Kaip dirbtinis intelektas daro revoliuciją vaistų vystyme

„Teray Therapeutics laboratorija yra miniatiūrinės automatikos simfonija. Robotai sukasi, gabendami mažyčius skysčių vamzdelius į jų stotis. Mokslininkai mėlynais chalatais, steriliomis pirštinėmis ir apsauginiais akiniais stebi mašinas.

 

 Tačiau tikrasis veiksmas vyksta nanoskalėje: tirpale esantys baltymai susijungia su cheminėmis molekulėmis, laikomomis nedideliuose šulinėliuose, pritaikytuose silicio lustuose, kurie yra tarsi mikroskopinės bandelių skardelės. Kiekviena sąveika įrašoma, milijonai ir milijonai kasdien, kasdien generuojant 50 terabaitų neapdorotų duomenų – tai atitinka daugiau, nei 12 000 filmų.

 

 Maždaug du trečdalius futbolo aikštės dydžio laboratorija yra dirbtinio intelekto padedamų vaistų atradimų ir kūrimo duomenų fabrikas Monrovijoje, Kalifornijoje. Tai dalis jaunų įmonių ir pradedančiųjų įmonių, bandančių panaudoti dirbtinį intelektą (A.I.) greičiau pagaminti veiksmingesnius vaistus.

 

 Įmonės naudoja naują technologiją, kuri mokosi iš didžiulio duomenų kiekio, kad gautų atsakymus, kad bandytų perdaryti vaistų atradimą. Joa perkelia lauką nuo kruopštaus amatininkų amato prie labiau automatizuoto tikslumo – pamainą, kurią skatina A.I., kai mokosi ir tampa protingesnis.

 

 „Kai turėsite reikiamų duomenų, A.I. gali dirbti ir gauti tikrai labai gerą rezultatą“, – sakė „Terray“ vienas iš įkūrėjų ir generalinis direktorius Jacobas Berlinas.

 

 Dauguma ankstyvųjų, versle naudojamų, generatyvaus AI, galinčio kurti viską nuo poezijos iki kompiuterinių programų, darbas buvo padėti atsikratyti įprastų biuro užduočių, klientų aptarnavimo ir kodų rašymo. Vis dėlto vaistų atradimas ir kūrimas yra didžiulė pramonė, kuri, pasak ekspertų, yra subrendusi A.I. perdarymui.

 

 A.I. pasak konsultacijų įmonės „McKinsey & Company“, tai yra, „kartą per šimtmetį pasitaikanti, galimybė“ farmacijos verslui.

 

 Kaip populiarūs pokalbių robotai, tokie, kaip „ChatGPT“, yra mokomi naudotis tekstu internete, o vaizdo generatoriai, tokie, kaip DALL-E, mokosi iš daugybės nuotraukų ir vaizdo įrašų, A.I. vaistų atradimas priklauso nuo duomenų. Ir tai labai specializuoti duomenys – molekulinė informacija, baltymų struktūros ir biocheminės sąveikos matavimai. A.I. mokosi iš duomenų modelių, kad pasiūlytų galimus naudingus vaistus, tarsi derindamas cheminius raktus su tinkamomis baltymų spynomis.

 

 Kadangi A.I. vaistų kūrimas pagrįstas tiksliais moksliniais duomenimis, toksiškos „haliucinacijos“ yra daug mažesnės, nei naudojant plačiau apmokytus pokalbių robotus. Ir bet koks galimas vaistas turi būti kruopščiai išbandytas laboratorijose ir klinikiniuose tyrimuose, kol jis bus patvirtintas pacientams.

 

 Tokios įmonės, kaip Terray kuria dideles aukštųjų technologijų laboratorijas, kad gautų informaciją, kuri padėtų apmokyti AI, kuri leidžia greitai eksperimentuoti ir nustatyti modelius bei numatyti, kas gali veikti.

