AI no jauna izgudro veidu, kā mēs izgudrojam

Regīnas Barzilijas birojs MIT sniedz skaidru priekšstatu par Novartis Biomedicīnas pētījumu institūtiem. Amgen zāļu atklāšanas grupa atrodas dažus kvartālus tālāk. Vēl nesen Barzilijs, viens no pasaulē vadošajiem mākslīgā intelekta pētniekiem, nebija īpaši domājis par šīm tuvējām ēkām, kas ir pilnas ar ķīmiķiem un biologiem. Taču, kad mākslīgais intelekts un mašīnmācība sāka veikt arvien iespaidīgākus varoņdarbus attēlu atpazīšanas un valodas izpratnes jomā, viņa sāka prātot: vai tas varētu arī pārveidot uzdevumu atrast jaunas zāles?

Problēma ir tā, ka cilvēku pētnieki var izpētīt tikai nelielu daļu no iespējamā. Tiek lēsts, ka ir pat 1060 potenciāli zālēm līdzīgas molekulas, kas ir vairāk nekā Saules sistēmas atomu skaits. Taču mašīnmācība ir laba šķietami neierobežotu iespēju izmantošana. Programmas, kas ir apmācītas lielu esošo molekulu un to īpašību datu bāzēs, var izpētīt visas iespējamās saistītās molekulas.

Šis stāsts bija daļa no mūsu 2019. gada marta numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Narkotiku atklāšana ir ļoti dārgs un bieži vien nomākts process. Medicīnas ķīmiķiem ir jāuzmin, kuri savienojumi varētu būt labas zāles, izmantojot zināšanas par to, kā molekulas struktūra ietekmē tās īpašības. Viņi sintezē un pārbauda neskaitāmus variantus, un lielākā daļa ir neveiksmes. Jaunu molekulu izstrāde joprojām ir māksla, jo jums ir tik milzīga iespēju telpa, saka Barzilijs. Lai atrastu labus narkotiku kandidātus, nepieciešams ilgs laiks.

Paātrinot šo kritisko soli, padziļināta mācīšanās varētu piedāvāt daudz vairāk iespēju ķīmiķiem turpināt, padarot zāļu atklāšanu daudz ātrāku. Viena priekšrocība: mašīnmācīšanās bieži vien ir dīvaina iztēle. Varbūt tas virzīsies citā virzienā, kurā cilvēks neietu, saka Anhels Guzmans-Peress, Amgen narkotiku pētnieks, kurš strādā ar Barzilay. Tā domā savādāk.

Citi izmanto mašīnmācīšanos, lai mēģinātu izgudrot jaunus materiālus tīro tehnoloģiju lietojumiem. Starp vēlmju sarakstā iekļautajām precēm ir uzlaboti akumulatori enerģijas uzglabāšanai elektrotīklā un organiskās saules baterijas, kuru izgatavošana varētu būt daudz lētāka nekā mūsdienu lielgabarīta silīcija bāzes baterijas.

Šādu izrāvienu sasniegšana ir kļuvusi grūtāka un dārgāka, jo ķīmija, materiālu zinātne un zāļu atklāšana ir kļuvusi neaptverami sarežģīta un piesātināta ar datiem. Pat tad, kad farmācijas un biotehnoloģiju nozares iegulda naudu pētniecībā, pēdējo desmitgažu laikā jaunu zāļu skaits, kuru pamatā ir jaunas molekulas, ir bijis nemainīgs. Un mēs joprojām esam iestrēguši ar litija jonu baterijām, kas datētas ar deviņdesmito gadu sākumu, un silīcija saules baterijām, kas arī ir gadu desmitiem vecas.

Sarežģītība, kas ir palēninājusi progresu šajās jomās, ir vieta, kur padziļināta mācīšanās ir izcila. Meklēšana daudzdimensionālā telpā, lai radītu vērtīgas prognozes, ir mākslīgā intelekta mīļākā vieta, saka Ajay Agrawal, ekonomists Rotmena menedžmenta skolā Toronto un vislabāk pārdotā grāmatas autors. Prognozēšanas mašīnas: mākslīgā intelekta vienkāršā ekonomika .

