uredi› krajšaj› T:158 M:353 Z: [×]

Visoki cilj umetne inteligence: na novo izumiti, kako izumljamo

Pozabite samovozeče avtomobile in prepoznavo obraza. Umetna inteligenca bo najbolj vplivala na to, kako izumljamo.

David Rotman, MIT Technology Review

Pisarna Regine Barzilay na massachusetskem tehnološkem inštitutu ponuja razgled na Novartisove inštitute za biomedicinske raziskave, Amgenova skupina za odkrivanje zdravil pa je le nekaj križišč naprej. Do nedavnega si Barzilayeva, ena vodilnih raziskovalk umetne inteligence na svetu, ni pretirano belila glave s temi zgradbami, polnimi kemikov in biologov. A ob vse bolj dih jemajočih dosežkih umetne inteligence in strojnega učenja pri prepoznavanju podob in razumevanju jezika se je začela spraševati, ali bi lahko vplivala tudi na metode odkrivanje novih zdravil.

Odkrivanje zdravil je izjemno drago in pogosto tudi nehvaležno. Medicinski kemiki morajo na podlagi svojega znanja o tem, kako molekulska struktura vpliva na sestavine v zdravilu, ugibati, katere bi lahko bile učinkovite. Sintetizirajo in preverijo nešteto različic, večina jih je neuporabna. »Sestavljanje novih molekul je še vedno umetnost, ker je toliko možnosti,« je pojasnila Barzilayeva. »Primerno kandidatko za zdravilo iščemo dolgo časa.«

Iskanje je tako zahtevno, ker raziskovalci lahko raziščejo le drobec tega, kar je uresničljivo. Ocenjuje se, da obstaja kar 1060 morebitnih zdravilu podobnih molekul, kar je več od števila atomov v sončnem sistemu. In ravno preverjanje neomejenih možnosti je tisto, pri čemer se izkaže strojno učenje. Piljenje programa poteka z obsežnimi podatkovnimi zbirkami obstoječih molekul in njihovih lastnosti, tako da ta pozneje lahko razišče vse mogoče povezane molekule.

Strojno učenje tako pri ugotavljanju, kako sestaviti spojino, in pri napovedovanju njenih lastnosti prekašajo le najbolj vešči kemiki – to pa sta dve bistveni nalogi pri odkrivanju zdravil. Barzilayeva in njeni kolegi zdaj razvijajo algoritme za globoko učenje, ki si lahko zamislijo popolnoma nove molekule z želenimi lastnostmi oziroma nove glavne spojine, ki jih potem kemiki sestavijo in preizkusijo.

Globoko učenje bi s skrajšanjem tega ključnega koraka kemikom lahko odprlo veliko več možnosti in iskanje novih zdravil bi bilo občutno hitrejše. Ena od prednosti je živahna domišljija strojnega učenja. »Morda bo zašlo v drugačno smer, ki je človek niti ne bi opazil,« je povedal Angel Guzman-Perez, direktor raziskav v Amgenu in sodelavec Barzilayeve. »Razmišlja drugače.«

Drugi strojno učenje izkoriščajo za izumljanje novih materialov za uporabo v čisti tehnologiji. Na seznamu želja so boljše baterije za shranjevanje električne energije v omrežju in organske sončne celice, katerih izdelava bi morda bila veliko cenejša od današnjih nerodno velikih na osnovi silicija.

Takšni preboji so vse zahtevnejši in dražji, saj sta kemija, znanost o materialih, in odkrivanje zdravil postala vratolomno zapletena in nasičena s podatki. Čeprav farmacevtska in biotehnološka panoga v raziskave vlagata ogromno denarja, se število novih zdravil na osnovi novih molekul zadnjih nekaj desetletij ni povečevalo. In še vedno smo obsojeni na litij-ionske baterije z začetka 90. let in silicijeve sončne celice, ki so prav tako stare več desetletij.

Globoko učenje se izkaže ravno zaradi te zapletenosti, ki je upočasnila napredek na teh področjih. Umetna inteligenca je idealna za iskanje po večrazsežnostnem prostoru in pripravo dragocenih napovedi, je potrdil tudi Ajay Agrawal, ekonomist na Rotmanovi fakulteti za upravljanje v Torontu in avtor prodajne uspešnice Prediction Machines: The Simple Economics of Artificial Intelligence (Napovedovalni stroji: preprosta ekonomija umetne inteligence).