 

 Generatyvus A.I. tada gali skaitmeniniu būdu sukurti vaisto molekulę. Šis dizainas didelės spartos automatizuotoje laboratorijoje paverčiamas fizine molekule ir patikrinama, ar ji sąveikauja su tiksliniu baltymu. Rezultatai – teigiami arba neigiami – registruojami ir grąžinami į A.I. programinę įrangą, skirta patobulinti kitą dizainą, pagreitinant bendrą procesą.

 

 Nors kai kurie A.I. sukurti vaistai yra klinikiniuose tyrimuose, tai dar ankstyvos dienos.

 

 „Generatyvus A.I. keičia sritį, tačiau vaistų kūrimo procesas yra netvarkingas ir labai žmogiškas“, – sakė biochemikas ir Vašingtono universiteto Baltymų dizaino instituto direktorius Davidas Bakeris.

 

 Vaistų kūrimas tradiciškai buvo brangus, daug laiko reikalaujantis ir nesėkmingas darbas. Vaisto kūrimo ir klinikinių tyrimų iki galutinio patvirtinimo kainos tyrimai labai skiriasi.

 

 Tačiau visos išlaidos vertinamos vidutiniškai 1 mlrd. dolerių.

 

 Tai trunka nuo 10 iki 15 metų.

 

 Ir beveik 90 procentų kandidatų į vaistus, kurie patenka į klinikinius tyrimus su žmonėmis, nepavyksta, dažniausiai dėl nepakankamo veiksmingumo arba nenumatytų šalutinių poveikių.

 

 Jauniausi A.I. vaistų kūrėjai stengiasi panaudoti jų technologijas, kad pagerintų šias galimybes, tuo pačiu sumažindami laiką ir pinigus.

 

 Jų nuosekliausias finansavimo šaltinis yra farmacijos milžinai, kurie ilgą laiką buvo mažesnių mokslinių tyrimų įmonių partneriai ir bankininkai.

 

 Šiandien A.I. vaistų gamintojai paprastai siekia paspartinti ikiklinikinius vystymosi etapus, kurie paprastai trunka nuo ketverių iki septynerių metų.

 

 Kai kurie gali bandyti patys dalyvauti klinikiniuose tyrimuose. Tačiau šiame etape paprastai perima didžiosios farmacijos korporacijos, vykdydamos brangius bandymus su žmonėmis, kurie gali užtrukti dar septynerius metus.

 

 Senoms vaistų kompanijoms partnerių strategija yra santykinai pigus būdas pasinaudoti naujovėmis.

 

 „Jiems tai panašu į Uber, kad jus kur nors nuvežtų, o ne pirkti automobilį“, – sakė Gerardo Ubaghs Carrión, buvęs Bank of America Securities biotechnologijų investicijų bankininkas.

 

 Didžiosios farmacijos įmonės moka savo mokslinių tyrimų partneriams už tai, kad jie pasiekė svarbius etapus vaistų kandidatams, kurie per metus gali siekti šimtus milijonų dolerių. Ir jeigu ilgainiui vaistas patvirtinamas ir tampa komercine sėkme, atsiranda pajamų iš honorarų.

 

 Tokios įmonės, kaip Terray, Recursion Pharmaceuticals, Schrödinger ir Isomorphic Labs siekia laimėjimų. Tačiau iš esmės yra du skirtingi keliai – tie, kurie kuria dideles laboratorijas, ir tie, kurie ne.

 

 Isomorphic, vaistų atradimo iš Google DeepMind, technologijų milžinės centrinės A.I. grupės, darinys laikosi nuomonės, kad kuo geresnis AI, tuo mažiau duomenų reikia. Ir jis lažinasi dėl savo programinės įrangos meistriškumo.

 

 2021 m. „Google DeepMind“ išleido programinę įrangą, kuri tiksliai numatė, kokias formas aminorūgščių eilutės susilankstys, kaip baltymai. Šios trimatės formos lemia, kaip veikia baltymas. Tai paskatino biologinį supratimą ir padėjo atrasti vaistus, nes baltymai skatina visų gyvų būtybių elgesį.