Nesenā dokumentā MIT, Hārvardas un Bostonas universitātes ekonomisti apgalvoja, ka AI vislielāko ekonomisko ietekmi varētu radīt tā kā jaunas izgudrošanas metodes potenciāls, kas galu galā pārveido inovācijas procesa būtību un pētniecības un attīstības organizāciju.

Iain Cockburn, BU ekonomists un raksta līdzautors, saka: jaunas izgudrošanas metodes ar plašu pielietojumu nerodas ļoti bieži, un, ja mūsu minējums ir pareizs, AI varētu krasi mainīt pētniecības un attīstības izmaksas daudzās dažādās jomās. Liela daļa inovāciju ir saistīta ar prognožu izstrādi, pamatojoties uz datiem. Šādos uzdevumos, piebilst Cockburn, mašīnmācīšanās varētu būt daudz ātrāka un lētāka par lielumu.

Citiem vārdiem sakot, mākslīgā intelekta galvenais mantojums varētu būt nevis automašīnas bez vadītājiem vai attēlu meklēšana vai pat Alexa spēja pieņemt pasūtījumus, bet gan spēja nākt klajā ar jaunām idejām, lai veicinātu inovācijas.

Idejas kļūst dārgas

Pagājušā gada beigās Pols Romers ieguva Nobela prēmiju ekonomikā par darbu, kas paveikts 80. gadu beigās un 90. gadu sākumā, parādot, kā ieguldījumi jaunās idejās un inovācijās veicina spēcīgu ekonomikas izaugsmi. Agrākie ekonomisti bija atzīmējuši saikni starp inovācijām un izaugsmi, bet Romers sniedza izsmalcinātu skaidrojumu par to, kā tas darbojas. Kopš tā laika Romera secinājumi ir bijuši intelektuāla iedvesma daudziem Silīcija ielejā, un tie palīdz izskaidrot, kā tā ir sasniegusi šādu bagātību.

Bet ko darīt, ja mūsu jauno ideju klāsts izsīkst? Ekonomisti Nikolass Blūms un Čads Džonss no Stenfordas, Maikls Vebs, universitātes maģistrants un Džons Van Rēns no MIT, aplūkoja problēmu nesenā rakstā Vai idejas kļūst grūtāk atrast? (Viņu atbilde bija jā.) Aplūkojot zāļu atklāšanu, pusvadītāju izpēti, medicīnas inovācijas un centienus uzlabot ražu, ekonomisti atklāja kopīgu stāstu: investīcijas pētniecībā strauji pieaug, bet atdeve paliek nemainīga.

No ekonomista viedokļa tā ir produktivitātes problēma: mēs maksājam vairāk par līdzīgu produkcijas apjomu. Un skaitļi izskatās slikti. Pētniecības produktivitāte — pētnieku skaits, kas nepieciešams, lai iegūtu noteiktu rezultātu — katru gadu samazinās par aptuveni 6,8 %, lai paplašinātu Mūra likumu, kas prasa atrast veidus, kā pusvadītāju mikroshēmā iepakot arvien vairāk un mazāku komponentu. turpiniet padarīt datorus ātrākus un jaudīgākus. (Viņi atklāja, ka mūsdienās ir nepieciešams vairāk nekā 18 reizes vairāk pētnieku, lai dubultotu skaidu blīvumu, nekā tas bija 1970. gadu sākumā.) Lai uzlabotu sēklas, ko mēra pēc ražas, pētniecības produktivitāte katru gadu samazinās par aptuveni 5%. ASV ekonomikai kopumā tas samazinās par 5,3%.

---

Lielo ideju pieaugošā cena
Stenfordas un MIT ekonomisti uzskata, ka jaunu produktīvu ideju atrašanai ir nepieciešams vairāk pētnieku un naudas. Tas ir iespējams faktors vispārējai lēnajai izaugsmei ASV un Eiropā pēdējo desmitgažu laikā. Tālāk esošajā grafikā parādīts vispārējās ekonomikas modelis, izceļot ASV kopējo faktoru produktivitāti (pēc desmitgades vidēji un 2000.–2014. gadam) — inovāciju ieguldījuma mērauklu — pret pētnieku skaitu. Līdzīgi modeļi attiecas uz konkrētām pētniecības jomām.

avots: bloom, jones, van reenen un webb

---

Jebkura šī samazināšanās negatīvā ietekme līdz šim ir kompensēta ar to, ka mēs pētniecībā ieguldām vairāk naudas un cilvēku. Tāpēc mēs joprojām divkāršojam tranzistoru skaitu mikroshēmā ik pēc diviem gadiem, bet tikai tāpēc, ka problēmai veltām daudz vairāk cilvēku. Nākamo 13 gadu laikā mums būs jāpalielina mūsu ieguldījumi pētniecībā un attīstībā, lai turpinātu staigāt.

