„Technologijų įmonės generalinis direktorius paaiškina, kodėl dirbtinis intelektas, greičiausiai, artimiausiu metu neišgydys ligų. Užuomina: žmonių vis dar reikia.
Didžiausių dirbtinio intelekto laboratorijų vadovai teigia, kad dirbtinis intelektas pradės naują mokslinių atradimų erą, kuri padės mums išgydyti ligas ir paspartins mūsų gebėjimą spręsti klimato krizę. Tačiau ką iš tikrųjų dirbtinis intelektas iki šiol padarė mokslo labui?
Kad suprastume, paklausėme Samo Rodriqueso, mokslininko, tapusio technologu, kuris kuria dirbtinio intelekto įrankius moksliniams tyrimams per savo ne pelno siekiančią organizaciją „FutureHouse“ ir pelno siekiančią įmonę „Edison Scientific“. Edisonas neseniai išleido „Kosmos“ – dirbtinio intelekto agentą arba, bendrovės žodžiais tariant, dirbtinio intelekto mokslininką, kuris, kaip teigiama, per 12 valandų gali atlikti šešių mėnesių doktorantūros arba podoktorantūros lygio tyrimus.
Samas papasakos, kaip veikia „Kosmos“ ir kodėl tokios priemonės gali smarkiai pagreitinti duomenų analizę. Tačiau jis taip pat aptaria, kodėl kai kurie drąsiausi teiginiai apie dirbtinio intelekto gebėjimą išgydyti ligas yra nerealūs, taip pat kokios kliūtys vis dar išlieka.“ tikros dirbtinio intelekto pagreitintos ateities kelias.
Žemiau pateikiamas mūsų pokalbio transkriptas, šiek tiek redaguotas aiškumo ir ilgio dėlei.
Roose: Taigi, šiandien pakvietėme jus būti mūsų mokslo ekspertu, mūsų vadovu po didžiausius pastaruoju metu dirbtinio intelekto varomus mokslo proveržius. Tai sritis, kurią, kaip suprantu, aplinkos požiūriu yra svarbi, ir joje vyksta dideli dalykai, bet nė vienas iš mūsų nesame mokslininkai, nors pradinėje mokykloje sukūriau galingą kepimo sodos ugnikalnį. Taigi, šiandien turime tiek daug ką aptarti, bet prieš pradėdami kalbėtis apie kai kurias detales, noriu paklausti jūsų apie jūsų projektą, prie kurio dirbate. Praėjusį mėnesį jūsų ne pelno siekiančios organizacijos komercinis padalinys, vadinamas „Edison Scientific“, įkūrė naują dirbtinio intelekto mokslininką, vadinamą „Kosmos“, kuris, jūsų teigimu, per vieną šio modelio bandymą gali atlikti darbą, prilygstantį šešių mėnesių doktoranto ar podoktorantūros mokslininko darbui. Papasakokite, kaip veikia „Kosmos“ ir iš kur kilo šis šešių mėnesių skaičius.
Rodriques: Taip, būtent. Ir iš tikrųjų, noriu tiesiog pradėti, sakydamas, kad kai gavau tą šešių mėnesių skaičių, mano reakcija iš pradžių buvo tokia: „Tai negali būti tiesa“, tiesa? Ir dabar mes tai išmatavome įvairiais būdais. Galiu jums tai paaiškinti. Bet iš esmės, tiesiog žingsniu atgal, taigi dvejus metus dirbome ties tuo, kaip sukurti dirbtinio intelekto mokslininką. Ir koncepcija čia yra ta, kad galime padaryti daug daugiau mokslo, nei turime mokslininkų, tiesa? Taigi, kaip mes galime išplėsti mokslo apimtį? Ir tai, kas nutiko su „Kosmos“, yra gana šaunu, tai, kad „Kosmos“ yra pirmas dalykas, kurį, manau, sukūrėme, kad dirbdami su juo iš tikrųjų jaustumėtės kaip dirbtinio intelekto mokslininkas, tiesa?
Tai reiškia, kad jūs einate, pateikiate jam tyrimo tikslą, jis išeina ir grįžta su įžvalgomis, kurios iš tikrųjų yra labai gilios ir įdomios, o kartais ir klaidingos, bet maždaug 80 procentų laiko teisingos. Tai panašu į tai, kai paprašote žmogaus išeiti ir ką nors padaryti, ir jis grįžta panašiu procentiniu laiko procentu. teisingai.
Ir tai savotiška nauja patirtis dirbant su tuo, todėl tai labai įdomu.
Konkrečiai, šešių mėnesių skaičius, kaip mes jį išmatavome, buvo toks: turėjome krūvą akademinių bendradarbių, žinote, mokslininkų, kurie anksčiau buvo atlikę daug mokslinių darbų, kurių dar nebuvo paskelbę. Ir mes iš esmės tą patį tyrimo tikslą ir tą patį duomenų rinkinį davėme dirbtiniam intelektui, „Kosmos“, ir paprašėme jo išeiti ir tiesiog padaryti naujų atradimų. Ir jis grįždavo ir rasdavo tuos pačius dalykus, kuriuos tyrėjai buvo radę per naktį. Ir tada jūs einate ir klausiate tyrėjų, kiek laiko jiems prireikė, kad tai surastumėte? O jie sakydavo, kad tai trys mėnesiai, penki mėnesiai, šeši mėnesiai ar panašiai. Taigi, iš čia kyla tai. Ir tai yra tarsi laikas, kurio jiems prireikė, kad sugalvotų tą atradimą.
Casey Newton: Taigi, leiskite man užduoti jums porą klausimų, kad galėčiau pagrįsti savo nuomonę. Ar šis įrankis yra tarsi langelis, į kurį įvedate tekstą, kaip ir kituose pokalbių robotuose? Ir jei taip, Kas jį veikia? Ar jūs patys sukūrėte savo modelį nuo nulio? Ar atlikote tikslius pakeitimus kitos įmonės modelyje?
Rodriques: Taip, tiksliai. Taigi, tai iš tiesų yra langelis, į kurį iš esmės įvedate tekstą. Jūs užduodate jam tyrimo tikslą. Tai ne pokalbių robotas, tiesa? Jis veikia maždaug 12 valandų, kol galiausiai pateikia savo išvadas. Kalbant apie tai, kaip jis sukurtas, mes kuriame ant daugybės skirtingų kalbų modelių iš „OpenAI“, „Google“, „Anthropic“. Kaip ir bet kuriuo atveju, mes naudojame visų skirtingų tiekėjų modelius. Mes taip pat turime savo modelius konkrečioms užduotims, kuriuos apmokėme viduje, ir šie modeliai yra daug geresni konkrečioms užduotims, kurias apmokėme, nei modeliai, kuriuos kuria tarptautinio lygio tiekėjai. Ir tada pagrindinė „Kosmos“ įžvalga yra suvedama į šį vadinamojo struktūrizuoto pasaulio modelio naudojimą. Taigi, vienas iš pagrindinių šiandieninių dirbtinio intelekto sistemų apribojimų yra tas, kad jos yra ribotos užduoties trukmės ir sudėtingumo, kurį jos gali atlikti, kol nukrypsta nuo bėgių. Jos, žinote, pamiršta, ką daro, nebeatlieka užduoties. Ir mes sugalvojome būdą, kaip jas įtraukti į šį pasaulio modelį, kuris kuriamas laikui bėgant ir iš esmės apibūdina visą žinių apie užduotį, kurią jos atlieka, lygį. Tai reiškia, kad galime suorganizuoti šimtus skirtingų agentų, veikiančių lygiagrečiai, nuosekliai, ir priversti juos visus siekti vieno tikslo. Ir tai buvo tikrasis atrakinimas.
