AI iš naujo išranda mūsų išradimo būdą

Reginos Barzilay biuras MIT suteikia aiškų vaizdą apie Novartis biomedicininių tyrimų institutus. Amgen vaistų atradimų grupė yra už kelių kvartalų toliau. Dar visai neseniai Barzilay, vienas iš pirmaujančių dirbtinio intelekto tyrinėtojų pasaulyje, daug negalvojo apie šiuos netoliese esančius pastatus, pilnus chemikų ir biologų. Tačiau kai dirbtinis intelektas ir mašininis mokymasis pradėjo daryti vis įspūdingesnius vaizdų atpažinimo ir kalbos supratimo darbus, ji pradėjo svarstyti: ar tai taip pat gali pakeisti užduotį ieškant naujų vaistų?

Problema ta, kad žmonių tyrinėtojai gali ištirti tik mažą gabalėlį to, kas įmanoma. Apskaičiuota, kad yra net 1060 potencialiai į vaistus panašių molekulių – daugiau nei Saulės sistemoje yra atomų. Tačiau mašininis mokymasis yra geras dalykas, kuris iš pažiūros neribotas galimybes. Apmokytos didelės esamų molekulių ir jų savybių duomenų bazės, programos gali ištirti visas įmanomas susijusias molekules.

Ši istorija buvo mūsų 2019 m. kovo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

Vaistų atradimas yra labai brangus ir dažnai varginantis procesas. Medicinos chemikai turi atspėti, kurie junginiai gali būti geri vaistai, naudodamiesi savo žiniomis apie tai, kaip molekulės struktūra veikia jos savybes. Jie sintezuoja ir išbando daugybę variantų, ir dauguma jų yra nesėkmingi. Naujų molekulių kūrimas vis dar yra menas, nes jūs turite tokią didžiulę galimybių erdvę, sako Barzilay. Norint rasti gerų vaistų kandidatų, reikia daug laiko.

Paspartinus šį svarbų žingsnį, gilus mokymasis galėtų pasiūlyti daug daugiau galimybių chemikams siekti, todėl vaistų atradimas būtų daug greitesnis. Vienas privalumas: mašininio mokymosi dažnai keista vaizduotė. Galbūt tai pakryps kita linkme, kuria žmogus nepatektų, sako Angelas Guzmanas-Perezas, Amgeno vaistų tyrinėtojas, dirbantis su Barzilay. Tai mąsto kitaip.

Kiti naudoja mašininį mokymąsi, kad bandytų išrasti naujas medžiagas švariųjų technologijų programoms. Tarp pageidavimų sąrašo elementų yra patobulintos baterijos, skirtos energijai kaupti elektros tinkle ir organinės saulės baterijos, kurių pagaminimas gali būti daug pigesnis nei šiandieninių didelių gabaritų silicio pagrindo.

Tokių proveržių pasiekti tapo sunkiau ir brangiau, nes chemija, medžiagų mokslas ir vaistų atradimai tapo neįtikėtinai sudėtingi ir prisotinti duomenų. Net kai farmacijos ir biotechnologijų pramonė skiria pinigų moksliniams tyrimams, per pastaruosius kelis dešimtmečius naujų vaistų, pagrįstų naujomis molekulėmis, skaičius nesikeitė. Ir mes vis dar įstrigome su ličio jonų baterijomis, kurios datuojamos 1990-ųjų pradžioje, ir silicio saulės elementų dizaino, kuris taip pat yra dešimtmečių senumo.

Dėl sudėtingumo, sulėtinusio pažangą šiose srityse, tobulas gilus mokymasis. Ieškoti per daugiamatę erdvę, kad gautumėte vertingų prognozių, yra miela DI vieta, sako Ajay Agrawal, Rotmano vadybos mokyklos Toronte ekonomistas ir bestselerio autorius. Numatymo mašinos: paprasta dirbtinio intelekto ekonomika .

Neseniai paskelbtame dokumente MIT, Harvardo ir Bostono universiteto ekonomistai teigė, kad didžiausią ekonominį dirbtinio intelekto poveikį gali turėti naujo išradimo metodo potencialas, kuris galiausiai pakeičia inovacijų proceso pobūdį ir MTEP organizavimą.