Kot so v nedavnem strokovnem prispevku razložili ekonomisti z MIT, Harvarda in bostonske univerze, bi največji ekonomski učinek umetne inteligence utegnil prinesti njen potencial, da postane nova metoda izumljanja, ki bo nazadnje preoblikovala samo naravo nastajanja inovacij ter organizacijo raziskav in razvoja. Iain Cockburn, eden od soavtorjev prispevka, je povedal: »Nove metode izumljanja s širokimi možnostmi uporabe ne nastanejo zelo pogosto, in če se bodo naše domneve izkazale za pravilne, bi umetna inteligenca lahko korenito oklestila stroške za raziskave in razvoj na številnih področjih.« Pri številnih inovacijah je treba napovedovati na podlagi podatkov. Pri takšnih nalogah bi strojno učenje lahko bilo veliko hitrejše in neprimerno cenejše, je še dodal Cockburn.

Povedano drugače, največji dosežek umetne inteligence morda ne bodo samovozeči avtomobili, iskanje podob in obrazov ali Alexina zmožnost izpolnjevanja ukazov, temveč nove zamisli, ki bodo dale polet inovacijam.

Zamisli postajajo drage

Paul Romer je lani dobil Nobelovo nagrado za ekonomijo za svoje delo konec 80. in na začetku 90. let, s katerim je pokazal, kako naložbe v sveže zamisli in inovacije pripomorejo k zdravi gospodarski rasti. Pred tem so ekonomisti že izpostavljali povezavo med inovacijami in rastjo, Romer pa je nazorno razčlenil, kako deluje. V poznejših desetletjih so bili Romerjevi sklepi intelektualni navdih številnim v Silicijevi dolini in pomagali razložiti, kako se je tam lahko nakopičilo takšno bogastvo.

Kaj pa, če naš studenec zamisli presiha? Ekonomista Nicholas Bloom in Chad Jones s Stanforda, Michael Webb, njun študent, in John Van Reenen z MIT so se v to vprašanje poglobili v nedavni razpravi z naslovom Are ideas getting harder to find? (Postaja iskanje zamisli težje?). Njihov odgovor je pritrdilen. Ekonomisti so na področjih, ki so jih preučevali – odkrivanje zdravil, raziskave polprevodnikov, medicinske inovacije in prizadevanja za večji poljedelski donos –, odkrili skupno rdečo nit: naložbe v raziskave se strmo povečujejo, izkupiček pa kljub temu ostaja enak.

Z vidika ekonomistov gre za vprašanje produktivnosti: za podoben rezultat plačujemo več. In številke dejansko niso obetavne. Raziskovalna produktivnost – število raziskovalcev, nujno za določeni rezultat – upada za okoli 6,8 odstotka na leto pri uresničevanju Moorovega zakona, po katerem je treba na polprevodniški čip stisniti vse več vse manjših sestavnih delov, da bi bili računalniki hitrejši in močnejši. Ugotovili so, da je danes za podvojitev gostote na čipu potrebnih več kot 18-krat toliko raziskovalcev kot na začetku 70. let. Pri izboljševanju semen, kar merijo s hektarskim donosom, raziskovalna produktivnost upada za okrog pet odstotkov na leto, v ameriškem gospodarstvu kot celoti pa za 5,3 odstotka.

Doslej so neugodne posledice tega upadanja lahko izravnavali, ker so v raziskave začeli vlagati več denarja in ljudi. Tako se število tranzistorjev na čipu še vedno poveča za dvakrat vsaki dve leti, vendar le zato, ker se s to težavo ukvarja daleč več ljudi kot nekoč. Naložbe v raziskave in razvoj bi bilo treba v prihodnjih 13 letih podvojiti, če bomo želeli obdržati vodo nad glavo.

Seveda bi lahko bilo krivo to, da se področja, kot so pridelovanje in raziskave polprevodnikov, starajo in priložnosti za inovacije presihajo. Vendar so raziskovalci ugotovili tudi, da je splošna rast, povezana z inovacijami v gospodarstvu, počasna. Naložbe na nova področja in s tem povezane inovacije niso mogle zasukati osrednjega trenda.

