opublikowano 01.04.2024
Już 4 lata temu prognozowaliśmy w THINKTANK, że sztuczna inteligencja zrewolucjonizuje naukę, radykalnie przyspieszając badania i odkrywając nowe pola badawcze. I właśnie z ekscytacją i rosnącą nadzieją obserwujemy ten proces. AI ma już na koncie konkretne „osiągnięcia naukowe”, a każdy dzień przynosi informacje o kolejnych.
Dla niektórych dyscyplin naukowych sztuczna inteligencja jest codziennym narzędziem już od lat 60. XX w., na przykład w fizyce cząstek elementarnych lub matematyce. Jednak wraz z rozwojem głębokiego uczenia maszynowego niemal wszystkich dziedziny badawcze otworzyły się na AI. Sprzyja temu m.in. uproszczenie interfejsów do komunikacji z aplikacjami AI. To, co kiedyś wymagało dyplomu z informatyki i wpisywania linii tajemnych kodów programowania, można teraz zrobić za pomocą coraz prostszych komend. W ten sposób naukowcy zyskali niezawodnych pomocników, którzy przez całą dobę mogą niestrudzenie przesiewać ogromne zbiory danych w poszukiwaniu użytecznych wzorców lub korelacji.
Nowe leki i materiały
Sztuczna inteligencja umożliwia na przykład chemikom przekraczanie dotychczasowych granic, ponieważ pomaga badać przestrzeń reakcji chemicznych znacznie szybciej niż kiedykolwiek zrobiliby to ludzie. AI wynajduje cząsteczki, które mogłyby zostać przez badaczy przeoczone, ale także ułatwia zrozumienie przemian, którym one podlegają.
Głośnym przełomem w ostatnim czasie było opracowanie z przez DeepMind (firmę należącą do Google) modelu Alphafold 2. Służy on do przewidywania trójwymiarowego kształtu białek na podstawie sekwencji ich aminokwasów i pomaga określić pełnione przez nie funkcje. Ma to ogromne znaczenie w medycynie i farmakologii. Większość odkryć leków zaczyna się bowiem od znalezienia odpowiedniego białka do zwalczania choroby. Osiągnięcie DeepMind to wstęp do rewolucji w biologii molekularnej. Od czasu wejścia na rynek w 2020 r. AlphaFold 2 stworzył bazę danych zawierającą ponad 200 mln przewidywanych struktur białkowych, a skorzystało już z niej ponad 1,2 mln badaczy. Pomimo pewnych ograniczeń modelu AlphaFold, biolodzy strukturalni uważają, że dzięki niemu ich praca stała się bardziej wydajna, a koszty badań znacząco spadły.
Z kolei dział badawczy Microsoft we współpracy z Departamentem Energii Pacific Northwest National Laboratory wykorzystał OpenAI oraz swoją platformę chmurową Azure Quantum Elements do znacznego przyśpieszenia czasochłonnych wcześniej badań materiałów niewystępujących w naturze. Celem było znalezienie lepszej alternatywy dla powszechnie obecnie używanych akumulatorów litowo-jonowych.
Stworzony przez badaczy model AI testował potencjalne związki aż 32,6 mln materiałów, a wykonane przy tym obliczenia były 1500-krotnie szybsze niż dotychczas stosowane metody. W I etapie wybrano pół miliona kandydatów, spośród nich 150, a następnie już tylko 18 najbardziej obiecujących.
Ostatecznie system wybrał materiał elektrolitowy, który zużywa około 70 proc. mniej litu niż istniejące akumulatory litowo-jonowe. Jak wiadomo, lit jest teraz pierwiastkiem strategicznym i zbyt rzadkim jak na apetyty naszej cywilizacji. Dlatego sztuczna inteligencja „zaproponowała”, aby przyszłe akumulatory były litowo-sodowo-jonowe. Obecnie trwają prace mające doprowadzić do zastosowania tego odkrycia w praktyce. Microsoft ocenia, że wykorzystanie w najbliższych 25 latach podobnego modelu AI w chemii i wiedzy o materiałach może przynieść innowacje, które dokonanie przy tradycyjnych metodach zajęłoby aż 250 lat.