Iain Cockburn, BU ekonomistas ir straipsnio bendraautoris, sako: Nauji išradimo metodai su plačiu pritaikymu pasitaiko ne itin dažnai, o jei spėjame teisingai, dirbtinis intelektas gali dramatiškai pakeisti MTTP daugelyje skirtingų sričių išlaidas. Daugelis naujovių apima prognozes, pagrįstus duomenimis. Cockburn priduria, kad atliekant tokias užduotis mašininis mokymasis gali būti daug greitesnis ir pigesnis.

Kitaip tariant, pagrindinis dirbtinio intelekto palikimas gali būti ne automobiliai be vairuotojo, vaizdų paieška ar net „Alexa“ galimybė priimti užsakymus, bet gebėjimas sugalvoti naujų idėjų, kurios paskatintų pačias inovacijas.

Idėjos brangsta

Praėjusių metų pabaigoje Paulas Romeris laimėjo Nobelio ekonomikos premiją už darbą, atliktą devintojo dešimtmečio pabaigoje ir dešimtojo dešimtmečio pradžioje, kurie parodė, kaip investicijos į naujas idėjas ir inovacijas skatina tvirtą ekonomikos augimą. Ankstesni ekonomistai pastebėjo ryšį tarp inovacijų ir augimo, tačiau Romeris pateikė puikų paaiškinimą, kaip tai veikia. Per pastaruosius dešimtmečius Romerio išvados buvo intelektualinis įkvėpimas daugeliui Silicio slėnio gyventojų ir padėjo paaiškinti, kaip jis pasiekė tokį turtą.

Bet ką daryti, jei mūsų naujų idėjų pluoštas išsenka? Ekonomistai Nicholas Bloom ir Chadas Jonesas iš Stanfordo, Michaelas Webbas, universiteto magistrantūros studentas, ir Johnas Van Reenenas iš MIT nagrinėjo problemą neseniai paskelbtame dokumente „Ar sunku rasti idėjų? (Jų atsakymas buvo „Taip“.) Žvelgdami į vaistų atradimą, puslaidininkių tyrimus, medicinos naujoves ir pastangas pagerinti pasėlių derlių, ekonomistai rado bendrą istoriją: investicijos į mokslinius tyrimus smarkiai auga, bet atsiperkamumas išlieka pastovus.

Žvelgiant iš ekonomisto perspektyvos, tai yra produktyvumo problema: už panašų produkcijos kiekį mokame daugiau. Ir skaičiai atrodo prastai. Tyrimo produktyvumas – tyrėjų, kurių reikia tam tikram rezultatui gauti, skaičius – kasmet mažėja maždaug 6,8 %, siekiant išplėsti Moore'o dėsnį, kuris reikalauja, kad mes rastume būdų, kaip puslaidininkinėje lustoje supakuoti vis daugiau ir mažesnių komponentų. ir toliau darykite kompiuterius greitesnius ir galingesnius. (Jie nustatė, kad drožlių tankiui padvigubinti šiandien reikia daugiau nei 18 kartų daugiau tyrėjų, nei tai buvo padaryta aštuntojo dešimtmečio pradžioje.) Siekiant pagerinti sėklų derlių, tyrimų produktyvumas kasmet mažėja maždaug 5 %. Visai JAV ekonomikai jis smunka 5,3 proc.

---

Didėjanti didelių idėjų kaina
Pasak Stanfordo ir MIT ekonomistų, norint rasti naujų produktyvių idėjų, reikia daugiau tyrėjų ir pinigų. Tai tikėtinas veiksnys, lėmęs bendrą lėtą augimą JAV ir Europoje pastaraisiais dešimtmečiais. Toliau pateiktoje diagramoje parodytas visos ekonomikos modelis, išryškinantis JAV bendrą faktorinį produktyvumą (dešimties metų vidurkį ir 2000–2014 m.) – inovacijų indėlio matą, palyginti su tyrėjų skaičiumi. Panašūs modeliai galioja konkrečioms tyrimų sritims.