Protams, var gadīties, ka tādas jomas kā augkopības zinātne un pusvadītāju pētniecība noveco un inovāciju iespējas sarūk. Tomēr pētnieki arī atklāja, ka vispārējā izaugsme, kas saistīta ar inovācijām ekonomikā, bija lēna. Nekādas investīcijas jaunās jomās un to radītie izgudrojumi nav spējuši mainīt kopējo stāstu.

Šķiet, ka pētniecības produktivitātes kritums ir gadu desmitiem ilga tendence. Taču šobrīd tas ir īpaši satraucoši ekonomistiem, jo ​​kopš 2000. gadu vidus mēs esam redzējuši vispārēju ekonomikas izaugsmes palēnināšanos. Laikā, kad pastāv izcilas jaunas tehnoloģijas, piemēram, viedtālruņi, automašīnas bez vadītājiem un Facebook, izaugsme ir gausa, un tā daļa, kas tiek attiecināta uz inovācijām, ko sauc par kopējo faktoru produktivitāti, ir bijusi īpaši vāja.

2008. gada finanšu sabrukuma ilgstošais efekts varētu kavēt izaugsmi, saka Van Rēns, un līdz ar to varētu turpināties politiskā nenoteiktība. Taču niecīgā pētniecības produktivitāte neapšaubāmi veicina. Un viņš saka, ka, ja lejupslīde turpināsies, tas var nopietni kaitēt nākotnes labklājībai un izaugsmei.

Ir loģiski, ka mēs jau esam izvēlējušies lielu daļu no tā, ko daži ekonomisti izgudrojumu ziņā mēdz dēvēt par zemu augli. Vai varētu būt, ka vienīgais auglis, kas ir palicis, ir daži sarucis āboli uz koka tālākajiem zariem? Roberts Gordons, Ziemeļrietumu universitātes ekonomists, ir bijis spēcīgs šī viedokļa piekritējs. Viņš saka, ka mēs, visticamāk, nesasniegsim atklājumu uzplaukumu, kas iezīmēja 19. gadsimta beigas un 20. gadsimta sākumu, kad tādi izgudrojumi kā elektriskā gaisma un jauda, ​​kā arī iekšdedzes dzinējs noveda pie bezprecedenta uzplaukuma gadsimtā.

Ja Gordonam ir taisnība un ir palicis mazāk lielo izgudrojumu, mēs esam lemti bēdīgai ekonomikas nākotnei. Taču daži ekonomisti uzskata, ka tas tā ir. Drīzāk ir jēga, ka pastāv lielas jaunas idejas; to atrašana kļūst arvien dārgāka, jo zinātne kļūst arvien sarežģītāka. Izredzes, ka nākamais penicilīns vienkārši iekritīs mūsu klēpī, ir mazas. Mums būs vajadzīgs arvien vairāk pētnieku, lai saprastu progresīvo zinātni tādās jomās kā ķīmija un bioloģija.

To Bens Džonss, Ziemeļrietumu ekonomists, sauc par zināšanu nastu. Pētnieki kļūst arvien specializētāki, tāpēc problēmu risināšanai ir jāveido lielākas un dārgākas komandas. Džounsa pētījumi liecina, ka vecums, kurā zinātnieki sasniedz savu augstāko produktivitāti, pieaug: viņiem vajadzīgs ilgāks laiks, lai iegūtu nepieciešamās zināšanas. Viņš saka, ka tas ir iedzimts blakusprodukts zināšanu eksponenciālai izaugsmei.

Daudzi cilvēki man saka, ka mūsu atklājumi ir nomācoši, bet es to tā neuzskatu, saka Van Rēns. Inovācijas varētu būt grūtākas un dārgākas, taču tas, pēc viņa teiktā, vienkārši norāda uz nepieciešamību pēc politikas, tostarp nodokļu atvieglojumiem, kas veicinās ieguldījumus plašākā pētniecībā.