Roose: Teisingai. Dar vienas dalykas, kuris man pasirodė įdomus „Kosmos“ sistemoje, yra kaina. Šis modelis kainuoja 200 USD už raginimą.
Rodriques: Taip.
Roose: Taigi kiekvieną kartą, kai duodate užduotį, mokate 200 USD. Kodėl tai taip brangu?
Rodriques: Turiu omenyje, tam reikia daug skaičiavimo išteklių. Juk tai esminis atsakymas – ar tai daug skaičiavimo išteklių?
Roose: Pasakykite mums, kiek.
Rodriques: Taigi, vienas „Kosmos“ paleidimas vidutiniškai parašys 42 000 kodo eilučių ir perskaitys 1 500 mokslinių straipsnių. Pavyzdžiui, jei paleisite „Claude“, jis gali parašyti kelis šimtus kodo eilučių, ar ne? Taigi, tai suteikia tam tikrą supratimą. Tam reikia daug skaičiavimo išteklių.
Newton: Ar kada nors esate susidūrę su mokslininku, kurio katė perėjo per klaviatūrą, netyčia paspaudė „Enter“ ir staiga išleido apie 600 dolerių?
Rodriques: Tai problema. Tai problema. Taigi, mes, tiesa, turite suprasti, kad jei esate mokslininkas ir atliekate eksperimentą, gaunate duomenų, išleidžiate 5000 arba 10 000 dolerių tiems duomenims rinkti. Taigi, mokslininkai nori absoliučiai geriausių įmanomų rezultatų. Mokslininkai, kurie naudojosi „Kosmos“, paprastai grįžta pas mane ir sako: „Jie negali patikėti, kad už tai imame tik 200 dolerių, tiesa?“ Ir, žinote, pasakysiu, kad 200 dolerių dabar yra reklaminė kaina. Galiausiai turime imti daugiau.
Roose: O, ji kyla. Taigi, pateikite tuos raginimus iki Kalėdų!
Rodriques: Būtent. Bet iš tikrųjų, žinote, tai panašu į tai, kad jei turite išleisti tūkstančius dolerių duomenims rinkti, galutinė kaina nėra apribojimas. Turime būti labai dosnūs grąžindami pinigus, nes žmonės, žinote, nuolat daro klaidų.
Newton: A, padariau rašybos klaidą.
Rodriques: Taip, tiksliai.
Roose: Taigi, ką tik minėjote apie bandymus, kuriuos atlikote, norėdami išsiaiškinti, kiek laiko šis dalykas galėtų veikti, kiek laiko tai sutaupė mokslininkams, tai yra tarsi esamų tyrimų atkartojimas. Tačiau daugelis to, ką girdime iš žmonių, kurie vadovauja šioms didelėms dirbtinio intelekto laboratorijoms, yra galimybė, kad netrukus dirbtinis intelektas pradės daryti naujus mokslinius atradimus. Pradėsime daryti tai, ko negali padaryti esami moksliniai metodai ir procesai. Kiek arti to esame?
Rodriques: Tai jau vyksta. Taigi, jei perskaitysite mūsų straipsnį apie „Kosmos“, kuriame pateikėme septynias išvadas, iš kurių trys buvo esamų išvadų atkartojimai, o keturios – grynai naujas indėlis į mokslinę literatūrą, pavyzdžiui, nauji atradimai.
Newton: O kuri iš jų įspūdingiausia?
Rodriques: Taigi, vienas iš tų, kurie mums labai patinka, yra žmogaus genomas, kuriame yra milijonai genetinių variantų, tiesa? Tai yra skirtumai tarp skirtingų žmonių DNR, susiję su ligomis. Ir dažniausiai žinome, kad variantas yra susijęs su liga, bet neįsivaizduojame, kodėl, tiesa? Taigi, mes paprašėme „Kosmos“, pateikėme jai krūvą neapdorotų duomenų apie daugybę skirtingų genetinių veiksnių, pavyzdžiui, kokie yra variantai, kokie baltymai jungiasi prie variantų ir panašiai, ir tiesiog paprašėme 2 tipo diabeto specialisto nustatyti mechanizmą, susijusį su vienu iš šių variantų. Ir jie atsakė, ir nustatė, kad tai buvo variantas, kurio nebuvo gene. Ir „Kosmos“ nustatė, kad tai iš tikrųjų yra vieta, kur jungiasi kitas baltymas. Jie sugebėjo nustatyti, koks baltymas jungiasi ir koks genas yra ekspresuojamas, ir susiejo tai su tikruoju to geno, SSR1, mechanizmu, kuris dalyvauja kasoje išskiriant insuliną, tiesa? Niutonas: Gerai, tai šiuo atveju, ką girdėjau, jūsų modelis sugebėjo atlikti labai įmantrų samprotavimą, remdamasis esamais duomenimis, ir nustatyti kažką, ko joks kitas žmonių mokslininkas nebuvo padaręs ir galbūt nebuvo padaręs labai ilgą laiką?
Rodriques: Taip, teisingai.
Niutonas: Gerai.
Rodriques: Manau, kad mokslas paprastai susideda iš sprendimo, kokius duomenis rinkti, tų duomenų rinkimo ir išvadų darymo. Taigi, šiuo metu „Kosmos“ yra skirtas trečiam žingsniui.
Ir žinote, yra daugiau darbo -
Niutonas: Liko nepaminėtas žingsnis – priversti Trumpo administraciją atšaukti jūsų finansavimo įšaldymą. Bet visa kita buvo teisinga.
Rodriques: (juokas)
Roose: Taigi, kas nutinka, kai iš „Kosmos“ gavai tokį atradimą? Ar tada reikia jį patvirtinti? Ar perduodate jį tyrėjų komandai, kuri tada turi įsitikinti, kad jis veikia? Kas vyksta toliau?
Rodriques: Taip, be abejo. Turite jį patvirtinti. Taigi, tai yra vienas iš dalykų, kuriuos straipsnyje aprašome, kaip patvirtinome tą konkretų variantą. Apskritai, kai žmonės jį naudoja, taip, jūs jį naudojate. Turiu omenyje, tiesiogine prasme, kai atliekate „Kosmos“ tyrimą, pirmiausia turite suprasti, ką jis jums sako. Nes jis ką tik padarė kažką, ką mokslininkai laiko šešių mėnesių darbu, ir jūs ilgai sėdėsite, skaitydami ir suprasdami. Kai perskaitysite ir suprasite, tuomet taip, iš tiesų, atliksite įvairius eksperimentus, atliksite savo analizę, naudosite kryžmines nuorodas, kad įsitikintumėte, jog tai tiesa. Ir tada, remdamiesi savo tyrimo tikslu, nuspręsite dėl tolesnių veiksmų, tiesa? Žinote, šiuo atveju, manau, mažai tikėtina, kad šis konkretus atradimas sukurs naują vaistų taikinį, tiesa? Bet galėtumėte tai patikrinti su kitais atradimais ir galiausiai, galbūt atrasite naujų vaistų taikinių, pradėsite vaistų programą, tai yra, žinote.