šaltinis: bloom, jones, van reenen ir webb

---

Bet koks neigiamas šio nuosmukio poveikis iki šiol buvo kompensuojamas tuo, kad į mokslinius tyrimus skiriame daugiau pinigų ir žmonių. Taigi mes vis dar padvigubiname lusto tranzistorių skaičių kas dvejus metus, bet tik todėl, kad šiai problemai skiriame daug daugiau žmonių. Per ateinančius 13 metų turėsime padvigubinti savo investicijas į mokslinius tyrimus ir plėtrą, kad galėtume toliau vaikščioti vandeniu.

Žinoma, gali būti, kad tokios sritys kaip augalininkystės mokslas ir puslaidininkių tyrimai sensta, o naujovių galimybės mažėja. Tačiau mokslininkai taip pat nustatė, kad bendras ekonomikos augimas, susijęs su naujovėmis, buvo lėtas. Bet kokios investicijos į naujas sritis ir jų sukurti išradimai nepakeitė bendros istorijos.

Atrodo, kad mokslinių tyrimų produktyvumo mažėjimas yra dešimtmečius trunkanti tendencija. Tačiau dabar tai ypač kelia nerimą ekonomistams, nes nuo 2000-ųjų vidurio matome bendrą ekonomikos augimo sulėtėjimą. Puikių naujų technologijų, tokių kaip išmanieji telefonai, automobiliai be vairuotojų ir „Facebook“, metu augimas yra lėtas, o inovacijoms priskiriama dalis, vadinama bendruoju faktoriaus produktyvumu, buvo ypač silpna.

Van Reenenas teigia, kad užsitęsęs 2008 m. finansinio žlugimo poveikis gali stabdyti augimą, taigi ir besitęsiantis politinis netikrumas. Tačiau niūrus tyrimų produktyvumas neabejotinai prisideda. Ir jis sako, kad jei nuosmukis tęsis, tai gali padaryti rimtos žalos būsimam klestėjimui ir augimui.

Logiška, kad mes jau pasirinkome daugumą to, ką kai kurie ekonomistai mėgsta vadinti žemai kabančiu išradimų vaisiumi. Ar gali būti, kad vienintelis vaisius yra likę keli susitraukę obuoliai ant tolimiausių medžio šakų? Robertas Gordonas, Šiaurės Vakarų universiteto ekonomistas, buvo tvirtas šios nuomonės šalininkas. Jis sako, kad vargu ar prilygsime atradimų klestėjimui, kuris žymėjo XIX amžiaus pabaigą ir XX amžiaus pradžią, kai tokie išradimai kaip elektros šviesa ir galia bei vidaus degimo variklis lėmė precedento neturinčio klestėjimo šimtmetį.

Jei Gordonas teisus, o didelių išradimų liko mažiau, mes pasmerkti niūriai ekonominei ateičiai. Tačiau nedaugelis ekonomistų mano, kad taip yra. Atvirkščiai, prasminga, kad yra didelių naujų idėjų; tik vis brangiau juos rasti, nes mokslas tampa vis sudėtingesnis. Tikimybė, kad kitas penicilinas tiesiog pateks į mūsų glėbį, yra menka. Mums reikės vis daugiau tyrėjų, kad suprastume besivystantį mokslą tokiose srityse kaip chemija ir biologija.

Tai, ką Northwestern ekonomistas Benas Jonesas vadina žinių našta. Tyrėjai tampa labiau specializuoti, todėl problemoms spręsti būtina formuoti didesnes ir brangesnes komandas. Joneso tyrimai rodo, kad amžius, kai mokslininkai pasiekia didžiausią produktyvumą, didėja: jiems reikia ilgiau įgyti reikiamą patirtį. Jis sako, kad tai įgimtas eksponentinio žinių augimo šalutinis produktas.

Daugelis žmonių man sako, kad mūsų išvados yra slegiančios, bet aš to nematau, sako Van Reenen. Naujovės gali būti sunkesnės ir brangesnės, tačiau tai, pasak jo, tiesiog rodo, kad reikia politikos, įskaitant mokesčių paskatas, kurios skatintų investuoti į daugiau mokslinių tyrimų.