Upad raziskovalne produktivnosti je verjetno že desetletja star pojav, vendar je ekonomiste začelo še bolj skrbeti zdaj, saj gospodarska rast zadnjih 15 let peša. V obdobju čudovitih novih tehnologij, kot so pametni telefoni, samovozeči avtomobili in Facebook, je rast medla in prispevek inovacij k njej – imenovan skupna faktorska produktivnost – je še posebej šibak.

Rast bi lahko hromil zapozneli učinek finančnega kolapsa leta 2008, pravi Van Reenen, neugodno nanjo vpliva tudi vztrajna politična negotovost. Kakorkoli že, ne more biti dvoma, da svoje prispeva tudi slaba raziskovalna produktivnost. Dodaja, da bi lahko nastala resna škoda za blaginjo in rast v prihodnosti, če se bo upadanje še nadaljevalo.

Nekateri ekonomisti pravijo, da smo sadje na dosegu roke že obrali, kar se tiče izumov, in verjetno imajo prav. Je mogoče, da so ostala le še nagnita jabolka na najvišjih vejah? Robert Gordon, ekonomist na univerzi Northwestern, je glasen zagovornik tega stališča. Trdi, da verjetno ne bomo več videli razcveta odkritij, kot so mu bili priče konec 19. stoletja in na začetku 20., ko so izumi, kot sta elektrika in motor z notranjim izgorevanjem, pripomogli k stoletju razcveta brez primere.

Če ima Gordon prav in nam ni ostalo več veliko pomembnih izumov, smo obsojeni na turobno gospodarsko prihodnost. Vendar se z njim veliko ekonomistov ne strinja. Menijo, da pomembne nove zamisli niso presahnile, le dražje jih je najti, saj je znanost čedalje bolj zapletena. Možnosti, da nam bo nov penicilin padel v naročje kot zrela hruška, so neznatne. Na področjih, kot sta kemija in biologija, bomo potrebovali vse več raziskovalcev, da bomo lahko izkoristili napredek znanosti.

Temu Ben Jones, ekonomist na Northwesternu, pravi breme znanja. Raziskovalci so vse bolj specializirani, zato je nujno, da se za reševanje težav oblikujejo večje in s tem dražje ekipe. Jonesova raziskava kaže, da se starost, pri kateri znanstveniki dosežejo maksimalno produktivnost, zvišuje: dlje časa namreč traja, da pridobijo nujno strokovnost. »To je vrojen stranski proizvod eksponentne rasti znanja,« je pripomnil.

»Veliko ljudi mi reče, da so naše ugotovitve nespodbudne, vendar se ne strinjam,« meni Van Reenen. »Pripravljeni pa moramo biti vlagati denar, nič ni zastonj.«

Malodušje zaradi znanosti

Bi umetna inteligenca lahko ustvarjalno rešila probleme, s katerimi se spopadajo pri inovacijah? Nekateri strokovnjaki so zaradi dosežkov, kot je naprava za igranje starodavne igre go, AlphaGo, prepričani, da bi jih lahko.

AlphaGo je premagala trenutnega prvaka v igri, tako da je preučila skoraj neomejene mogoče poteze v igri, ki jo ljudje poznajo več tisoč let in se pri izbiranju potez opirajo na notranji občutek. Naprava je izdelala zmagovalne strategije, ki niso padle na pamet še nobenemu človeku. Podobno bi se programi za globoko učenje, ki jih urijo z ogromnimi količinami znanstvenih podatkov in kemične literature, lahko dokopali do novih sestavin, kot si jih znanstveniki še niso zamislili.

Bi prodor, primerljiv z AlphaGo, lahko pomagal vse večji armadi raziskovalcev pri poglabljanju v vse obširnejše znanstvene podatke? Bi umetna inteligenca lahko pospešila temeljne raziskave in pripomogla k njihovi večji produktivnosti ter tako oživila področja, ki so za poslovne kroge postala predraga?