Roose: Taigi, vienas iš žmonių, išsakančių tokius modelius kaip „Kosmos“, yra tai, kad čia tiesiog nėra kliūčių, kad priežastis, kodėl neturime daugiau dirbtinio intelekto atrastų vaistų ir sukurtų vaistų ligoms gydyti, iš tikrųjų nėra ta, kad neturime tyrimų metodų jiems atrasti, o todėl, kad reikia atlikti tyrimus, įtraukti žmones ir gauti FDA patvirtinimą. patvirtinimas. Tarsi visa tai užtrunka daug ilgiau nei pats vaisto atradimas. Taigi, kokias problemas tokie modeliai padeda išspręsti mūsų moksliniame procese dabar?
Rodriques: Taigi, visiškai. Aš iš tikrųjų tikrai sutinku, kad galiausiai medicinos problemų sprendimo kliūtis yra klinikiniai tyrimai. Turiu omenyje, ir lengviausias būdas tai pamatyti yra pažvelgus į ligų, kurias žinome, kaip išgydyti pelėms, skaičių, tiesa? Tai astronomiška, nes, žinoma, galite tiesiog atlikti eksperimentus, o žmonėms viskas vyksta lėtai. Kita vertus, jei manote, kad kiekvienas farmacijos kompanijų atliekamas eksperimentas, kaip ir kiekvienas klinikinis tyrimas, yra optimaliai suplanuotas ir optimaliai sumanytas, atsižvelgiant į visas žinias, jūs esate pamišę, tiesa? Nėra jokio būdo. O tie eksperimentai kainuoja šimtus milijonų dolerių. Taigi klausimas yra toks: ar galiausiai turime atlikti klinikinius tyrimus? Kaip užtikrinti, kad šie eksperimentai būtų geriausi, kokius tik galėtume atlikti, turint visas turimas žinias ir duomenis? Turime tiek daug duomenų, kuriuose yra įžvalgų, kurios laukia, kol bus surastos, ir mes tiesiog neturime žmonių, kurie jas surastų, ir tai galiausiai bus panaudota geresniems eksperimentams, geresniems bandymams, tiesa?
Newton: Na, tai man smalsu, kaip, jūsų manymu, jūsų įrankis atitiktų šių dienų mokslininko darbo eigą. Ar tai būtų toks atvejis, kai, pavyzdžiui, baigiau savo eksperimentus ir dabar man reikia pagalbos atliekant analizę? Ar tai būtų, kad turiu visus šiuos senus eksperimentus, kuriuos atlikau tik nedidelę analizę, ir man smalsu, ar galėčiau iš jų išspausti daugiau naudos? Arba, kaip, jūsų manymu, dirbtinis intelektas šiuo metu yra tikrai naudingas dirbantiems mokslininkams?
Rodriques: Taip, taip, puikus klausimas. Taigi, grįžtant prie manęs 2019 m., kai baiginėjau savo daktaro disertaciją, tiesa? Turėjau milžinišką duomenų rinkinį ir norėjau baigti studijas, nes buvau doktorantas, o tai reiškė, kad uždirbdavau apie 40 000 dolerių per metus ir turėjau puikių galimybių išeiti ir nebebūti doktorantu. Taigi, šešis mėnesius tiesiog sėdėjau prie savo stalo, bandžiau analizuoti duomenis ir daryti išvadas, skaičiau straipsnius, tiesa? Šiuo metu „Kosmos“ tam ir tinka. Tai tarsi, žinote, paimtumėte tą duomenų rinkinį, atiduotumėte jį „Kosmos“, ir jie pateiktų daug išvadų. Šiuo metu jums reikia atlikti daugybę rankinio darbo, kad patvirtintumėte tuos išvadų patvirtinimus ir panašiai. Netrukus jie pateiks išvadų ir jūs pagalvosite: „Puiku.“
Roose: Sam, man smalsu, ar galėtumėte padėti mums ir mūsų klausytojams susidaryti vaizdą apie dirbtinio intelekto mokslo pasaulį šiuo metu. Neseniai Baltieji rūmai paskelbė apie vadinamąją „Genesis“ misiją – federalinę misiją, kuria siekiama surinkti ir panaudoti visus šiuos duomenų rinkinius, kuriuos turi ir naudoja federalinė vyriausybė, imant juos atlikti naujus mokslinius tyrimus. Mes taip pat dedame daug pastangų, įskaitant jūsų, bet daug kas vyksta technologijų pramonėje, biotechnologijų pramonėje ir aplink ją, žmonės kuria dirbtinį intelektą medžiagų mokslui. Suteikite mums supratimą apie tai, kas dabar madinga dirbtinio intelekto moksle, kur eina pastangos ir pinigai?
Rodriques: Teisingai. Norint suprasti dirbtinio intelekto ir mokslo aplinką, pirmiausia reikia suprasti, kad dirbtinis intelektas yra susijęs su modelių kūrimu, tiesa? Pavyzdžiui, kalbos modelis, kas yra kalbos modelis? Kalbos modelis iš esmės yra žmogaus kalbos modelis. Taip atsitiko, kad kuriant žmogaus kalbos modelį, jis tam tikra prasme išmoksta mąstyti kaip žmogus, nes žmonės savo mintis koduoja kalba. Tai vienas didžiausių XXI amžiaus, o gal ir visų laikų, atradimų. Taigi, panašiai, kai kalbame apie dirbtinį intelektą moksle, turime galvoti apie tai, kad modeliuojame dalykus. Štai ką daro dirbtinis intelektas. Yra dvi pagrindinės kategorijos. Yra gamtos pasaulio modeliavimas, tiesa? Ir yra mokslo kūrimo proceso modeliavimas. Šie dalykai iš esmės skiriasi, ir priežastis daryti šį skirtumą yra ta, kad, žinote, ką mes darome, tiesa, mes modeliuojame mokslo kūrimo procesą. Kita dirbtinio intelekto mokslo pasaulio pusė yra modelių, kurie, pavyzdžiui, gali numatyti baltymų struktūrą, gali generuoti naujus antikūnus, gali sukurti naują organizmą nuo nulio, kūrimas – visa tai įvyko 2025 m., kai yra didžiulis pagreitis.
Roose: Taip, tai logiška. Turiu omenyje, kad iš dalykų, vykstančių gamtos pasaulio modeliavimo proceso dalyje, minėjote baltymų lankstymąsi, naujus organizmus, kas jus, kaip mokslininką, labiausiai sužavėjo?
Rodriques: Taigi, manau, kad šiuo metu be jokios abejonės labiausiai jaudina tai, ką vadiname generatyviniais modeliais. Taigi, tai yra modeliai, kurie gali sukurti baltymų, antikūnų ar bet ko kito, turinčio norimas savybes, pavyzdžius iš esmės nuo nulio. Tai nauja galimybė, kurios anksčiau neturėjome, ir ji milžiniška.