 

 Praėjusį mėnesį „Google DeepMind“ ir „Isomorphic“ paskelbė, kad jų naujausias A.I. „AlphaFold 3“ modelis gali numatyti, kaip baltymai ir kitos biologinės molekulės sąveikaus – tai dar vienas žingsnis kuriant vaistus.

 

 „Mes sutelkiame dėmesį į skaičiavimo metodą“, - sakė Maxas Jaderbergas, vyriausiasis A.I. Izomorfo pareigūnas. „Manome, kad yra didžiulis potencialas, kurį reikia išnaudoti.

 

 Terray, kaip ir dauguma naujų vaistų kūrimo įmonių, yra daugelio metų mokslinių tyrimų ir naujesnių A.I. metodų derinys.

 

 Dr. Berlin, generalinis direktorius, įgijęs daktaro laipsnį. chemijos srityje iš Caltech, per visą savo karjerą siekė pažangos nanotechnologijų ir chemijos srityse. Terray išaugo iš akademinio projekto, pradėto daugiau, nei prieš dešimtmetį „City of Hope“ vėžio centre netoli Los Andželo, kur daktaras Berlinas turėjo tyrimų grupę.

 

 Terray daugiausia dėmesio skiria mažų molekulių vaistų kūrimui, iš esmės bet kokiam vaistui, kurį žmogus gali išgerti tabletėje, kaip, pavyzdžiui, aspiriną ​​ir statinus. Tabletes patogu vartoti ir nebrangu gaminti.

 

 Aptakios „Terray“ laboratorijos yra toli nuo senųjų akademinių laikų, kai duomenys buvo saugomi „Excel“ skaičiuoklėse, o automatizavimas buvo tolimas tikslas.

 

 „Aš buvau robotas“, - prisiminė Kathleen Elison, viena iš Terray įkūrėjų ir vyresnioji mokslininkė.

 

 Tačiau iki 2018 m., kai buvo įkurta „Terray“, technologijos, reikalingos jos pramoninio stiliaus duomenų laboratorijai sukurti, sparčiai tobulėjo. „Terray“ pasikliaudavo išorinių gamintojų pažanga, kad sukurtų „Terray“ projektuojamus mikrolustus. Jo laboratorijos užpildytos automatizuota įranga, tačiau beveik visa ji yra pritaikyta individualiems poreikiams – tai įmanoma dėl 3D spausdinimo technologijos.

 

 Terray komanda nuo pat pradžių pripažino, kad A.I. buvo labai svarbu, norint suprasti jos duomenų saugyklas, tačiau generatyvaus A.I. vaistų kūrimas tapo akivaizdus tik vėliau – nors prieš tai, kai „ChatGPT“ tapo didžiuliu hitu 2022 m.

 

 Narbe Mardirossian, Amgen vyresnysis mokslininkas, 2020 m. tapo „Terray“ vyriausiuoju technologijų pareigūnu – iš dalies dėl daugybės laboratorijoje sugeneruotų duomenų. Valdant daktarui Mardirossianui, Terray sukūrė duomenų mokslą ir A.I. komandas ir sukūrė A.I. modelį, skirtą cheminiams duomenims išversti į matematiką ir atgal. Bendrovė išleido atvirojo kodo versiją.

 

 „Terray“ turi partnerystės sandorius su „Bristol Myers Squibb“ ir „Calico Life Sciences“, „Google“ patronuojančios bendrovės „Alphabet“ dukterine įmone, kuri daugiausia dėmesio skiria su amžiumi susijusioms ligoms. Šių sandorių sąlygos neatskleidžiamos.

 

 Kad galėtų plėstis, Terray prireiks daugiau nei 80 mln. dolerių rizikos finansavimo, sakė jaunesnysis daktaro Berlino brolis Eli Berlinas. 

 

Jis paliko darbą privataus kapitalo srityje, kad taptų vienu iš įkūrėjų ir startuolio vyriausiuoju finansų ir veiklos vadovu, įsitikinęs, kad technologija gali atverti duris pelningam verslui, sakė jis.