Kamēr jūs ieguldāt resursus pētniecībā un attīstībā, jūs varat uzturēt veselīgu produktivitātes pieaugumu, saka Van Rēns. Bet mums ir jābūt gataviem tērēt naudu, lai to paveiktu. Tas nenāk bez maksas.

Atteikšanās no zinātnes

Vai AI var radoši atrisināt problēmas, kas nepieciešamas šādai inovācijai? Daži eksperti tagad ir pārliecināti, ka tas ir iespējams, ņemot vērā spēļu automāta AlphaGo sasniegumus.

AlphaGo apguva seno spēli Go, pārspējot valdošo čempionu, pētot gandrīz neierobežotos iespējamos gājienus spēlē, kuru jau vairākus tūkstošus gadu spēlē cilvēki, lielā mērā paļaujoties uz intuīciju. To darot, tā dažkārt nāca klajā ar uzvaras stratēģijām, kuras neviens spēlētājs nebija iedomājies izmēģināt. Tāpat domāšana, padziļinātas apmācības programmas, kas apmācītas, izmantojot lielu daudzumu eksperimentālo datu un ķīmiskās literatūras, varētu radīt jaunus savienojumus, par kuriem zinātnieki nekad nav iedomājušies.

Vai AlphaGo līdzīgs izrāviens varētu palīdzēt augošajām pētnieku armijām, kas meklē arvien pieaugošos zinātniskos datus? Vai mākslīgais intelekts varētu padarīt fundamentālos pētījumus ātrākus un produktīvākus, atdzīvinot jomas, kuras uzņēmumiem ir kļuvušas pārāk dārgas?

Pēdējo desmitgažu laikā mūsu pētniecības un attīstības centieni ir piedzīvojuši milzīgu apvērsumu. Kopš tiem laikiem, kad AT&T Bell Labs un Xerox PARC ražoja pasauli mainošus izgudrojumus, piemēram, tranzistoru, saules baterijas un lāzerdruku, lielākā daļa lielo uzņēmumu ASV un citās bagātajās ekonomikās ir atteikušies no fundamentālajiem pētījumiem. Tikmēr ASV federālās investīcijas pētniecībā un attīstībā ir bijušas nemainīgas, jo īpaši citās jomās, kas nav zinātnes par dzīvību. Tātad, lai gan mēs turpinām palielināt pētnieku skaitu kopumā un pakāpeniskus sasniegumus pārvērst komerciālās iespējās, jomas, kurās nepieciešami ilgtermiņa pētījumi un pamatzinātnes pamatzinātnes, ir guvušas triecienu.

Īpaši jaunu materiālu izgudrošana ir kļuvusi par komerciālu aizplūdi. Tas ir kavējis vajadzīgās inovācijas tīro tehnoloģiju jomā, piemēram, labākas baterijas, efektīvākas saules baterijas un katalizatorus, lai ražotu degvielu tieši no saules gaismas un oglekļa dioksīda (domājiet par mākslīgo fotosintēzi). Lai gan saules paneļu un bateriju cenas nepārtraukti krītas, tas galvenokārt ir saistīts ar uzlabojumiem ražošanā un apjomradītiem ietaupījumiem, nevis pašu tehnoloģiju fundamentālajiem sasniegumiem.

Vai AlphaGo līdzīgs izrāviens varētu palīdzēt augošajām pētnieku armijām, kas meklē arvien pieaugošos zinātniskos datus?

Jauna materiāla izstrādei ir nepieciešami vidēji 15 līdz 20 gadi, saka Tonio Buonassisi, MIT mehānikas inženieris, kurš sadarbojas ar zinātnieku komandu Singapūrā, lai paātrinātu procesu. Vairumam uzņēmumu tas ir pārāk ilgs laiks. Tas ir nepraktiski pat daudzām akadēmiskajām grupām. Kurš vēlas pavadīt gadus materiālam, kas var darboties vai nedarboties? Šī iemesla dēļ riska atbalstīti jaunizveidotie uzņēmumi, kas ir radījuši lielu daļu jauninājumu programmatūras un pat biotehnoloģiju jomā, jau sen ir atteikušies no tīrajām tehnoloģijām: riska kapitālistiem parasti ir vajadzīga peļņa septiņu gadu laikā vai ātrāk.