V zadnjih nekaj desetletjih so raziskave in razvoj doživeli občutne pretrese. Odkar so v Bell Labs družbe AT & T in Xeroxovem PARC izumili naprave, ki so spremenile svet, na primer tranzistor, sončne celice in laserski tiskalnik, je večina bogatih držav opustila temeljne raziskave. Ameriške zvezne naložbe v raziskave in razvoj pa ostajajo enake, zlasti na področjih, ki niso povezana z bioznanostjo. Medtem ko imamo torej vse več znanstvenikov in manjše dosežke uspešno pretvarjamo v komercialne priložnosti, zanemarjamo področja, ki temeljijo na temeljnih znanostih in na katerih so nujne dolgotrajne raziskave.

Sploh odkrivanje novih materialov je postalo komercialna pastorka, zato so zastale nujne inovacije v čisti tehnologiji, kot so boljše baterije, učinkovitejše sončne celice in katalizatorji, ki zmorejo tvoriti gorivo neposredno iz sončne svetlobe in ogljikovega dioksida (predstavljajte si umetno fotosintezo). Cena sončnih panelov in baterij stalno upada, vendar je to predvsem zaradi izboljšav v proizvodnji in ekonomije obsega, ne pa zaradi bistvenega napredka v sami tehnologiji.

V povprečju nov material nastane v

15 do 20 letih, je opozoril Tonio Buonassisi, mehanični inženir na MIT, ki sodeluje z ekipo znanstvenikov v Singapurju, da bi pospešili ta postopek. Tolikšna doba je namreč veliko predolga za večino podjetij, nepraktična pa je celo za številne akademske skupine. Le kdo si želi leta zapravljati za material, ki se na koncu izkaže kot neuporaben. Zato so se celo zagonska podjetja, ki jih podpira tvegani kapital in ki prispevajo veliko inovacij na področju programja in celo biotehnologije, dolgo časa izogibala čisti tehnologiji: tvegani kapital namreč večinoma pričakuje povrnitev naložbe v največ sedmih letih.

»Desetkratna pospešitev (odkrivanja materialov) je nujna,« je poudaril Buonassisi, ki vodi laboratorij za fotovoltaične raziskave na MIT. Njegov cilj in cilj ohlapno povezane mreže kolegov znanstvenikov je, da bi z umetno inteligenco in s strojnim učenjem časovni okvir od 15 do 20 let skrčili na dve do pet let, in sicer tako, da bi odpravili različna ozka grla v laboratoriju ter avtomatizirali čim večji del postopka. S hitrejšim postopkom bi znanstveniki imeli na voljo daleč več morebitnih rešitev, ki bi jih nato preverili, s tem pa bi slepe ulice odkrili v nekaj urah, ne v mesecih, tako kot zdaj, in bi laže optimizirali materiale. »Vse to bo preobrazilo način našega raziskovalnega razmišljanja,« je dodal.

In odkrivanje materialov bi tako lahko spet postalo donosen posel. Buonassisi je pokazal graf, ki ponazarja čas, potreben za razvoj različnih tehnologij. Nad enim od stolpcev je bilo napisano litij-ionske baterije, čas je bil 20 let. Nad drugim, veliko nižjim, je pisalo nove sončne celice, čisto na vrhu pa Podnebni cilj 2030. Poanta je jasna: nočemo čakati nadaljnjih 20 let na naslednji prodor pri materialih, ki se uporabljajo v čisti tehnologiji.

Laboratorij, kjer ima glavno besedo umetna inteligenca

»Pridite v svobodno deželo,« Tako Alan Aspuru-Guzik vabi ameriške obiskovalce v svoj laboratorij v Torontu. Aspuru-Guzik je lani zapustil svoje delovno mesto predavatelja kemije na Harvardu in se z družino preselil v Kanado. Tako se je odločil, ker ne prenese predsednika Donalda Trumpa in njegove politike, sploh priseljenske. Dodatna spodbuda za selitev je bila, da se Toronto hitro razvija v meko za raziskave umetne inteligence.

Poleg tega, da predava kemijo na torontski univerzi, dela tudi na inštitutu Vector. To je središče za umetno inteligenco, ki ga je pomagal ustanoviti Geoffrey Hinton, čigar oranje ledine v globokem učenju in nevronskih mrežah naj bi pripomoglo k naglemu vzponu in razcvetu umetne inteligence.