 

 Terray kuria naujus vaistus nuo uždegiminių ligų, įskaitant vilkligę, psoriazę ir reumatoidinį artritą. Pasak dr. Berlino, bendrovė tikisi, kad klinikiniai tyrimai bus pradėti 2026 m. pradžioje.

 

 Terray ir panašių startuolių vaistų gamybos naujovės gali pagreitinti procesą, bet tik tiek.

 

 „Pagrindinis išbandymas mums ir šiai sričiai apskritai yra tai, jei per 10 metų žiūrėsi atgal ir gali pasakyti, kad klinikinės sėkmės rodiklis gerokai išaugo ir turime geresnių vaistų žmonių sveikatai pagerinti“, – sakė dr. Berlinas." [1]

1. How A.I. Is Revolutionizing Drug Development. Lohr, Steve; Spencer, Lowell.  New York Times (Online) New York Times Company. Jun 17, 2024.

How A.I. Is Revolutionizing Drug Development

"The laboratory at Terray Therapeutics is a symphony of miniaturized automation. Robots whir, shuttling tiny tubes of fluids to their stations. Scientists in blue coats, sterile gloves and protective glasses monitor the machines.

But the real action is happening at nanoscale: Proteins in solution combine with chemical molecules held in minuscule wells in custom silicon chips that are like microscopic muffin tins. Every interaction is recorded, millions and millions each day, generating 50 terabytes of raw data daily — the equivalent of more than 12,000 movies.

The lab, about two-thirds the size of a football field, is a data factory for artificial-intelligence-assisted drug discovery and development in Monrovia, Calif. It’s part of a wave of young companies and start-ups trying to harness A.I. to produce more effective drugs, faster.

The companies are leveraging the new technology — which learns from huge amounts of data to generate answers — to try to remake drug discovery. They are moving the field from a painstaking artisanal craft to more automated precision, a shift fueled by A.I. that learns and gets smarter.

“Once you have the right kind of data, the A.I. can work and get really, really good,” said Jacob Berlin, co-founder and chief executive of Terray.

Most of the early business uses of generative A.I., which can produce everything from poetry to computer programs, have been to help take the drudgery out of routine office tasks, customer service and code writing. Yet drug discovery and development is a huge industry that experts say is ripe for an A.I. makeover.

A.I. is a “once-in-a-century opportunity” for the pharmaceutical business, according to the consulting firm McKinsey & Company.

Just as popular chatbots like ChatGPT are trained on text across the internet, and image generators like DALL-E learn from vast troves of pictures and videos, A.I. for drug discovery relies on data. And it is very specialized data — molecular information, protein structures and measurements of biochemical interactions. The A.I. learns from patterns in the data to suggest possible useful drug candidates, as if matching chemical keys to the right protein locks.

Because A.I. for drug development is powered by precise scientific data, toxic “hallucinations” are far less likely than with more broadly trained chatbots. And any potential drug must undergo extensive testing in labs and in clinical trials before it is approved for patients.

Companies like Terray are building big high-tech labs to generate the information to help train the A.I., which enables rapid experimentation and the ability to identify patterns and make predictions about what might work.

Generative A.I. can then digitally design a drug molecule. That design is translated, in a high-speed automated lab, to a physical molecule and tested for its interaction with a target protein. The results — positive or negative — are recorded and fed back into the A.I. software to improve its next design, accelerating the overall process.

While some A.I.-developed drugs are in clinical trials, it’s still early days.

“Generative A.I. is transforming the field, but the drug-development process is messy and very human,” said David Baker, a biochemist and director of the Institute for Protein Design at the University of Washington.

Drug development has traditionally been an expensive, time-consuming, hit-or-miss endeavor. Studies of the cost of designing a drug and navigating clinical trials to final approval vary widely. 

But the total expense is estimated at $1 billion on average. 

It takes 10 to 15 years.

 And nearly 90 percent of the candidate drugs that enter human clinical trials fail, usually for lack of efficacy or unforeseen side effects.

The young A.I. drug developers are striving to use their technology to improve those odds, while cutting time and money.