Newtonas: Man smalsu dėl patikimumo aspekto, nes atliekate visus šiuos eksperimentus. Žinote, šią savaitę mačiau tai socialiniuose tinkluose, pats tai atkartojau. Jei paklaustumėte „Google“: „Ar 2026-ieji bus kitais metais?“, ji atsakytų: „Ne, 2026-ieji ne kitais metais, o po metų.“ Taigi, tokiame pasaulyje, Sam, kai kurie žmonės gali sunerimti dėl minties, kad dabar patikime dirbtiniam intelektui visą savo duomenų analizę. Taigi, kiek laiko mokslininkai turi praleisti grįždami atgal ir iš esmės dar kartą tikrindami dirbtinio intelekto darbą ir kokį mokestį tai užkrauna jų darbui?
Rodriques: Taip, tai labai juokinga. Turiu omenyje, žiūrėkite, jūs turite praleisti daug laiko grįždami atgal ir tikrindami. Bet, kad būtų aišku, tai tiesa nepriklausomai nuo to, ar tai daro dirbtinis intelektas, ar paprašote draugo. Jei ketinate publikuoti straipsnį, geriau jį patikrinti ir įsitikinti, kad esate tuo įsitikinę. Ir tai niekada nebus 100 procentų, tiesa? Geriausia, ką galite padaryti, tai pasiekti tokį lygį, kad jis būtų toks pat geras, lyg darytumėte patys, o tai nėra 100 procentų, nes nesate neklystantis, o darbo patikrinimas visada bus greitesnis nei jo sukūrimas. Daug greičiau.
Roose: Daugelis didžiausių mūsų mokslinių proveržių istorijoje įvyko dėl tokių keistų atsitiktinumų, šių atsitiktinumų akimirkų. Žinote, penicilinas pradeda augti Petri lėkštelėje, ir mes atrandame: „O Dieve, tai puiku.“ Ar dirbtinis intelektas išsaugo tokį atsitiktinumą, tokius atsitiktinumus, ar jie juos optimizuoja?
Rodriques: Taip, tai puikus klausimas, o iš tikrųjų mes dar nežinome. Tai bus labai svarbus esminis klausimas, kurį užduoda daugelis žmonių.
Roose: Kokia jūsų nuomonė šiuo klausimu?
Rodriques: Manau, kad tikriausiai taip ir padarys, nes -
Roose: Tikriausiai jie jį išsaugos?
Rodriques: Tikriausiai jie jį išsaugos, nes penicilinas, kiek suprantu, iš esmės buvo paliktas atidarytas langas ant agaro be antibiotikų. Akivaizdu, kad jie neturėjo antibiotikų, nes tai buvo pirmojo atradimas, tiesa? Taigi, langas buvo paliktas atidarytas su agaru ir, žinote, ant jo užskrido sporos, pradėjo augti ir jie pastebėjo, kad bakterijos buvo slopinamos, tiesa? Tai klaida. Kažkas suklydo, tiesa? Ir ta klaida lėmė kažką fantastiško, ir, manau, bus klaidų, kurios bus išsaugotos.
Newton: Bet tuo tarpu mokslininkai visada turėtų palikti savo langus atvirus. Niekada nežinai, kas nutiks. Rodriques: Tu neturi jokio, žinai, rimtai, supratimo, kad akademinėje bendruomenėje tiek daug visko nutinka, kai atsiranda magistrantūros studentų, tiesa? Kai atsiranda magistrantūros studentų, pirmakursių, jie nežino, ką daryti. Jie nežino, ką daryti. Ir tai yra didžiulis mokslo pažangos šaltinis, nes jie tiesiog daro pačius atsitiktinius, keisčiausius dalykus, apie kuriuos niekas, ką nors išmanantis, niekada nepagalvotų, ir tai iš tikrųjų yra labai svarbu.
Roose: Beveik norisi, kad jūsų dirbtinio intelekto mokslininko modelis šiek tiek haliucinuotų.
Rodriques: Visiškai teisingai. Arba tiesiog pridėti triukšmo, tiesa? Kalbame apie tai, kad tai yra tas pats, kas pridėti triukšmo, kad tai iš tikrųjų svarbu ir biologinei evoliucijai, tiesa? Pavyzdžiui, genome yra daug triukšmo, ir taip evoliucija atsitiktinai sukuria naujus dalykus, tai yra, yra baltymas, kuris visiškai atsitiktinai nieko nedaro, o tada vieną dieną, staiga, oi, jis kažką daro, ir tai puiku, tiesa?
Roose: Ką manote apie didelių dirbtinio intelekto laboratorijų lyderius, tokius kaip Demis, Dario ir Samas Altmanas, kurie sako: „Dirbtinis intelektas leis mums išgydyti visas arba daugumą ligų per ateinantį dešimtmetį ar du?“
Rodriques: Dešimtmetis yra beprotybė. O, ir aš mielai užimu labai tvirtą poziciją šiuo klausimu, nes jei klystu, tai puiku, tiesa? Bet jei klystu, laimi visi. Bet, tarkim, dešimtmetis yra beprotybė.
Roose: Kodėl tai beprotybė?
Rodriques: Nes dėl priežasties, apie kurią kalbėjome anksčiau: reikia atlikti klinikinius tyrimus. Jei dabar turėtume vaistą, kuris stabdytų senėjimą, visiškai sustabdytų senėjimą žmonėms nuo 25 iki 65 metų ar panašiai, 10 metų to nežinotumėte, nes negalite aptikti, ar tokio amžiaus žmonės sensta, ar ne, bent penkerius ar dešimt metų. Pavyzdžiui, metai iš metų nepastebi, kad sensti. Taigi, nežinosi, ar tai veikia.
Newtonas: Nežinau. Kai kurie žmonės mano dešimtmečių mokyklos susitikime jau atrodė gana prastai.
Rodriques: (juokas)
Newtonas: Nenoriu to sakyti.
Rodriques: Aš sakiau 25!
Newtonas: Gerai, teisingai.
Rodriques: Bet taip. Turiu omenyje, turime atlikti eksperimentus. Tie eksperimentai užtruks. Dabar, 30 metų, manau, tai labai tikėtina. Mes nežinome, kas bus įmanoma. Mes nežinome, ar įmanoma sustabdyti senėjimą. Mes nežinome, ar įmanoma išgydyti visas ligas ar ką nors kita, bet nuo dabar iki po 30 metų, manau, reikėtų tikėtis milžiniško mūsų žinių šuolio į priekį.
Niutonas: Leiskite man šiek tiek panagrinėti šią temą, nes manau, kad kai kurie žmonės gali tai suprasti kaip teiginį, jog tai iš esmės yra reguliavimo klausimas, kurio mes tiesiog neturime, žinote, FDA, kuri būtų įsteigta tam matuoti. Tačiau man smalsu sužinoti eksperimentinę pusę. Nes, kiek suprantu, mes neturime pakankamai biologų, kad galėtume atlikti visus norimus eksperimentus. Galbūt neturime lėšų eksperimentams finansuoti. Ir jūs iškėlėte klausimą, kad kai kurie iš šių eksperimentų tiesiog užtrunka ilgai. Taigi, kokie veiksniai, jūsų manymu, apsunkins ligų gydymą?