V pomembni razpravi iz leta 2012 je Hinton s soavtorji prikazal, da globoka nevronska mreža, ki jo učijo z velikim številom podob, lahko prepozna gobo, leoparda in dalmatinca. To je bil takrat pomemben dosežek, ki je kmalu sprožil pravo revolucijo v umetni inteligenci z uporabo algoritmov globokega učenja za pregledovanje velikih podatkovnih zbirk. Raziskovalci so kmalu odkrili načine, kako takšne nevronske mreže izkoristiti za pomoč pri navigaciji avtonomnih vozil in odkrivanju obrazov v množici. Drugi strokovnjaki pa so priredili orodja za globoko učenje, da so se lahko urila sama. Med temi so generativne nevronske mreže GAN zmožne sestaviti prizore ter naslikati ljudi, ki niso nikoli obstajali.

Hinton je v povezani razpravi, ki jo je objavil 2015, opisal možnost, da bi globoko učenje lahko uporabili tudi v kemiji in pri raziskavah materialov. Nevronska mreža bi po njegovih domnevah lahko odkrivala zapletene strukture v visokodimenzionalnih podatkih – povedano drugače, iste mreže, ki zmorejo krmariti med milijoni podob, da bi našle, na primer, pikastega psa, bi se lahko prebile skozi milijone molekul in prepoznale tisto z želenimi lastnostmi.

Aspuru-Guzik je energičen raziskovalec z neusahljivim virom zamisli in tip znanstvenika, ki bi dve leti potrpežljivo tuhtal, ali bo material uporaben. V kratkem času je prilagodil globoko učenje in nevronske mreže, da bi prevetril področje odkrivanja materialov. Njegovo izhodišče je, da bi umetno inteligenco in avtomatizacijo vključil v vse korake raziskovanja materialov: v prvotno zasnovo in sintezo materiala, v preizkušanje in analize in nazadnje v piljenje podrobnosti za čim boljše lastnosti.

Zamislil si je tudi avtomatiziran laboratorij, kjer bo delala predvsem umetna inteligenca, njegovo jedro pa predstavlja 1,2 milijona dolarjev vreden robot iz Švice.

V tem laboratoriju si bodo orodja za globoko učenje, kot so mreže GAN in njihova sestrična, tehnika, imenovana avtokodirnik, zamislila obetavne nove materiale in ugotovila tudi, kako jih izdelati. Robot bo nato izdelal posamezne spojine. Aspuru-Guzik bi rad ustvaril avtomatizirani sistem po zmerni ceni, ki bi lahko na zahtevo izpljunil nove molekule. Ko bo material izdelan, ga bo mogoče analizirati z instrumenti, kot je masni spektrometer. Dodatna orodja za strojno učenje bodo znala povezati te podatke in »diagnosticirati« lastnosti materiala. Na podlagi takšnega vpogleda bi materiale izpilili s spreminjanjem njihove strukture. In nato bo umetna inteligenca izbrala naslednji eksperiment in krog bo sklenjen, je pojasnil Aspuru-Guzik.

Aspuru-Guzik pričakuje, da bo robot izdelal 48 novih materialov vsaka dva dneva, njihovo strukturo pa bo izboljševal z izsledki strojnega učenja. To pomeni nov material vsako uro, kar je vratolomna hitrost, ki bi lahko postavila na glavo predstave o učinkovitosti laboratorijev za raziskave materialov.

Ne gre za to, da bi dali domišljiji prosto pot in tako odkrili čudežni material, je poudaril. Raziskave materialov se bodo resnično spremenile šele, ko bodo preobrazili celoten postopek. »Kje so ozka grla? Umetna inteligenca bi morala biti v vsakem kosu laboratorijske opreme.« Ko imajo znanstveniki v rokah, na primer, predlog strukture, jih še vedno čaka ugotavljanje, kako jo izdelati. Za to, kar kemiki imenujejo retrosinteza – delo v obratni smeri od molekulske strukture do korakov, ki so nujni za takšno spojino –, so potrebni tedni ali meseci. Drugo ozko grlo je razvozlavanje kupov podatkov, ki jih proizvede analitična oprema. Strojno učenje bi lahko pospešilo oba koraka.