Kol skirsite išteklių moksliniams tyrimams ir plėtrai, galite išlaikyti sveiką produktyvumo augimą, sako Van Reenen. Tačiau turime būti pasirengę išleisti pinigus, kad tai padarytume. Tai neateina nemokamai.

Mokslo atsisakymas

Ar AI gali kūrybiškai išspręsti problemas, kurių reikia tokioms naujovėms? Kai kurie ekspertai dabar įsitikinę, kad tai gali būti padaryta, atsižvelgiant į žaidimų mašinos AlphaGo pažangą.

„AlphaGo“ įvaldė senovinį „Go“ žaidimą, įveikdamas valdantįjį čempioną, ištyręs beveik neribotus galimus judesius žaidime, kurį kelis tūkstančius metų žaidžia žmonės, labai pasikliaudami intuicija. Tai darydama ji kartais sugalvodavo laimėti strategijas, kurių nė vienas žaidėjas negalvojo išbandyti. Taip pat mąstymas, giluminio mokymosi programos, parengtos remiantis dideliu eksperimentinių duomenų kiekiu ir chemijos literatūra, gali sukurti naujų junginių, kurių mokslininkai net neįsivaizdavo.

Ar AlphaGo panašus proveržis gali padėti augančioms tyrėjų armijoms, nagrinėjančioms nuolat besiplečiančius mokslinius duomenis? Ar AI galėtų pagreitinti ir produktyviau atlikti pagrindinius tyrimus, atgaivinti sritis, kurios tapo per brangios verslui?

Per pastaruosius kelis dešimtmečius mūsų mokslinių tyrimų ir plėtros pastangos smarkiai pasikeitė. Nuo tų laikų, kai AT&T Bell Labs ir Xerox PARC gamino pasaulį keičiančius išradimus, tokius kaip tranzistorius, saulės elementai ir lazerinis spausdinimas, dauguma didelių kompanijų JAV ir kitose turtingose ​​ekonomikose atsisakė pagrindinių tyrimų. Tuo tarpu JAV federalinės investicijos į mokslinius tyrimus ir plėtrą buvo lygios, ypač kitose nei gyvosios gamtos mokslų srityse. Taigi, nors mes ir toliau didiname tyrėjų skaičių ir paverčiame laipsnišką pažangą komercinėmis galimybėmis, sritys, kurioms reikia ilgalaikių tyrimų ir pagrindinių mokslo žinių, sulaukė didelio smūgio.

Visų pirma naujų medžiagų išradimas tapo komerciniu užkampiu. Tai sustabdė reikalingų švarių technologijų naujovių diegimą, pvz., geresnius akumuliatorius, efektyvesnius saulės elementus ir katalizatorius, kad degalus būtų gaminamas tiesiai iš saulės šviesos ir anglies dioksido (pagalvokite apie dirbtinę fotosintezę). Nors saulės baterijų ir baterijų kainos nuolat krenta, tai daugiausia dėl gamybos patobulinimų ir masto ekonomijos, o ne dėl esminių pačių technologijų pažangos.

Ar AlphaGo panašus proveržis gali padėti augančioms tyrėjų armijoms, nagrinėjančioms nuolat besiplečiančius mokslinius duomenis?

Naujai medžiagai sukurti prireikia vidutiniškai 15–20 metų, sako Tonio Buonassisi, MIT mechanikos inžinierius, dirbantis su mokslininkų komanda Singapūre, kad pagreitintų procesą. Daugeliui įmonių tai per ilgas laikas. Tai nepraktiška net daugeliui akademinių grupių. Kas nori praleisti metus medžiagai, kuri gali veikti arba ne? Štai kodėl rizikos remiami startuoliai, sukūrę daug naujovių programinės įrangos ir net biotechnologijų srityse, jau seniai atsisakė švarių technologijų: rizikos kapitalo investuotojams paprastai reikia grąžos per septynerius metus ar anksčiau.