Rodriques: O Dieve. Reikia eiti ir jums reikia, žinote, net tarkime, kad turite molekulę, kurią norite išbandyti su žmogumi, ir žinote, su kuriais žmonėmis norite ją išbandyti, turite ją sukurti, tiesa? Žmonės yra dideli, jiems jos reikia daug. Turite įsitikinti, kad ji yra pakankamai aukštos kokybės, kad galėtumėte ją įdėti į žmogų. Reikia rasti pacientus, o tai reiškia užmegzti ryšius su gydytojais, tiesa? Tiesą sakant, žinote, reikia laukti, kol turėsite pakankamai pacientų, kurie norės tai padaryti. Daugeliui ligų tiesiog nėra tiek daug pacientų. Taigi rasti pacientų yra sunku, tiesa? Ir tada reikia jiems skirti dozę. Reikia palaukti ir pamatyti, kas nutiks, tiesa? Net ir be jokio reguliavimo tai būtų lėtai.
Newton: Taip. Dirbtinis intelektas beveik viskam neturi trumpesnio kelio, bent jau ne dabar.
Rodriques: Ne, dirbtinis intelektas leis mums atrasti daug dalykų, apie kuriuos jau turime informacijos. Mes to dar neišsiaiškinome. Kitas dalykas, apie kurį kartais kalba dirbtinio intelekto tyrėjai, kuris tikriausiai nėra pagrįstas, yra tai, kad nereikėtų tikėtis, jog vieną dieną, kai norėsite gauti GPT-7 ir tiesiog paklausite, kaip išgydyti Alzheimerio ligą, jis jums tiesiog pasakys. Manau, kad žinių nepakanka. Mes neturime pakankamai žinių, kad iš principo išspręstume šią problemą, net ir turėdami begalinį intelektą, tiesa? Kaip ir su begaliniu intelektu, vis tiek būtų dalykų, kurie tiesiog nežinomi apie pasaulį, ir turime atlikti eksperimentus, kad juos ištirtume. Turėdami viską, kas žinoma, galėsite suplanuoti geriausią įmanomą eksperimentą, bet negalėsite tiesiog, žinote, de novo išsiaiškinti, tiesa?
Roose: Casey, aš mokiausi lotynų kalbos. Tai reiškia iš naujo.
Newton: O, ačiū, ačiū. Tai mane išgelbėjo. Nereikalingu tapo „Google“ paieškos žingsnis.
Roose: Tai nėra visiškai mokslas, bet man smalsu, ką tu apie tai manai, Sam. Visos didelės dirbtinio intelekto laboratorijos yra apsėstos matematikos, nori laimėti Tarptautinę matematikos olimpiadą, iškovoti aukso medalį, spręsti šias neįrodytas matematikos teoremas. Ir aš turiu savo nuomonę, kuri, mano manymu, yra ta, kad šiose laboratorijose dirba žmonės, kurie patys buvo konkurencingi matematikai vidurinėje mokykloje ir dalyvavo Tarptautinėje matematikos olimpiadoje ir jiems sekėsi gana gerai. Ir daugelis šių žmonių mano, kad, kaip ir A.G.I., bus tiesiog šiek tiek protingesnė jų versija. Bet man smalsu, kodėl šios vietos taip apsėstos matematikos kaip vienos iš tų pirmųjų vietų, kuriose jos nori daryti didelę pažangą?
Rodriques: Yra dvi priežastys. Manau, kad viena iš priežasčių yra būtent tai, ką ką tik pasakėte. Tai tiesiog pažįstama, tiesa? Bet kita priežastis yra ta, kad galite išmatuoti pažangą, tiesa? Taigi, galiausiai, kaip ir mašininio mokymosi pažangos variklis, didelę pažangos dalį sudaro etalonai. Matematikos srityje galite pasakyti, ar jūsų įrodymas yra teisingas. Ir yra begalė dalykų, kuriuos reikia įrodyti. Taigi, labai lengva pasakyti, ar tobulėjate, ar ne. O tokie dalykai kaip I.M.O. tiesiog atveria puikias galimybes. Kita vertus, jei pažvelgsite į kai kuriuos didžiausius pastarojo meto proveržius, didžiausius šių metų proveržius dirbtinio intelekto srityje biologijoje, tiesa? Tokie dalykai kaip „Chai Discovery“ [1], „Nabla“ [2], sukuriantys itin gerus modelius antikūnams gaminti de novo, tiesa? Didžiulis proveržis, bet galiausiai jų pergalė bus tada, kai tai bus patvirtinta žmonėms, o tai gali užtrukti dar penkerius metus ar panašiai. „Arc Institute“ pirmą kartą sukūrė organizmą nuo nulio – bakteriofagą [3]. Tai viruso rūšis, kuri užkrečia bakterijas. Neįtikėtina, tiesa? Bet jį tiesiog sunkiau įvertinti. Pavyzdžiui, koks jis geras? Pavyzdžiui, jo nepaleisite į laisvę, todėl jį sunkiau įvertinti, o Tarptautinė vėžio asociacija (TMO) yra tiesiog labai švari. Todėl manau, kad tai vienas iš dalykų, apie kurį daug galvojame, yra tai, kaip gauti tikrai aiškius kriterijus, pagal kuriuos galėtume įvertinti, ar gerai dirbame moksle?
Roose: Turiu atsakymą: Tarptautinė vėžio gydymo olimpiada.
Newton: Man tai patinka.
Roose: Ar turėtume tai pradėti?
Newton: Manau, kad tai būtų puiku!
Roose: Galime įteikti žmonėms medalį, jei jie laimės. Pradėkime, laboratorijos. Taigi, kai šių įmonių generaliniai direktoriai ar vadovai teigia, kad per ateinančius 10 ar 15 metų, ar kokį nors kitą terminą, išgydysime visas ligas naudodami dirbtinį intelektą, ar jie tai daro todėl, kad nesupranta kliūčių? Turiu omenyje, tai labai protingi žmonės. Taigi, ko jie nemato, ar jie tai daro tik kaip savotišką rinkodaros pratimą? Ar tai bandymas sudominti žmones dirbtiniu intelektu, kurie kitaip galėtų dėl jo išsigąsti? Kodėl jie pateikia šias prognozes?
Rodriques: Ne, žiūrėkite, turiu omenyje, manau, kad taip – protingi žmonės galėtų nesutikti. Yra daug priežasčių, kodėl galima teigti, kad iš tikrųjų modeliai taps labai protingi ir jie sugalvos būdų, kaip įvertinti, ar darome pažangą, prieš pradedant klinikinį tyrimą, ir tai padidins iteracijos ciklą, tiesa? Na, šiuo klausimu galima pateikti pagrįstų argumentų, tiesa? Pavyzdžiui, žinote, kad mes tiesiog nebedarysime pilnų klinikinių tyrimų, o naudosime tik biožymenis. Na, tai nėra beprotybė, ir tai yra vienas iš būdų, kodėl aš galiu klysti, ir galbūt po 10 metų turėsime vaistų nuo visų ligų.