Their most consistent source of funding comes from the pharma giants, which have long served as partners and bankers to smaller research ventures. 

Today’s A.I. drugmakers are typically focused on accelerating the preclinical stages of development, which have conventionally taken four to seven years. 

Some may try to go into clinical trials themselves. But that stage is where major pharma corporations usually take over, operating the expensive human trials, which can take another seven years.

For the established drug companies, the partner strategy is a relatively low-cost path to tap innovation.

“For them, it’s like taking an Uber to get you somewhere instead of having to buy a car,” said Gerardo Ubaghs Carrión, a former biotech investment banker at Bank of America Securities.

The major pharma companies pay their research partners for reaching milestones toward drug candidates, which can reach hundreds of millions of dollars over years. And if a drug is eventually approved and becomes a commercial success, there is a stream of royalty income.

Companies like Terray, Recursion Pharmaceuticals, Schrödinger and Isomorphic Labs are pursuing breakthroughs. But there are, broadly, two different paths — those that are building big labs and those that aren’t.

Isomorphic, the drug discovery spinout from Google DeepMind, the tech giant’s central A.I. group, takes the view that the better the A.I., the less data that’s needed. And it is betting on its software prowess.

In 2021, Google DeepMind released software that accurately predicted the shapes that strings of amino acids would fold into as proteins. Those three-dimensional shapes determine how a protein functions. That was a boost to biological understanding and helpful in drug discovery, since proteins drive the behavior of all living things.

Last month, Google DeepMind and Isomorphic announced that their latest A.I. model, AlphaFold 3, can predict how proteins and other biological molecules and will interact — a further step in drug design.

“We’re focusing on the computational approach,” said Max Jaderberg, chief A.I. officer at Isomorphic. “We think there is a huge amount of potential to be unlocked.”

Terray, like most of the drug development start-ups, is a byproduct of years of scientific research combined with more recent developments in A.I.

Dr. Berlin, the chief executive, who earned his Ph.D. in chemistry from Caltech, has pursued advances in nanotechnology and chemistry throughout his career. Terray grew out of an academic project begun more than a decade ago at the City of Hope cancer center near Los Angeles, where Dr. Berlin had a research group.

Terray is concentrating on developing small-molecule drugs, essentially any drug a person can ingest in a pill like aspirin and statins. Pills are convenient to take and inexpensive to produce.

Terray’s sleek labs are a far cry from the old days in academia when data was stored on Excel spreadsheets and automation was a distant aim.

“I was the robot,” recalled Kathleen Elison, a co-founder and senior scientist at Terray.

But by 2018, when Terray was founded, the technologies needed to build its industrial-style data lab were progressing apace. Terray has relied on advances by outside manufacturers to make the micro-scale chips that Terray designs. Its labs are filled with automated gear, but nearly all of it is customized — enabled by gains in 3-D printing technology.

From the outset, the Terray team recognized that A.I. was going to be crucial to make sense of its stores of data, but the potential for generative A.I. in drug development became apparent only later — though before ChatGPT became a breakout hit in 2022.

Narbe Mardirossian, a senior scientist at Amgen, became Terray’s chief technology officer in 2020 — in part because of its wealth of lab-generated data. Under Dr. Mardirossian, Terray has built up its data science and A.I. teams and created an A.I. model for translating chemical data to math, and back again. The company has released an open-source version.

Terray has partnership deals with Bristol Myers Squibb and Calico Life Sciences, a subsidiary of Alphabet, Google’s parent company, that focuses on age-related diseases. The terms of those deals are not disclosed.

To expand, Terray will need funds beyond its $80 million in venture funding, said Eli Berlin, Dr. Berlin’s younger brother. He left a job in private equity to become a co-founder and the start-up’s chief financial and operating officer, persuaded that the technology could open the door to a lucrative business, he said.

Terray is developing new drugs for inflammatory diseases including lupus, psoriasis and rheumatoid arthritis. The company, Dr. Berlin said, expects to have drugs in clinical trials by early 2026.

The drugmaking innovations of Terray and its peers can speed things up, but only so much.