10x paātrinājums [materiālu atklāšanas ātrumā] ir ne tikai iespējams, bet arī nepieciešams, saka Buonassisi, kurš vada fotoelementu pētniecības laboratoriju MIT. Viņa un vāji savienota kolēģu zinātnieku tīkla mērķis ir izmantot AI un mašīnmācīšanos, lai samazinātu šo 15 līdz 20 gadu laika posmu līdz aptuveni diviem līdz pieciem gadiem, uzbrūkot dažādām laboratorijas vājajām vietām, automatizējot. pēc iespējas vairāk procesa. Ātrāks process sniedz zinātniekiem daudz vairāk potenciālu risinājumu, ko pārbaudīt, ļauj viņiem atrast strupceļus stundās, nevis mēnešos, un palīdz optimizēt materiālus. Viņš saka, ka tas pārveido to, kā mēs domājam kā pētnieki.

Tas varētu arī padarīt materiālu atklāšanu par dzīvotspējīgu uzņēmējdarbības veikšanu vēlreiz. Buonassisi norāda uz diagrammu, kurā parādīts laiks, kas nepieciešams dažādu tehnoloģiju izstrādei. Viena no kolonnām, kas apzīmēta ar litija jonu akumulatoriem, parāda 20 gadus.

Vēl viena, daudz īsāka kolonna ir apzīmēta kā jauns saules elements; augšpusē ir 2030. gada klimata mērķis. Lieta ir skaidra: mēs nevaram gaidīt vēl 20 gadus līdz nākamajam sasniegumam tīro tehnoloģiju materiālos.

AI jaunuzņēmumi narkotiku un materiālu jomā

	viens Atomwise	divi Kebotix	3 Dziļā genomika
Ko viņi dara	Izmantojiet neironu tīklus, lai meklētu lielās datubāzēs, lai atrastu mazas, zālēm līdzīgas molekulas, kas saistās ar mērķa proteīniem.	Izstrādājiet robotikas un AI kombināciju, lai paātrinātu jaunu materiālu un ķīmisko vielu atklāšanu un izstrādi.	Izmantojiet mākslīgo intelektu, lai meklētu oligonukleotīdu molekulas ģenētisko slimību ārstēšanai.
Kāpēc tas ir svarīgi	Šādu molekulu identificēšana ar vēlamām īpašībām, piemēram, iedarbīgumu, ir būtisks pirmais solis zāļu atklāšanā.	Materiāla izstrāde prasa vairāk nekā desmit gadus. Šī laika samazināšana varētu mums palīdzēt risināt tādas problēmas kā klimata pārmaiņas.	Ārstēšana ar oligonukleotīdu ir daudzsološa pret dažādām slimībām, tostarp neirodeģeneratīviem un vielmaiņas traucējumiem.

AI vadīta laboratorija

Nāciet uz brīvu zemi: šādā veidā Alans Aspuru-Guziks šajās dienās uzaicina ASV apmeklētāju uz savu Toronto laboratoriju. 2018. gadā Aspuru-Guzik atstāja Hārvardas ķīmijas profesora amatu, kopā ar ģimeni pārceļoties uz Kanādu. Viņa lēmumu noteica spēcīga nepatika pret prezidentu Donaldu Trampu un viņa politiku, īpaši imigrācijas jomā. Tomēr tas nesāpēs, ka Toronto strauji kļūst par mākslīgā intelekta pētījumu meku.

Papildus tam, ka Aspuru-Guzik ir ķīmijas profesors Toronto Universitātē, viņam ir arī amats Mākslīgā intelekta vektora institūtā. Tas ir AI centrs, kura līdzdibinātājs ir Džefrijs Hintons, kura novatoriskais darbs dziļās mācīšanās un neironu tīklu jomā lielā mērā ir saistīts ar mūsdienu mākslīgā intelekta uzplaukuma sākumu.

Ievērojamā 2012. gada dokumentā Hintons un viņa līdzautori pierādīja, ka dziļš neironu tīkls, kas apmācīts, izmantojot lielu skaitu attēlu, var identificēt sēni, leopardu un dalmācijas suni. Tajā laikā tas bija ievērojams izrāviens, un tas ātri ievadīja AI revolūciju, izmantojot padziļinātas mācīšanās algoritmus, lai izprastu lielas datu kopas.