10 kartų pagreitinti [medžiagų atradimo greitį] ne tik įmanoma, bet ir būtina, sako Buonassisi, MIT vadovaujanti fotovoltinių tyrimų laboratorijai. Jo ir laisvai sujungto kolegų mokslininkų tinklo tikslas yra panaudoti dirbtinį intelektą ir mašininį mokymąsi, kad 15–20 metų laikotarpį sutrumpėtų iki maždaug dvejų ar penkerių metų, užkertant kelią įvairioms laboratorijos kliūtims, automatizuojant. kiek įmanoma daugiau proceso. Greitesnis procesas suteikia mokslininkams daug daugiau galimų sprendimų, kuriuos gali išbandyti, leidžia rasti aklavietes per valandas, o ne mėnesius ir padeda optimizuoti medžiagas. Jis sako, kad tai keičia mūsų, kaip tyrinėtojų, mąstymą.

Taip pat medžiagų atradimas vėl galėtų tapti perspektyviu verslo užsiėmimu. Buonassisi nurodo diagramą, rodančią, kiek laiko prireikė įvairių technologijų kūrimui. Viena iš stulpelių, pažymėtų ličio jonų baterijomis, rodo 20 metų.

Kitas, daug trumpesnis stulpelis pažymėtas nauju saulės elementu; viršuje yra 2030 m. klimato tikslas. Esmė aiški: negalime laukti dar 20 metų, kol bus pasiektas kitas švarių technologijų medžiagų proveržis.

Dirbtinio intelekto paleidimas narkotikų ir medžiagų srityje

	vienas Atomiškai	du Kebotix	3 Gilioji genomika
Ką jie daro	Naudokite neuroninius tinklus, kad ieškotumėte didelėse duomenų bazėse ir rastumėte mažas į vaistus panašias molekules, kurios jungiasi su tiksliniais baltymais.	Sukurkite robotikos ir dirbtinio intelekto derinį, kad paspartintumėte naujų medžiagų ir cheminių medžiagų atradimą ir kūrimą.	Naudokite dirbtinį intelektą, kad ieškotumėte oligonukleotidų molekulių, skirtų genetinėms ligoms gydyti.
Kodėl tai svarbu	Tokių molekulių, turinčių pageidaujamų savybių, tokių kaip stiprumas, nustatymas yra svarbus pirmasis vaistų atradimo žingsnis.	Medžiagai sukurti prireikia daugiau nei dešimtmečio. Sutrumpinę šį laiką galėtume padėti išspręsti tokias problemas kaip klimato kaita.	Gydymas oligonukleotidais yra žadantis nuo įvairių ligų, įskaitant neurodegeneracinius ir medžiagų apykaitos sutrikimus.

Dirbtinio intelekto valdoma laboratorija

Atvykite į laisvą žemę: taip Alán Aspuru-Guzik šiomis dienomis kviečia JAV lankytoją į savo Toronto laboratoriją. 2018 m. Aspuru-Guzik paliko eitas Harvardo chemijos profesoriaus pareigas ir su šeima persikėlė gyventi į Kanadą. Jo sprendimą lėmė didelis nepasitenkinimas prezidentu Donaldu Trumpu ir jo politika, ypač imigracijos srityje. Tačiau nepakenkė tai, kad Torontas sparčiai tampa dirbtinio intelekto tyrimų meka.

Aspuru-Guzik yra ne tik chemijos profesorius Toronto universitete, bet ir Dirbtinio intelekto vektoriaus institute. Tai dirbtinio intelekto centras, kurio bendrai įkūrė Geoffrey Hintonas, kurio novatoriškas darbas gilaus mokymosi ir neuroninių tinklų srityje daugiausia buvo įskaitytas už šuolį šiandieninio AI bumo pradžia.

Žymiame 2012 m. publikacijoje Hintonas ir jo bendraautoriai pademonstravo, kad gilus neuroninis tinklas, parengtas pagal daugybę paveikslėlių, gali atpažinti grybą, leopardą ir dalmatinų šunį. Tuo metu tai buvo puikus laimėjimas ir greitai paskatino dirbtinio intelekto revoliuciją, naudojant gilaus mokymosi algoritmus, kad būtų galima suprasti didelius duomenų rinkinius.