Sensacyjnie brzmią też doniesienia o odczytaniu za pomocą AI zwęglonych podczas wybuchu Wezuwiusza papirusowych zwojów z Herkulanum. Wykorzystano tu wiele różnych technologii, aby wydobyć ze skamieniałego papirusu linie atramentu sprzed niemal 2 tys. lat, ale to algorytm AI odczytał z nich treść. Modele AI potrafią również odczytywać starożytne pismo klinowe, staroegipskie hieroglify i wszystkie inne rodzaje „zapisów” pochodzących ze starożytności. Naukowcy zapowiadają, że dzięki temu nauka o minionych cywilizacjach otworzy przed nami wkrótce niedostępne do tej pory sensacyjne tajemnice.
Interdyscyplinarne korzyści
Badacze zajmujący się wieloma najbardziej skomplikowanymi i ważnymi problemami na świecie, od niezawodnego prognozowania pogody przez poszukiwanie nowych materiałów do produkcji baterii i paneli słonecznych po kontrolę reakcji syntezy jądrowej, zwracają się coraz częściej ku sztucznej inteligencji.
Elicit, bezpłatne internetowe narzędzie AI stworzone przez Ought, amerykańskie laboratorium badawcze non-profit, używa dużych modeli językowych do przeczesywania literatury naukowej i podsumowywania ważnych wniosków znacznie szybciej niż jakikolwiek człowiek.
Inna technika, znana jako Literature-Based Discovery (LBD), ma na celu generowanie nowatorskiej i praktycznej wiedzy z ogromnych, zróżnicowanych i pozornie niepowiązanych ze sobą zbiorów informacji. Właśnie z LBD narodziła się cała dziedzina badań istniejących leków do nowych celów terapeutycznych. Inny przykład pochodzi z NASA, która musiała stworzyć lżejsze, bardziej kompaktowe i łatwe do złożenia panele słoneczne dla statków kosmicznych. Dzięki LBD odkryto, że może w tym pomóc starożytna sztuka origami.
Jednak potencjał LBD jest o wiele większy. „Przedstawiciele wszystkich dyscyplin naukowych uważają, że nowo odkryta zdolność do łączenia i porównywania danych z różnych źródeł poprawi dokładność i moc predykcyjną odkryć naukowych oraz pomoże w określaniu przyszłych kierunków badań” – prognozują naukowcy ze Stanfordu.
Co dodaje Chat GPT?
Już po kilku dniach od premiery ChatGPT wywołał lawinę komentarzy w prasie naukowej. Zasadnicze pytanie brzmiało, w jaki sposób duże modele językowe (LLM) mogą wpłynąć na badania i czy będą wymagały nowych wytycznych w publikacjach naukowych i zarządzaniu badaniami. Były też obawy, że LLM ułatwią oszustwa, plagiaty i konfabulacje w pracach badawczych. Jakkolwiek nikt nie odwołał tych obaw, korzyści płynące z zastosowania LLM w nauce wyraźnie przeważają. Naukowcy doceniają możliwość używania coraz bardziej kompetentnych asystentów badawczych, którzy pomagają organizować im pracę i oszczędzają ich czas.
Wykazano, że GPT4,5 potrafi tworzyć recenzje badań porównywalne pod względem jakości z recenzentami ludzkimi. Równie dobrze pisze streszczenia prac badawczych i to językiem zrozumiałym dla przedstawicieli innych dyscyplin naukowych, co otwiera drogę do nowych badań interdyscyplinarnych.
„Sztuczna inteligencja może zapoczątkować nowy renesans odkryć” – potwierdza Demis Hassabis, współzałożyciel Google DeepMind – „działając jako mnożnik ludzkiej pomysłowości”. Porównuje on AI do teleskopu, niezbędnego narzędzia pozwalającego naukowcom widzieć dalej i zrozumieć więcej niż gołym okiem.
Niedawny raport OECD, klubu najbardziej rozwiniętych krajów świata, na temat sztucznej inteligencji w nauce stwierdza, że “chociaż AI przenika wszystkie dziedziny i etapy nauki, jej pełny potencjał jest daleki od wykorzystania. Nagroda może być ogromna: przyspieszenie produktywności badań to prawdopodobnie najbardziej wartościowe ekonomicznie i społecznie ze wszystkich zastosowań sztucznej inteligencji”.
Zbigniew Gajewski, Redaktor Naczelny THINKTANK Review