Pētnieki ātri atrada veidus, kā izmantot šādus neironu tīklus, lai palīdzētu bezvadītāja automašīnām orientēties un pamanīt sejas pūlī. Citi pārveidoja padziļinātās mācīšanās rīkus, lai viņi varētu apmācīt sevi; Starp šiem rīkiem ir GAN (ģeneratīvie pretrunīgie tīkli), kas var radīt ainu un cilvēku attēlus, kas nekad nav pastāvējuši.

2015. gada turpinājuma dokumentā Hintons sniedza norādes, ka padziļinātu mācīšanos varētu izmantot ķīmijas un materiālu izpētē. Viņa rakstā tika uzsvērta neironu tīkla spēja atklāt sarežģītas struktūras augstas dimensijas datos — citiem vārdiem sakot, tie paši tīkli, kas var pārvietoties pa miljoniem attēlu, lai atrastu, piemēram, suni ar plankumiem, varētu šķirot miljoniem molekulu, lai identificētu vienu. ar noteiktām vēlamām īpašībām.

Enerģisks un ideju mutuļojošs Aspuru-Guziks nav tas zinātnieks, kurš pacietīgi pavadītu divus gadu desmitus, lai noskaidrotu, vai kāds materiāls darbosies. Un viņš ir ātri pielāgojis dziļo mācīšanos un neironu tīklus, lai mēģinātu no jauna izgudrot materiālu atklāšanu. Ideja ir iekļaut mākslīgo intelektu un automatizāciju visos materiālu izpētes posmos: materiāla sākotnējā projektēšanā un sintēzē, tā testēšanā un analīzē un visbeidzot daudzos uzlabojumos, kas optimizē tā veiktspēju.

Kādā stindzinoši aukstajā janvāra sākumā Aspuru-Guzikam cepure ir cieši pievilkta pār ausīm, taču citādi šķiet, ka viņš nav aizmirsis par rūgto Kanādas laiku. Viņam ir citas lietas prātā. Pirmkārt, viņš joprojām gaida 1,2 miljonu dolāru vērta robota piegādi, kas tagad atrodas uz kuģa no Šveices un kas būs viņa iecerētās automatizētās, mākslīgā intelekta vadītās laboratorijas centrālais elements.

Laboratorijā padziļināti mācību rīki, piemēram, GAN un viņu brālēns, paņēmiens, ko sauc par automātisko kodētāju, iedomāsies daudzsološus jaunus materiālus un izdomās, kā tos izgatavot. Pēc tam robots izveidos savienojumus; Aspuru-Guzik vēlas izveidot pieejamu automatizētu sistēmu, kas pēc pieprasījuma spētu izspļaut jaunas molekulas. Kad materiāli ir izgatavoti, tos var analizēt ar tādiem instrumentiem kā masas spektrometrs. Papildu mašīnmācības rīki sapratīs šos datus un diagnosticēs materiāla īpašības. Pēc tam šie ieskati tiks izmantoti, lai tālāk optimizētu materiālus, pielāgojot to struktūras. Un tad, Aspuru-Guzik saka, AI izvēlēsies nākamo eksperimentu, aizverot cilpu.

Ideja ir iepludināt mākslīgo intelektu un automatizāciju visos materiālu izpētes un zāļu atklāšanas posmos.

Kad robots ir uzstādīts, Aspuru-Guzik plāno ik pēc divām dienām izveidot aptuveni 48 jaunus materiālus, izmantojot mašīnmācības ieskatus, lai turpinātu uzlabot to struktūras. Tas ir viens daudzsološs jauns materiāls katru stundu, bezprecedenta temps, kas varētu pilnībā pārveidot laboratorijas produktivitāti.