Taigi, tai yra dalis to. Akivaizdu, kad yra dalis to, kad jie nori išpopuliarinti šį dalyką. Iš dalies tai susiję su tuo, ar Samas Altmanas iš tikrųjų iki galo supranta, ko reikia norint pradėti gaminti, pavyzdžiui, padidinti mažos molekulės gamybą, kad ją būtų galima panaudoti klinikoje? Tikriausiai ne, tiesa? Taigi, yra tam tikras mišinys. Nemanau, kad tai daroma nesąžiningai. Tiesiog žmonės labai džiaugiasi. Kažkuriuo metu įvyks šioks toks susidūrimas su realybe. Pamatysime, kur tiksliai tai bus, bet kokiu atveju ateitis bus nuostabi, tiesa?
Newtonas: Šiuo metu, 2025 m., kiek, jūsų manymu, dirbtinio intelekto įrankiai pakeitė dirbančio mokslininko gyvenimą ir kiek kitaip, jūsų manymu, jis bus po metų?
Rodriquesas: Manau, jus šokiruotų tai, kad jie to dar nepadarė. Mokslininkai apskritai yra labai konservatyvūs žmonės, nes jei atliekate eksperimentą, niekada iki galo nežinote, bent jau biologijoje paprastai iki galo nesuprantate, kodėl eksperimentas veikia, o kodėl ne. Yra dalykų, kuriuos paveldėjote iš anksčiau taikytų protokolų, ir kur mes tai darome tokiu būdu. Galėtumėte tai išbandyti, bet yra per daug dalykų, kuriuos reikia išbandyti. Taigi, jūs tiesiog Įsitvirtinę savo metoduose, tai yra tai, kas veikia, ir jūs tiesiog norite daryti tai, kas veikia. Todėl biologai naujus metodus diegia lėtai. Manau, kad dauguma laboratorijų visame pasaulyje tikriausiai vis dar atlieka mokslą taip, kaip darė anksčiau, ir tikriausiai dar kurį laiką tai darys, ir tai gerai. Vienoje srityje, manau, daug žmonių jau diegia programavimą, nes biologijoje istoriškai programavimas buvo didelė kliūtis.
Dabar tai didžiulis atradimas, kad biologai, kurie nemokėjo programuoti, gali atlikti daug programavimo darbų naudodami Claude'o kodą, OpenAI modelius, Gemini ir kt.
Taigi, tai didžiulis atradimas. Manau, kad jis greitai bus plačiai pritaikytas. Literatūros paieška, tiesa? Pavyzdžiui, galimybė analizuoti mokslinės literatūros gausą yra didžiulis atradimas, kuris bus labai greitai pritaikytas. Tokios priemonės, kokias kuriame, yra šiek tiek platesnės nei bet kada anksčiau. Galiausiai žmonės juos pritaikys, kai pamatys, kad kiti juos naudoja ir pasiekia puikių rezultatų.
Roose: Sam, ar galėtume su tavimi pažaisti nedidelį žaibišką žaidimą? Mes jį vadiname „perdėtai išreklamuotu/nepakankamai išreklamuotu“. Taigi, mes tau kai ką pasakysime, o tu pasakysi, ar, tavo moksline nuomone, tai perdėtai išreklamuota, ar per mažai. Pasiruošęs? Įrodymas. Tai yra tada, kai dirbtinio intelekto sistemos išeina ir rašo matematinius įrodymus.
Rodriques: Jei turėčiau priverstinį pasirinkimą, tikriausiai perdėtai išreklamuotas. Tai puikus dirbtinio intelekto progreso variklis, ir geri įgūdžiai tikriausiai turės įtakos ir kitur, bet ar tai savaime taip naudinga? Nesu tikras.
Roose: Robotika dirbtinio intelekto laboratorijų automatizavimui?
Rodriques: Robotika dirbtinio intelekto laboratorijų automatizavimui ar -?
Roose: Taip, arba mokslinių laboratorijų automatizavimui.
Newton: Pavyzdžiui, šlapios laboratorijos.
Rodriques: Robotika mokslinių laboratorijų automatizavimui. Hm, manau, kad tai tinkamai išreklamuota. Tai bus visiškai transformuojanti. Technologijos dar visiškai nėra tokios. Yra daug ką, ką turime padaryti, bet, taip, tikriausiai tinkamai išreklamuota.
Newton: AlphaFold 3?
Rodriques: Įdomu. Manau, kad, kaip ir visi baltymų struktūros modeliai, aplink juos daug ažiotažo, bet jie bus itin transformuojantys. Taigi, sakyčiau, kad tai tikriausiai nepakankamai išreklamuota. Tačiau aplink juos daug ažiotažo, todėl sunku priimti sprendimą.
Roose: Virtualios ląstelės? Šią vasarą girdėjome iš Patricko Collisono, ką Arc institutas padarė kurdamas virtualią ląstelę.
Rodriques: Tai per daug išreklamuota, bet dėl konkrečios priežasties. Modeliai, kuriuos jie kuria Arc institute, yra nuostabūs. Ir jie daro panašius dalykus New Limit institute, Chan Zuckerberg. Kaip ir daugelis šių vietų, daugelis šių puikių kompanijų ir organizacijų tai daro. Manau, kad vadinti tai virtualia ląstele yra šiek tiek perdėta, tiesa? Galiausiai toks modelis modeliuoja kažką labai specifinio. Pavyzdžiui, sukurti tikrą virtualią ląstelę, pavyzdžiui, gebėti imituoti ląstelę kompiuteryje, yra nuostabus tikslas. Mes esame labai toli nuo to.
Newton: Kvantiniai skaičiavimai?
Rodriques: Per daug išreklamuota.
Roose: Smegenų ir kompiuterio sąsajos?
Rodriques: O, žmogau, šitas klausimas tikrai sunkus. Pasakysiu – per daug išreklamuotas. Aš labai tikiu B.C.I. (pagrindiniu modeliavimu). Manau, kad efektyvūs B.C.I. arba tokie, kokius juos įsivaizduojame mokslinėje fantastikoje, yra labiau pažengę, nei žmonės įsivaizduoja. Net „Neuralink“ daro nuostabią pažangą.
Roose: Taip, Casey jau turi vieną savo galvoje.
Newton ir Rodriques: (juokas)
Roose: Viskas labai keista.
Rodriques: Yra daug puikių žmonių, kurie daro pažangą, bet, manau, tai toliau, nei žmonės mano.
Newton: Taigi, artėjame prie metų pabaigos. Jei galėtume jus šiek tiek paskatinti apmąstyti, kokie, jūsų manymu, buvo trys svarbiausi dirbtinio intelekto sukurti moksliniai pasiekimai šiais metais?
