SI zmienia naukę: jak sztuczna inteligencja przyspiesza odkrycia i leki.

Jak informuje Vox: Ameryko, wyraziłeś swoje zdanie jasno: nie podoba ci się SI.

Zgodnie z badaniem przeprowadzonym przez Pew Research Center, opublikowanym we wrześniu, 50% respondentów jest bardziej zaniepokojonych SI, niż nim zachwyconych; tylko 10% wyraziło odmienne zdanie. Większość, 57%, uważa, że społeczne ryzyko związane z SI jest wysokie, podczas gdy tylko 25% jest pewnych, że korzyści z jego wdrożenia będą wyraźne. W innym badaniu tylko 2% respondentów całkowicie ufa zdolności SI do podejmowania sprawiedliwych i bezstronnych decyzji, podczas gdy 60% w ogóle mu nie ufa lub częściowo mu nie ufa.

Mimo że Amerykanie rzeczywiście aktywnie korzystają z SI, te obawy są całkowicie zrozumiałe. Ludzie martwią się, że SI odbiera im pracę, zasoby i możliwości. Nawet najoptimistyczniejsze wyobrażenia o SI, które obiecują świat bez pracy, wydają się tak utopijne, że mogą też wzbudzać strach.

Nasze kontrowersyjne uczucia dobrze ilustruje wykres z Dallas Fed, który przewiduje, jak SI może wpłynąć na gospodarkę w przyszłości:

Czerwona linia: osobliwość SI i prawie nieograniczone zasoby. Fioletowa linia: całkowite zniszczenie ludzkości przez SI i, hmmm, zerowe zasoby.

Naprawdę potrzebujemy lepszych pomysłów

Ale oto zła wiadomość: rośnie liczba dowodów, że ludzkość generuje coraz mniej nowych pomysłów. W jednym z szeroko cytowanych badań ekonomista Nicholas Bloom i jego koledzy odkryli, że teraz potrzebujemy znacznie więcej badaczy oraz wydatków na B+R, aby utrzymać wydajność na zwykłym poziomie. To znaczy, musimy pracować ciężej, aby pozostać w tym samym miejscu.

W nauce sytuacja jest podobna. W 2023 roku w czasopiśmie Nature przeanalizowano 45 milionów artykułów i prawie 4 miliony patentów, stwierdzając, że praca staje się mniej 'przełomowa' z czasem. Jest też problem demograficzny: nowe pomysły powstają od ludzi, więc mniejsza liczba mieszkańców oznacza mniej pomysłów. W krajach bogatych współczynnik urodzeń jest niższy niż poziom reprodukcji, a globalna populacja najprawdopodobniej wkrótce osiągnie szczyt, a następnie zacznie maleć, co doprowadzi do scenariusza 'pustej planety'.

Jednym z głównych problemów jest to, że naukowcy muszą przeglądać zbyt wiele literatury. Zbyt mocno zagłębiają się w dane, aby wykorzystać je w rzeczywistej pracy naukowej. Ale to właśnie te wąskie gardła SI może rozwiązać.

Profesor SI do twoich usług

Jasnym przykładem jest AlphaFold, system Google DeepMind, który przewiduje struktury 3D białek na podstawie ich sekwencji aminokwasów. Dzięki AlphaFold biolodzy otrzymują jakościowe przewidywania dotyczące praktycznie całego uniwersum białek, co ułatwia opracowywanie nowych leków, szczepionek i enzymów. AlphaFold nawet otrzymał Nagrodę Nobla w dziedzinie chemii w 2024 roku.

Albo weźmy materiałoznawstwo. W 2023 roku DeepMind zaprezentowało GNoME, grafową sieć neuronową, wytrenowaną na danych o kryształach, która zaproponowała około 2,2 miliona nowych nieorganiczych struktur krystalicznych.

Jeśli poważnie traktujemy chęć uczynienia życia bardziej dostępnym i bogatym — jeśli poważnie traktujemy wzrost — to większym projektem politycznym nie jest zakazanie SI ani oddawanie mu czci.

Albo weźmy prognozowanie pogody. Model GraphCast od DeepMind potrafi uczyć się na podstawie dziesięcioleci danych i dostarczać globalne prognozy 10-dniowe w mniej niż minutę.

W każdym z tych przykładów naukowcy mogą stosować SI do analizy już istniejących danych, co pozwala im na wykonywanie zadań, które wcześniej były niemożliwe.

Zautomatyzowane laboratorium

Następna fala jest bardziej zdumiewająca: systemy SI, które mogą faktycznie przeprowadzać eksperymenty.

Jednym z przykładów jest Coscientist, 'partner laboratorium', stworzony przez badaczy z uniwersytetu Carnegie Mellon. System potrafi czytać dokumentację, planować eksperymenty i obsługiwać prawdziwe narzędzia w zautomatyzowanym laboratorium.

Jest też FutureHouse, mała organizacja non-profit, która ma ambicję stworzyć 'naukowca SI'. W tym roku FutureHouse uruchomiła platformę czterech specjalnych agentów, które mogą zmniejszyć obciążenie naukowców. Jednym z tych agentów jest Robin, który skupia w sobie wszystkie te narzędzia w coś zbliżonego do ostatecznego procesu roboczego naukowego.

Łącząc wszystkie te elementy, możemy wyobrazić sobie przyszłość, w której naukowcy bardziej skupiają się na wyborze ważnych pytań i interpretacji wyników. Jednocześnie system SI wykonuje rutynową pracę, jak armia bezpłatnych doktorantów.

Musimy wykorzystać SI do ważnych zadań

Nawet jeśli światowa populacja osiągnie plateau, a USA nadal będą utrudniać imigrację dla naukowców, potężne SI w nauce może naprawdę zwiększyć liczbę umysłów pracujących nad skomplikowanymi problemami. W ten sposób, wykorzystując zasoby mądrze, możemy sprawić, aby istniejący badacze byli bardziej produktywni.

Jednak zastosowanie SI wiąże się z ryzykiem. Modele SI, które mogą pomóc w interpretacji artykułów naukowych, mogą również błędnie je interpretować, co może prowadzić do szkodliwych eksperymentów.

Kiedy znowu patrzę na wykres Dallas Fed, rozumiem, że prawdziwą pominiętą linią jest niezauważalna infrastruktura, która pomaga naukowcom szybciej znajdować dobre pomysły i przywracać wydajność.

Społeczeństwo ma prawo martwić się o potencjalne niebezpieczeństwa SI; wezwanie do zatrzymania jest rozsądną odpowiedzią, jeśli rozwiązanie wydaje się gorsze. Ale jeśli naprawdę ważne jest, aby uczynić życie bardziej dostępnym, rzeczywistym politycznym projektem nie jest zakazanie SI, lecz efektywne wykorzystanie tej nowej technologii w pracy naukowej, która będzie miała znaczący wpływ na zdrowie, energię, klimat oraz wszystkie inne wartości, które posiadamy.