“The ultimate test for us, and the field in general, is if in 10 years you look back and can say the clinical success rate went way up and we have better drugs for human health,” Dr. Berlin said." [1]

1. How A.I. Is Revolutionizing Drug Development. Lohr, Steve; Spencer, Lowell.  New York Times (Online) New York Times Company. Jun 17, 2024.

Ar gali dirbtinis intelektas patenkinti mažesnių įmonių poreikius? Kai kurie veržiasi sužinoti

  „Dirbtinio intelekto įrankiai, tokie kaip ChatGPT, plačiausiai naudojami didelėse įmonėse, tačiau yra daug vilčių, kad poveikis išplis.

 

 Nešvilio srities prekybos rūmai nuo 1800-ųjų sušaukdavo metinį vietos verslo lyderių susitikimą, tačiau paskutiniame susirinkime buvo neabejotinai moderni tema: dirbtinis intelektas (A.I.).

 

 Tikslas buvo demistifikuoti technologiją maždaug 2000 rūmų narių, ypač mažoms įmonėms.

 

 „Mano jausmas nėra toks, kad žmonės būtų atsargūs“, – sakė rūmų generalinis direktorius Ralphas Schulzas. „Jie tiesiog njaučia aiškumo dėl galimo jų panaudojimo“.

 

 Kai generatyvus A.I. 2022 m. pabaigoje į visuomenės sąmonę įsiveržęs, jis patraukė įmonių ir darbuotojų vaizduotę gebėjimu atsakyti į klausimus, sudaryti pastraipas, rašyti kodą ir kurti vaizdus. Analitikai prognozavo, kad ši technologija pakeis ekonomiką, skatindama produktyvumo bumą.

 

 Tačiau iki šiol poveikis buvo ribotas.

 

 Nors įvaikinimas A.I. auga, tik apie 5 procentai įmonių visoje šalyje naudojasi šia technologija, rodo surašymo biuro atlikta įmonių apklausa.

 

 Daugelis ekonomistų prognozuoja, kad generatyviam A.I. liko daug metų, kol jis turės išmatuojamą poveikį ekonominei veiklai, tačiau jie sako, kad pokyčiai ateis.

 

 „Man tai yra penkerių metų, o ne penkių ketvirčių istorija“, – sakė „Boston Consulting Group“ pasaulio vyriausiasis ekonomistas Philippas Carlssonas-Szlezakas. „Ar per penkerius metus pamatysiu ką nors išmatuojamo? Aš taip manau."

 

 Nors kai kurios didžiausios įmonės Nešvilyje ir kitur randa A.I. – ir skiria pinigų bei laiko daugiau kurti – daugelis mažesnių įmonių tik pradeda domėtis technologijomis, jei jos apskritai naudojasi.

 

 „Geriausi ir didžiausi iš tikrųjų dirba, kad jį įgyvendintų ir dabar gautų naudos, tačiau priėmimo kreivė tikrai ankstyva“, – sakė p. Carlssonas-Szlezakas.

 

 Allison Giddens, aviacijos ir kosmoso gamybos įmonės „Win-Tech“, kurioje dirba 41 darbuotojas Kenesave, Kalifornijoje, viena iš pirmininkių sakė, kad ji pradėjo naudoti „ChatGPT“ maždaug prieš šešis mėnesius kai kurioms veiklos užduotims, pavyzdžiui, rašyti el. laiškus darbuotojams, analizuoti duomenis ir rengti pagrindinius projektus įmonės buveinės procedūroms.

 

 Ant jos kompiuterio monitoriaus pritvirtintame užraše tiesiog parašyta „ChatGPT“, kad primintų jai naudotis šia technologija.

 

 „Turime įsipratinti iš tikrųjų naudoti įrankį“, – sakė ji.

 

 Tačiau ji susiduria su kliūtimis ją įgyvendinti plačiau ir panaudoti savo įmonės veiksmingumui. Kartais ji neranda teisingų „ChatGPT“ atsakymų.

