти и ввода сокращают время автономной работы. Но эти технические барьеры падут — и тогда станут заметны накапливающиеся эффекты научных агентов.
Три эффекта, которые изменят науку
Пожалуй, самое заметное: агенты предлагают структурное решение «кризиса воспроизводимости» — широко распространённой проблемы, когда исследователи не могут повторить результаты друг друга. Десятилетиями научное сообщество уговаривало учёных делиться сырыми данными и точным кодом ради стандартизации экспериментальных процессов. Но исследователи давно сопротивляются этой утомительной административной работе, которая происходит уже после того, как интересная наука сделана. Агенты, напротив, автоматически фиксируют каждый свой шаг, создавая точную запись метода, приведшего к результату, и позволяя воспроизвести его в точности.
Второе следствие — усиление научной памяти. Передача знаний между исследователями — печально непрозрачный процесс: если она не происходит за годы обучения и наблюдения, аспирантам остаётся рыться в беспорядочных лабораторных журналах десятилетий предшественников в поисках деталей, от которых зависит успех протокола. Ситуация, хорошо знакомая любому, кто работал в российских НИИ, где уход одного специалиста нередко означает потерю целого пласта неформализованных знаний. По мере того как агенты становятся всё большей частью научного процесса, вся научная история лаборатории будет записываться в централизованный стандартизированный репозиторий институционального знания.
Но самое важное воздействие агентов — скорость. В любой области, когда проверка идеи занимает меньше времени, чем споры о ней на совещании, люди перестают дискутировать и просто запускают тест. Агент, способный прочитать тысячу статей за час, спроектировать 500 молекул и к утру извлечь уроки из собственных неудачных проверок, снизит стоимость эксперимента и коренным образом изменит темп науки. Он также даст исследователям свободу браться за смелые, странные вопросы, на которые те раньше не решились бы тратить время, — открывая научные двери, которые мы ещё не способны вообразить.
Прорыв, случающийся раз в столетие
Шаблон AlphaFold, безусловно, станет ключом к невероятным открытиям, но сам по себе он не приведёт нас к «концу науки». Сдвиг к агентному ИИ представляет собой гораздо более редкий уровень прорыва: инструмент, охватывающий все области науки сразу. Исторически инструменты такого масштаба появлялись лишь несколько раз: математический анализ, статистический вывод, спектроскопия, компьютер.
Каждый из них открывал мир проблем, которые никто прежде не думал даже сформулировать, — и эти проблемы, в свою очередь, заново определяли свои области. С приходом агентов нас ждёт ещё одна такая трансформация. И для научного сообщества, в том числе российского, это хорошая новость: если для повторения успеха AlphaFold нужны миллиарды долларов и полвека международной кооперации, то работа с агентами требует прежде всего умения правильно ставить вопросы — а этот ресурс в науке не исчерпан.
Источник: MIT Technology Review