Rodriques: Taip, manau, kad pirmasis buvo, na, atvirai kalbant, šie metai buvo agentų metai. Tai buvo metai, kai žmonės atrado agentus, todėl aš, sąžiningai, turiu save įtraukti, turiu mus įtraukti į tą sąrašą. Be to, su „Google“ bendradarbiu [4], turiu omenyje, kad mes ne vieninteliai žmonės, kurie dirba ties tuo. „Google“ atlieka puikų darbą. Yra ir daugybė kitų žmonių. Taigi, dirbtinio intelekto agentai mokslui, tikrai. Ir tada, pavyzdžiui, generatyvusis dizainas išgyvena didžiulį momentą, tiesa? Taigi, kiti tikriausiai būtų Chai darbas, Nabla darbas ir daugelis kitų, susijusių su de novo antikūnų kūrimu.
Newton: Beje, labai džiaugiuosi, kad anksčiau tinklalaidėje apibrėžėte de novo. Tai buvo dažnai minima.
Roose: Taip.
Rodriques: Atsiprašau, kai sakau de novo, turiu omenyje tiesiogine prasme – jis sukuriamas nuo nulio. Jūs jam nieko neduodate, tiesa? Jūs tiesiog duodate jam taikinį, prie kurio norite, kad jis prisijungtų, ir jis sukuriamas nuo nulio.
Tai labai svarbu, nes iš esmės pažadas, kurio siekia tokios kompanijos kaip Chai, Nabla ir panašiai, yra pasaulis, kuriame galite sakyti: „Žinome, kad norėdami išgydyti šią ligą, turime nukreipti dėmesį į tą baltymą.“ Jūs paspauskite mygtuką ir turėsite antikūną, kurį galėsite įdėti į žmones rytoj. Tai milžiniška. Tai panaikina daugybę to, ką žmonės turėjo daryti anksčiau.
Taigi, tai milžiniška. Ir trečia, manau, panašiai kaip Brian Hee, Patrick Hsu ir kiti Arc institute padarė kurdami organizmus de no – atsiprašau, kurdami organizmus nuo nulio.
Newton: Galime tai pasakyti! Dabar žinome, ką tai reiškia. Tai svarbiausia.
Rodriques ir Roose: (juokas)
Roose: Tai mūsų savaitės žodis „Pee-wee's Playhouse“.
Rodriques: (juokas) Ar organizmų de novo dizainas naudingas? Nežinau. Ar jis nuostabus? Na, be abejo. Tai toks didelis proveržis.
Roose: O Sam, į ką turėtume atkreipti dėmesį kitais metais? Kas tave džiugina, kas gali būti ateityje 2026 m.?
Rodriques: Sąžiningai, vėlgi sprogimą matys agentai. Mes dabar esame S formos kreivės pradžioje ir tai tęsis. Galbūt prieš metus sakydavau žmonėms, kad, mano manymu, 2026 ar galbūt 2027 metais dauguma aukštos kokybės hipotezių, kurias sukuria mokslo bendruomenė, bus sukurtos mūsų arba agentų, panašių į tuos, kuriuos kuriame mes. Ir kai tai pasakiau 2024 metais, maniau, kad per daug reklamuoju, tiesa? Aš tiesiog pagalvojau: „Man reikia šiek tiek reklamos“. Šiuo metu tai gali būti realu. Manau, kad 2026 metai būtų ambicingi. Daugumai gerų hipotezių, kurias iškelia agentai, tai didžiulis šuolis. Bet, tarkim, 2027-ieji, taip, žmogau. 2026-ieji bus metai, kai pamatysime, kaip šie agentai pradeda skverbtis į viską, tiesa? Jie prasiskverbia į laboratorijas, į įprastą žmonių gyvenimą. Turiu omenyje, tai jau vyksta.
Roose: Šaunu.
Newton: Taip.
Roose: Na, aš to laukiu. Sam, labai ačiū, kad suteikei mums mokslinį išsilavinimą, kurio akivaizdžiai negavome mokykloje.
Newton: Taip, tu tikrai davei mums keletą naujų minčių apmąstyti. Aš tai vertinu.
Rodriques: (juokas) Gerai. Ačiū, vaikinai.“ [5]
1. „Chai Discovery“
„Chai Discovery“ yra San Franciske įsikūrusi dirbtinio intelekto vaistų kūrėja, kuri daugiausia dėmesio skiria biologijos pamatinių modelių naudojimui, siekiant pakeisti naujų gydymo būdų, ypač antikūnų kūrimo, kūrimą.
Technologija: „Chai“ sukūrė skaičiavimo modelį, vadinamą „Chai-2“, kuris gali sukurti viso ilgio monokloninius antikūnus su „vaistą primenančiomis“ savybėmis, palyginamomis su patvirtintais vaistais. Ši platforma parodė didelį sėkmės rodiklį – daugiau nei 85 % dizainų atitiko griežtus kūrimo kriterijus bandymų metu.
Finansavimas ir vertinimas: Bendrovė pasiekė vienaragio vertę (1,3 mlrd. USD), 2025 m. gruodžio mėn. užsitikrinusi 130 mln. USD B serijos finansavimo etapą. Ją remia žymūs investuotojai, įskaitant „OpenAI“, „General Catalyst“ ir „Thrive Capital“.
Įkūrėjai: Ją įkūrė Joshua Meier ir Jack Dent, kurie anksčiau buvo atitinkamai „Meta“ ir „OpenAI“ inžinerijos vadovai.
Daugiau informacijos galite rasti oficialioje „Chai Discovery“ svetainėje.
2. „Nabla“
„Nabla“ („Nabla Bio“) yra dirbtinio intelekto bendrovė, kurios dvi pagrindinės kryptys:
DI vaistų atradimui: Ji kuria bendrosios paskirties „de novo“ baltymų projektavimo sistemas (pvz., JAM-2), kurios pasiekia didelį sėkmės rodiklį kuriant antikūnus prieš sudėtingus taikinius.
Aplinkos dirbtinio intelekto asistentas klinikų gydytojams: „Nabla“ taip pat teikia „Copilot“ – dirbtinio intelekto valdomą asistentą, kuris transkribuoja pacientų susitikimus ir generuoja klinikines pastabas, tiesiogiai integruotas į elektroninius sveikatos įrašus (EHR).
Technologija: Klinikinis asistentas naudoja patentuotus didelius kalbos modelius (LLM), sukurtus iš tūkstančių valandų medicininių susitikimų garso įrašų, kad klinikų gydytojams sutaupytų vidutiniškai dvi valandas per dieną dokumentacijai.
Partnerystės: „Nabla“ neseniai prisijungė prie Sveikatos dirbtinio intelekto koalicijos (CHAI), kad padėtų nustatyti gaires ir geriausią praktiką, kaip etiškai naudoti dirbtinį intelektą sveikatos priežiūros srityje.
Daugiau apie jų darbą galite sužinoti oficialioje „Nabla“ svetainėje.
3. Naujų bakteriofagų generatyvinis dizainas naudojant genomo kalbos modelius (GLM) yra proveržis sintetinėje biologijoje, kur dirbtinis intelektas (pvz., „Evo 1/2“) sukuria visiškai naujus, gyvybingus fagų genomus, pereidamas nuo atskirų genų prie ištisų organizmų. Ši technologija, pademonstruota kuriant ΦX174 variantus, pasižyminčius geresne funkcija (greitesnis naikinimas, geresnis atsparumas). vengimas) ir netgi naujos struktūros, siūlo galingą būdą kurti sprendimus atsparumui antibiotikams ir kurti sudėtingas biologines sistemas, tačiau kelia didelių etinių ir saugos klausimų.