Viņš saka, ka runa nav tikai par burvju materiāla izsapņošanu. Lai patiešām mainītu materiālu izpēti, jums ir jāuzbrūk visam procesam: kādi ir vājie punkti? Jūs vēlaties AI katrā laboratorijas daļā. Piemēram, kad jums ir piedāvāta struktūra, jums joprojām ir jāizdomā, kā to izveidot. Var paiet nedēļas līdz mēneši, lai atrisinātu to, ko ķīmiķi sauc par retrosintēzi — strādājot atpakaļ no molekulārās struktūras, lai noskaidrotu, kādi soļi ir nepieciešami šāda savienojuma sintezēšanai. Vēl viens vājais kakls ir analītisko iekārtu radīto datu klāsta izpratne. Mašīnmācība varētu paātrināt katru no šiem soļiem.

Tas, kas motivē Aspuru-Guzik, ir klimata pārmaiņu draudi, vajadzība pēc tīro tehnoloģiju uzlabojumiem un materiālu būtiskā loma šādu sasniegumu radīšanā. Viņa paša pētījumi pēta jaunus organiskos elektrolītus plūsmas akumulatoriem, kurus var izmantot, lai uzglabātu lieko elektroenerģiju no elektrotīkliem un sūknētu to atpakaļ, kad tas ir nepieciešams, un organiskās saules baterijas, kas būtu daudz lētākas nekā silīcija bāzes. Bet, ja viņa dizains autonomai, automatizētai ķīmijas laboratorijai darbojas, viņš ierosina, tas varētu padarīt ķīmiju daudz pieejamāku gandrīz ikvienam. Viņš to sauc par materiālu atklāšanas demokratizāciju.

Šeit notiek darbība, viņš saka. AI, kas vada automašīnas, AI, kas uzlabo medicīnisko diagnostiku, AI personīgai iepirkšanās veikšanai — zinātniskajā pētniecībā izmantotā mākslīgā intelekta ekonomiskā izaugsme var pārslogot visu šo citu AI ekonomisko ietekmi.

Vektoru institūts, Toronto AI pētniecības magnēts, atrodas mazāk nekā jūdzes attālumā. No lielās atvērtās biroja telpas logiem varat skatīties pāri Ontario parlamenta ēkai. AI, ķīmijas un biznesa ekspertu tuvums provinces valdības mītnei Toronto centrā nav nejaušība. Daudzi pilsētas iedzīvotāji ir pārliecināti, ka AI pārveidos uzņēmējdarbību un ekonomiku, un arvien vairāk daži ir pārliecināti, ka tas radikāli mainīs mūsu zinātnes veidus.

Tomēr, ja tas tiek darīts, pirmais solis ir pārliecināt zinātniekus, ka tas ir vērts.

Amgen Guzman-Perez saka, ka daudzi viņa vienaudži medicīnas ķīmijā ir skeptiski. Dažu pēdējo desmitgažu laikā šajā jomā ir novērotas vairākas it kā revolucionāras tehnoloģijas, sākot no skaitļošanas projektēšanas līdz kombinatoriskajai ķīmijai un augstas caurlaidības skrīningam, kas ir automatizējuši vairāku molekulu ātru ražošanu un testēšanu. Katrs no tiem ir izrādījies nedaudz noderīgs, taču ierobežots. Viņš saka, ka neviens no jums neiegādās jaunas zāles.

Viņš atzīst, ka ir pāragri droši zināt, vai padziļināta mācīšanās beidzot varētu mainīt spēli, viņš atzīst, un ir grūti noteikt laika grafiku. Taču viņu iedrošina ātrums, kādā AI ir pārveidojis attēlu atpazīšanu un citus meklēšanas uzdevumus.

Cerams, ka tas varētu notikt ķīmijā, viņš saka.

Mēs joprojām gaidām AlphaGo brīdi ķīmijā un materiālos — lai padziļināti apguves algoritmi varētu pārspēt visveiksmīgāko cilvēku, izstrādājot jaunas zāles vai materiālu. Taču tāpat kā AlphaGo uzvarēja ar neparastas stratēģijas un necilvēcīgas iztēles kombināciju, arī mūsdienu jaunākās AI programmas drīzumā varētu sevi pierādīt laboratorijā.

Un par to daži zinātnieki sapņo par lielu. Ideja, saka Aspuru-Guzik, ir izmantot AI un automatizāciju, lai no jauna izgudrotu laboratoriju ar tādiem rīkiem kā 30 000 USD vērtais molekulārais printeris, ko viņš cer uzbūvēt. Pēc tam zinātnieku un AI iztēles ziņā būs izpētīt iespējas.

paslēpties