Aspuru-Guzika motivirajo predvsem grožnje zaradi podnebnih sprememb, nujno potrebne izboljšave v čisti tehnologiji in ključna vloga materialov pri tem. V svojih raziskavah se posveča novim organskim elektrolitom za tekoče baterije, v katerih bi lahko shranjevali višek elektrike iz električnih omrežij in ga po potrebi vračali vanje, in organskim sončnim celicam, ki bi bile neprimerno cenejše od silicijevih. Če bi njegov načrt za samostojni avtomatizirani kemični laboratorij tudi deloval, bi kemija postala veliko dostopnejša tako rekoč vsem, je namignil. Temu pravi demokratizacija odkrivanja materialov.

Nekaj križišč proč je na Rotmanovi poslovni fakulteti laboratorij Creative Destruction, ki ga vodi Ajay Agrawal. V okviru tega programa, ki so ga sprejeli leta 2012, se je porodilo več kot dvesto zagonskih podjetij. Številna so ustanovili študenti računalništva, ki so zašli v laboratorij, ker so želeli strojno učenje uporabiti za vse, od odkrivanja goljufij s kreditnimi karticami do prepoznave tumorjev na medicinskih posnetkih. Trenutno pa se Agrawal posveča temu, kako bi ista umetno inteligentna orodja lahko uporabili za pospešitev znanstvenih raziskav.

»To je jedro dogajanja,« je pojasnil. Umetna inteligenca, ki vozi avtomobil, umetna inteligenca, ki izboljšuje medicinsko diagnostiko, umetna inteligenca za osebne nakupe – gospodarska rast zaradi umetne inteligence, ki bi jo izkoristili v znanstvenih raziskavah, bi lahko povozila ekonomski vpliv vseh naštetih umetno inteligentnih področij skupaj.

Inštitut Vector, torontski magnet za raziskave umetne inteligence, je le dober kilometer proč. Skozi okna velikega odprtega pisarniškega prostora je mogoče videti parlament Ontaria. To, da so strokovnjaki za umetno inteligenco, kemijo in ekonomijo tako blizu zgradbe lokalne vlade v središču Toronta, ni naključje. Številni meščani so prepričani, da bo umetna inteligenca spremenila poslovanje in gospodarstvo, vse več ljudi pa meni, da bo korenito spremenila tudi znanstveno raziskovanje.

Bodo znanstveniki zagrabili?

A v ta namen bo najprej treba znanstvenike prepričati, da se izplača.

Guzman-Perez iz Amgena opaža, da so številni njegovi kolegi v medicinski kemiji skeptični. V zadnjih nekaj desetletjih so na tem področju spoznali vrsto domnevno revolucionarnih tehnologij, od računalniškega oblikovanja do kombinatorne kemije in rešetanja visoke zmogljivosti, kar je omogočilo avtomatizacijo in preverjanje več molekul. Vse tehnologije so se sicer pokazale kot koristne, vendar z omejitvami. Nobena pa ne zna pričarati novega zdravila, je dodal.

Prezgodaj je še, da bi lahko zanesljivo napovedali, ali bo globoko učenje končno pripomoglo k revolucionarnim spremembam, je priznal, in težko je določiti časovni okvir. Spodbudno se mu zdi to, kako hitro je umetna inteligenca spremenila prepoznavanje podob in druge naloge, povezane z iskanjem. »Upajmo, da bo koristila tudi kemiji,« je strnil svoje razmišljanje.

V kemiji in iskanju novih materialov namreč še vedno čakajo na nekaj podobnega, kot je AlphaGo – da bi algoritmi globokega učenja prekašali najboljšega človeka pri predlaganju novih zdravil in materialov. Podobno, kot je AlphaGo zmagal s kombinacijo nenaravne strategije in nečloveške domišljije, bi se najnovejši umetno inteligentni programi lahko izkazali v laboratoriju.

Zaradi tega nekateri znanstveniki gojijo velike upe. Aspuru-Guzik je pojasnil, da bi umetno inteligenco in avtomatizacijo lahko izkoristili za preobrazbo laboratorija z orodji, kot je 30.000 dolarjev vreden molekulski tiskalnik, ki bi ga rad sestavil. In takrat bo meja pri raziskovanju možnosti res le domišljija znanstvenikov – in umetne inteligence.

Copyright 2019 Technology Review, distribucija Tribune Content Agency