Pagrindiniai aspektai ir išvados:
Pirmasis viso genomo dizainas: Tyrėjai sėkmingai sukūrė funkcionalius, viso genomo bakteriofagus – tai pirmas kartas generatyvinėje biologijoje.
DI modeliai: „Evo 1“ ir „Evo 2“, apmokyti su milijonais fagų genomų, išmoko virusų „gramatiką“, kad sukurtų naujas sekas.
Funkcinis naujumas: Sukurti fagai (pvz., EVO serijos) pasižymėjo didesniu tinkamumu, greitesne lize ir išsivystė, kad įveiktų atsparumą, kuris kamavo pradinį fagą.
Struktūrinė inovacija: Įjungtas fage netgi buvo panaudotas anksčiau nematytas DNR pakavimo baltymas.
Fagų kokteiliai: šių dirbtinio intelekto sukurtų fagų kokteilis greitai nugalėjo antibiotikams atsparias bakterijas, o tai rodo potencialą terapijai.
Apibendrinamasis požiūris: sukuria sistemą įvairioms, atsparioms biologinėms sistemoms, nuo virusų iki potencialiai didesnių organizmų, kurti.
Išvados ir iššūkiai:
Potencialas: naujų antimikrobinių medžiagų, bioreaktorių ar net mikrobų, skirtų plastikui skaidyti, kūrimas.
Rizika: galimas netinkamas naudojimas kuriant kenksmingus patogenus (dvejopo naudojimo problema), reikalaujantis griežto valdymo, licencijavimo ir izoliavimo.
Etika: perkelia kūrimo ribas, reikalaujantis apgalvoto reguliavimo ir valdymo.
Ateitis: kitas žingsnis – plėtra, apimanti didesnius genomus (pvz., bakterijas), reikalaujanti kruopščių etikos ir saugos sistemų.
4. „Google“ dirbtinio intelekto bendradarbis yra daugiaagentė dirbtinio intelekto sistema (sukurta naudojant „Gemini 2.0“), kuri veikia kaip virtualus tyrimų partneris, padėdama mokslininkams paspartinti atradimus, generuodama naujas hipotezes, kurdama eksperimentus, analizuodama duomenis ir siūlydama tyrimų planus, visa tai natūralios kalbos sąveikos būdu, dirbdama „mokslininko ciklo“ režimu, kad padidintų žmonių išradingumą tokiose srityse kaip biomedicina.
Pagrindinės funkcijos ir kaip tai veikia:
Hipotezių generavimas: naudoja specializuotus dirbtinio intelekto agentus (generavimą, refleksiją, reitingavimą, evoliuciją), kad generuotų idėjas, diskutuotų ir tobulintų naujas, išbandomas mokslines idėjas ir tyrimų pasiūlymus, pagrįstus tyrėjo tikslais.
Eksperimentinis dizainas: padeda kurti eksperimentinius protokolus ir nustatyti potencialius vaistų kandidatus arba naujus biologinius taikinius.
Literatūros apžvalga: padeda greitai suprasti ir apibendrinti atitinkamus tyrimus.
Daugiagentė architektūra: naudoja kelis dirbtinio intelekto agentus, dirbančius kartu, imituodami mokslinį metodą (generuoti, refleksuoti, reitinguoti, vystyti), kad pagerintų idėjų kokybę. Žmogaus ir dirbtinio intelekto bendradarbiavimas: jis skirtas dirbti su mokslininkais, o ne juos pakeisti, leidžiant tyrėjams vadovauti procesui ir patvirtinti išvadas.
Realusis poveikis:
Jis nustatė naują genų perdavimo mechanizmą, skirtą atsparumui antimikrobinėms medžiagoms, kurį patvirtino ekspertai.
Jis nustatė naujus vaistų taikinius kepenų fibrozei, kuriuos Stanfordo mokslininkai patvirtino.
Jis rado potencialių naujų esamų vėžio vaistų (AML) panaudojimo būdų, kurie laboratoriniuose tyrimuose parodė perspektyvumą.
Iš esmės, dirbtinio intelekto bendradarbis sprendžia sudėtingus ankstyvuosius tyrimų etapus – idėjų generavimą – leisdamas žmonėms mokslininkams sutelkti dėmesį į sudėtingą patvirtinimą ir gilesnį supratimą.
Kokia yra vidutinė „Google“ bendradarbio naudojimo kaina vienai problemai išspręsti?
„Google“ bendradarbis“ yra tyrimų projektas ir pagalbinė priemonė mokslininkams, o ne komerciškai prieinamas produktas su viena fiksuota kaina už kiekvieną išspręstą problemą. Susijusių dirbtinio intelekto įrankių naudojimo kaina gali labai skirtis – nuo mėnesinės prenumeratos iki naudojimo pagrindu taikomų mokesčių „Google Cloud“ platformoje.
Kainodaros struktūra ir susijusios išlaidos
„Bendro mokslininko“ sistema yra platesnių „Google“ dirbtinio intelekto tyrimų pastangų dalis ir naudoja esamus dirbtinio intelekto modelius. Vartotojo kaina visiškai priklausytų nuo konkrečių naudojamų „Google“ dirbtinio intelekto paslaugų, problemos masto ir reikalingų skaičiavimo išteklių.
Kitų „Google“ dirbtinio intelekto paslaugų kainodaros modeliai apima:
Mėnesines prenumeratas: bendruosius „Google“ dirbtinio intelekto modelius, tokius kaip „Gemini“, galima pasiekti per „Google One AI Pro“ planą už maždaug 20 USD per mėnesį arba pažangesnę AI Ultra prenumeratą už maždaug 250 USD per mėnesį. Jie suteikia prieigą prie galingų modelių, tačiau yra bendrosios paskirties, o ne skirti konkrečiai „bendro mokslininko“ tyrimų sistemai.
Kainodara pagal naudojimą: sudėtingoms, didelio masto problemoms kaina priklauso nuo reikiamos skaičiavimo galios ir duomenų apdorojimo.
Vienas kito, galingo dirbtinio intelekto modelio („Kosmos“) įvertinimas parodė, kad vieno paleidimo arba užduoties kaina yra apie 200 USD dėl naudojamų didelių skaičiavimo išteklių.
„Google Cloud“ siūlo įvairias „Vertex AI“ ir kitų kūrėjų paslaugų kainodaros struktūras, pagrįstas naudojimu, pavyzdžiui, mokesčius už mokymo valandą, prognozavimo užklausas arba už agento pagalbos minutę.
Nėra „vidutinės kainos“ vienai problemai. „Bendramokslininkas“ yra sudėtingas „Google“ AI technologijos taikymas, pritaikytas intensyviems moksliniams tyrimams.
5. Where Is All the A.I.-Driven Scientific Progress? Roose, Kevin; Newton, Casey; Cohn, Rachel. New York Times (Online) New York Times Company. Dec 26, 2025.
Komentarų nėra:
Rašyti komentarą