 

 Kibernetinis saugumas yra svarbus jos pramonėje, todėl ji turi būti atsargi dėl informacijos, kurią teikia A.I. modeliui.

 

 Ir ji nerado vietos technologijoms gamyklos aukšte, kur mechanikai gamina nestandartines aliuminio ir titano dalis gynybos pramonei.

 

 „Dar nėra daug dirbtuvių naudojimo atvejų“, – sakė ji.

 

 Technologinėms naujovėms, įskaitant kompiuteriją ir internetą, istoriškai prireikė daugelio metų ar dešimtmečių, kad pasklistų ekonomikoje ir paveiktų produktyvumą bei produkciją. Amerikiečių ekonomistas Robertas Solowas 1987 m. pasakė: „Kompiuterių amžių galite pamatyti visur, išskyrus produktyvumo statistiką“.

 

 Ekonomistai paprastai mano, kad generatyvaus A.I. įvyks daug greičiau, iš dalies dėl to, kad informacija sklinda greičiau, nei praeityje. Pavyzdžiui, konsultacijų įmonė EY-Parthenon neseniai paskelbtoje serijoje apie generatyvųjį A.I. kad ši technologija produktyvumą galėtų padidinti per trejus ar penkerius metus.

 

 Tačiau yra keletas reikšmingų kliūčių, įskaitant dvejones dėl technologijų naudojimo, teisines ir duomenų saugumo kliūtis, reguliavimo trintį, išlaidas ir poreikį sukurti daugiau fizinės ir technologinės infrastruktūros, kuri palaikytų AI, įskaitant skaičiavimo galią, duomenų centrus ir programinę įrangą.

 

 „Mes vis dar esame pradiniame revoliucijos etape, nes pradėjome matyti reikšmingas investicijas į šios revoliucijos pamatų kūrimą“, – sakė „EY-Parthenon“ vyriausiasis ekonomistas Gregory Daco. „Tačiau dar nematėme visos naudos našumo, didesnės produkcijos, didesnio darbo jėgos panaudojimo požiūriu."

 

 Davidas Duncanas, Čikagos viešbučių valdymo įmonės „First Hospitality“ vadovas, sakė, kad bendrovė stengiasi užtikrinti, kad jos vidinius finansinius duomenis galėtų naudoti A.I. sistemos ateityje.

 

 „Planuojame naujos kartos A.I. programas“, – sakė jis.

 

 D. Duncanas sakė, kad jis numatė panaudoti A.I. analizuoti šiuos duomenis ir sukurti pirminius ataskaitų projektus, išlaisvinant vadovus ir generalinius vadovus. Įmonė, turinti apie 3600 darbuotojų, taip pat tikisi panaudoti A.I. analizuoti kassavaitines darbuotojų apklausas per metus, kad būtų galima gauti įžvalgų apie tendencijas jų komandose bendra moralė.

 

 „Manau, kad esame pradiniame didžiulio verslo idėjų, strategijos, duomenų ir rezultatų apdorojimo būdo transformacijos etape“, – sakė p. Duncanas.

 

 Apklausų duomenimis, A.I. daugiausiai naudojamasi informacinėse ir profesionaliose paslaugose, kurios apima grafinį dizainą, buhalterinę apskaitą ir teisines paslaugas – tradiciškai baltas apykakles, kurioms automatizavimas anksčiau grėsė mažiau.

 

 Tyrimas rodo, kad rinkodara yra vienas iš dažniausiai naudojamų A.I. visose įmonėse. Smulkaus verslo darbo užmokesčio ir išmokų platforma „Gusto“ nustatė, kad iš praėjusiais metais sukurtų įmonių, kurios naudojo generatyvųjį AI, 76 proc. užsimėmė marketingu su juo.

 

 Vis dėlto daugelis ekonomistų mano, kad ilgainiui A.I. nepaveiks tik nedaugelio profesijų darbus kažkuriuo būdu. EY-Parthenon apskaičiavo, kad du trečdaliai JAV darbo vietų – daugiau, nei 100 milijonų darbo vietų – yra labai arba vidutiniškai veikiami generatyvaus AI, o tai reiškia, kad šios technologijos gali pakeisti šias darbo vietas. Tikėtina, kad likusieji, dažniausiai tie darbai, kuriuose daugiau socialinio ir žmonių bendravimo, taip pat gaus įtakos, atliekant tokias užduotis, kaip administracinis darbas.