Tyrėjai greitai rado būdų, kaip panaudoti tokius neuroninius tinklus, kad padėtų be vairuotojų automobiliams orientuotis ir pastebėtų veidus minioje. Kiti modifikavo giluminio mokymosi priemones, kad galėtų treniruotis patys; Tarp šių įrankių yra GAN (generatyvūs priešingi tinklai), kurie gali sukurti scenų ir žmonių vaizdus, ​​kurių niekada nebuvo.

2015 m. tolesniame dokumente Hintonas pateikė užuominų, kad gilus mokymasis gali būti naudojamas chemijos ir medžiagų tyrimuose. Jo straipsnyje buvo kalbama apie neuroninio tinklo gebėjimą atrasti sudėtingas struktūras didelės apimties duomenyse – kitaip tariant, tie patys tinklai, kurie gali naršyti per milijonus vaizdų, kad surastų, tarkime, šuo su dėmėmis, galėtų rūšiuoti milijonus molekulių, kad atpažintų vieną. su tam tikromis pageidaujamomis savybėmis.

Energingas ir kupinas idėjų Aspuru-Guzik nėra tas mokslininkas, kuris kantriai du dešimtmečius sprendžia, ar medžiaga pasiteisins. Ir jis greitai pritaikė gilųjį mokymąsi ir neuroninius tinklus, siekdamas iš naujo išrasti medžiagų atradimą. Idėja yra įtraukti dirbtinį intelektą ir automatizavimą į visus medžiagų tyrimo etapus: pradinį medžiagos projektavimą ir sintezę, jos testavimą ir analizę ir galiausiai daugybę patobulinimų, optimizuojančių jos veikimą.

Šių metų sausio pradžioje stingdantį šaltą dieną Aspuru-Guzik skrybėlę tvirtai užsitraukė ant ausų, tačiau atrodo, kad nepaiso atšiauraus Kanados oro. Jo galvoje yra kiti dalykai. Viena vertus, jis vis dar laukia 1,2 mln. USD vertės roboto pristatymo laive iš Šveicarijos, kuris bus pagrindinis jo suplanuotos automatizuotos dirbtinio intelekto laboratorijos elementas.

Laboratorijoje gilaus mokymosi įrankiai, tokie kaip GAN ir jų pusbrolis, technika, vadinama autoencoder, įsivaizduos daug žadančias naujas medžiagas ir išsiaiškins, kaip jas pasigaminti. Tada robotas pagamins junginius; Aspuru-Guzik nori sukurti įperkamą automatizuotą sistemą, kuri pagal poreikį galėtų išspjauti naujas molekules. Pagaminus medžiagas, jas galima analizuoti tokiais instrumentais kaip masės spektrometras. Papildomi mašininio mokymosi įrankiai supras tuos duomenis ir diagnozuos medžiagos savybes. Šios įžvalgos bus panaudotos toliau optimizuojant medžiagas, koreguojant jų struktūras. Ir tada, sako Aspuru-Guzik, AI pasirinks kitą eksperimentą, kurį reikia atlikti, uždarydamas kilpą.

Idėja yra įtraukti dirbtinį intelektą ir automatizavimą į visus medžiagų tyrimų ir vaistų atradimo etapus.

Kai robotas bus įdiegtas, Aspuru-Guzik tikisi kas dvi dienas pagaminti apie 48 naujas medžiagas, remdamasis mašininio mokymosi įžvalgomis, kad toliau tobulintų jų struktūras. Tai yra viena daug žadanti nauja medžiaga kiekvieną valandą, precedento neturintis tempas, galintis visiškai pakeisti laboratorijos produktyvumą.

Jis sako, kad tai ne viskas apie stebuklingą medžiagą. Norėdami iš tikrųjų pakeisti medžiagų tyrimus, turite atakuoti visą procesą: kokios yra kliūtys? Jūs norite dirbtinio intelekto kiekvienoje laboratorijos dalyje. Pavyzdžiui, kai turite siūlomą struktūrą, vis tiek turite išsiaiškinti, kaip ją sukurti. Tai, ką chemikai vadina retrosinteze, gali užtrukti kelias savaites ar mėnesius, kad būtų galima išsiaiškinti, kokių veiksmų reikia norint susintetinti tokį junginį. Dar viena kliūtis yra analizės įrangos sukurtų duomenų įprasminimas. Mašininis mokymasis galėtų pagreitinti kiekvieną iš šių žingsnių.