 

 Ir A.I. atrodo, kad difuzija įgauna pagreitį. Ekonomikos studijų centro darbiniame dokumente, naudojant Surašymo biuro verslo formavimo statistikos duomenis, praėjusiais metais buvo nustatytas „didelis, atskiras šuolis“ su AI susijusioms įmonėms taikomų programų srityje, o tai gali paskatinti technologijos plitimą. Straipsnyje taip pat buvo parodyta, kad įmonės, kurios per daugelį metų buvo sukurtos, naudojant su AI susijusias programas, turėjo didesnį darbo vietų kūrimo, darbo užmokesčio ir pajamų potencialą, nei kitos.

 

 Sudėjus tai, „manome, kad yra potencialo šiems A.I. pradedančios įmonės turės įtakos mūsų ekonomikai artimiausioje ateityje“, – sakė Can Dogan, Virdžinijos Radfordo universiteto ekonomikos docentas ir vienas iš straipsnio autorių.

 

 „Apskritai, esamos įmonės turėtų išsiaiškinti, ką jos gali padaryti su šiomis technologijomis“, – pridūrė jis. „Manau, kad tai yra platesnio priėmimo raktas“.

 

 Chrisas Jonesas, „Planting Seeds Academic Solutions“, švietimo ir mokymo verslo, kuriame dirba devyni darbuotojai ir 100–150 nepriklausomų rangovų, įkūrėjas, yra vienas iš tų, kurie bando išsiaiškinti, kaip panaudoti kylančias A.I. technologijas. Ponas Jonesas, įsikūręs Dalase, sakė, kad susidomėjo A.I. jo įmonėje 2021 ar 2022 m., tačiau jis „niekada neturėjo viso dėmesio, kad nustatytų, kaip A.I. galėtų būti įtrauktas į mūsų verslą“.

 

 Jis tikisi netrukus pasikviesti konsultantą, kuris parodys įmonei, kaip naudotis A.I. pardavimui, administracinėms užduotims ir programų operacijoms, pvz., mokymo programų kūrimui. Jis atkreipia dėmesį į galimą poveikį savo darbuotojų darbo vietoms, tačiau aiškiai žiūri į besikeičiančią ekonominę aplinką.

 

 „Kaip verslas, aš turiu išlikti, nes konkurencija yra tikra“, – sakė ponas Jonesas.

 

 Nešvilyje, varomoji jėga, skatinanti mažas ir vidutines įmones priimti A.I. yra kameros vadovas, Bobas Higginsas. Jis kalbėjosi su kitais verslo lyderiais, rengė internetinius seminarus ir dirbo su Vanderbilto universiteto profesoriumi, kuris yra generatyvaus A.I. ekspertas.

 

 P. Higginsas taip pat stengiasi rodyti pavyzdį. „Barge Design Solutions“, inžinerijos ir architektūros paslaugų įmonėje, kurioje jis yra generalinis direktorius, jo žmogiškųjų išteklių komanda panaudojo generatyvųjį A.I. padėti kurti darbo skelbimus, kurie atnešė daugiau kvalifikuotų kandidatų į sunkiai užpildomas pareigas.

 

 Jis taip pat naudoja technologiją, kaip „minčių partnerį“, kad pasiruoštų susitikimams ir sudarytų darbotvarkes.

 

 Galutinis tikslas, pasak jo, yra „padėti Nešvilį paversti GenAI miestu“.

 

 „Jei gyveni to bijodamas“, – sakė jis, – „manau, kad būsi išstumtas.“ [1]

 

1. Can A.I. Answer the Needs of Smaller Businesses? Some Push to Find Out. Ember, Sydney.  New York Times (Online) New York Times Company. Jun 17, 2024.