Aspuru-Guzik motyvuoja klimato kaitos grėsmė, poreikis tobulinti švarias technologijas ir esminis medžiagų vaidmuo kuriant tokią pažangą. Jo paties tyrimai tiria naujus organinius elektrolitus srauto baterijoms, kurie gali būti naudojami elektros energijos pertekliui iš elektros tinklų kaupti ir prireikus vėl pumpuoti, ir organinius saulės elementus, kurie būtų daug pigesni nei silicio pagrindu pagaminti. Tačiau jei jo sukurtas savarankiškos automatizuotos chemijos laboratorijos projektas pasiteisintų, jis teigia, kad chemija galėtų tapti kur kas prieinamesnė beveik visiems. Jis tai vadina medžiagų atradimo demokratizavimu.

Čia yra veiksmas, sako jis. Dirbtinis intelektas, kuris vairuoja automobilius, AI, gerinantis medicininę diagnostiką, AI, skirtas asmeniniam apsipirkimui – moksliniams tyrimams taikomų dirbtinio intelekto ekonomikos augimas gali sumažinti visų kitų dirbtinio intelekto ekonominį poveikį.

Vektoriaus institutas, Toronto dirbtinio intelekto tyrimų magnetas, yra mažiau nei už mylios. Pro didelės atviros biuro patalpos langus galite žiūrėti į Ontarijo parlamento pastatą. AI, chemijos ir verslo ekspertų artumas prie provincijos vyriausybės būstinės Toronto centre nėra atsitiktinumas. Daugelis miesto gyventojų yra tvirtai įsitikinę, kad dirbtinis intelektas pakeis verslą ir ekonomiką, o kai kurie vis labiau įsitikinę, kad tai radikaliai pakeis mūsų mokslo veiklą.

Vis dėlto, jei tai daroma, pirmasis žingsnis yra įtikinti mokslininkus, kad tai verta.

Amgeno Guzmanas-Perezas sako, kad daugelis jo kolegų medicinos chemijos srityje yra skeptiški. Per pastaruosius kelis dešimtmečius šioje srityje buvo sukurta daugybė tariamai revoliucinių technologijų – nuo ​​skaičiavimo projektavimo iki kombinatorinės chemijos ir didelio našumo atrankos, kurios automatizavo greitą kelių molekulių gamybą ir testavimą. Kiekvienas iš jų buvo šiek tiek naudingas, bet ribotas. Niekas, sako jis, stebuklingai negaus jums naujo vaisto.

Jis pripažįsta, kad dar per anksti tiksliai žinoti, ar gilus mokymasis pagaliau gali pakeisti žaidimą, ir sunku žinoti laiką. Tačiau jį skatina greitis, kuriuo AI pakeitė vaizdų atpažinimą ir kitas paieškos užduotis.

Tikimės, kad tai gali nutikti chemijoje, sako jis.

Mes vis dar laukiame AlphaGo akimirkos chemijos ir medžiagų srityse – gilaus mokymosi algoritmai pergudraus labiausiai pasiekusius žmones kuriant naują vaistą ar medžiagą. Tačiau lygiai taip pat, kaip AlphaGo laimėjo su nepaprastos strategijos ir nežmoniškos vaizduotės deriniu, šiandienos naujausios AI programos netrukus gali pasitvirtinti laboratorijoje.

Ir tai kai kurie mokslininkai labai svajoja. Pasak Aspuru-Guzik, idėja yra panaudoti dirbtinį intelektą ir automatiką, kad būtų iš naujo išradinėjama laboratorija naudojant tokius įrankius kaip 30 000 USD vertės molekulinis spausdintuvas, kurį jis tikisi sukurti. Tada mokslininkų ir AI vaizduotė turės ištirti galimybes.

paslėpti