211service.com
Umělá inteligence znovu objevuje způsob, jakým vynalézáme
Kancelář Reginy Barzilay na MIT poskytuje jasný pohled na Novartis Institutes for Biomedical Research. Skupina Amgen pro objevování léků je o několik bloků dále. Až donedávna Barzilay, jeden z předních světových výzkumníků v oblasti umělé inteligence, o těchto okolních budovách plných chemiků a biologů příliš nepřemýšlel. Ale když umělá inteligence a strojové učení začaly předvádět stále působivější výkony v rozpoznávání obrazu a porozumění jazyku, začala se ptát: mohlo by to také změnit úkol hledání nových léků?
Problém je v tom, že lidští výzkumníci mohou prozkoumat jen nepatrný výsek toho, co je možné. Odhaduje se, že existuje až 1060 molekul potenciálně podobných drogám – více než počet atomů ve sluneční soustavě. Ale procházení zdánlivě neomezených možností je to, v čem je strojové učení dobré. Programy trénované na rozsáhlých databázích existujících molekul a jejich vlastností mohou prozkoumat všechny možné příbuzné molekuly.
Tento příběh byl součástí našeho vydání z března 2019
- Viz zbytek čísla
- předplatit
Objevování drog je nesmírně nákladný a často frustrující proces. Medicínští chemici musí uhodnout, které sloučeniny by mohly vytvářet dobré léky, s využitím svých znalostí o tom, jak struktura molekuly ovlivňuje její vlastnosti. Syntetizují a testují nespočet variant a většinou jde o selhání. Přicházet s novými molekulami je stále umění, protože máte tak obrovský prostor možností, říká Barzilay. Najít dobré kandidáty na drogy trvá dlouho.
Urychlením tohoto kritického kroku by hluboké učení mohlo nabídnout mnohem více příležitostí pro chemiky, takže objevování léků bude mnohem rychlejší. Jedna výhoda: strojové učení má často svéráznou představivost. Možná to půjde jiným směrem, než kterým by se člověk nevydal, říká Angel Guzman-Perez, výzkumník drog ve společnosti Amgen, který spolupracuje s Barzilayem. Myslí to jinak.
Jiní používají strojové učení, aby se pokusili vymyslet nové materiály pro aplikace čistých technologií. Mezi položkami na seznamu přání jsou vylepšené baterie pro ukládání energie v elektrické síti a organické solární články, jejichž výroba by mohla být mnohem levnější než výroba dnešních objemných baterií na bázi křemíku.
Dosažení takových průlomů je stále obtížnější a dražší, protože chemie, věda o materiálech a objevování léků se staly neuvěřitelně složitými a nasycenými daty. I když farmaceutický a biotechnologický průmysl nalévá peníze do výzkumu, počet nových léků založených na nových molekulách v posledních několika desetiletích stagnuje. A stále zůstáváme u lithium-iontových baterií, které se datují do počátku 90. let a návrhů křemíkových solárních článků, které jsou také desítky let staré.
Složitost, která zpomalila pokrok v těchto oblastech, je místo, kde hluboké učení vyniká. Hledání v multidimenzionálním prostoru za účelem vymýšlení cenných předpovědí je sladkým místem AI, říká Ajay Agrawal, ekonom z Rotman School of Management v Torontu a autor bestselleru Predikční stroje: Jednoduchá ekonomika umělé inteligence .
V nedávném článku ekonomové z MIT, Harvardu a Bostonské univerzity tvrdili, že největší ekonomický dopad umělé inteligence by mohl pocházet z jejího potenciálu jakožto nové metody vynálezu, která nakonec přetváří povahu inovačního procesu a organizaci výzkumu a vývoje.
Iain Cockburn, ekonom BU a spoluautor článku, říká: Nové metody vynalézání s širokými aplikacemi nepřicházejí příliš často, a pokud je náš odhad správný, umělá inteligence by mohla dramaticky změnit náklady na výzkum a vývoj v mnoha různých oblastech. Velká část inovací zahrnuje vytváření předpovědí na základě dat. V takových úlohách, dodává Cockburn, by strojové učení mohlo být řádově rychlejší a levnější.
Jinými slovy, hlavním dědictvím AI nemusí být auta bez řidiče nebo vyhledávání obrázků nebo dokonce schopnost Alexy přijímat objednávky, ale její schopnost přicházet s novými nápady, které podpoří samotnou inovaci.
Nápady se prodražují
Koncem loňského roku získal Paul Romer Nobelovu cenu za ekonomii za práci vykonanou na přelomu 80. a 90. let 20. století, která ukázala, jak investice do nových nápadů a inovací pohánějí silný hospodářský růst. Dřívější ekonomové zaznamenali souvislost mezi inovacemi a růstem, ale Romer poskytl vynikající vysvětlení, jak to funguje. V následujících desetiletích byly Romerovy závěry intelektuální inspirací pro mnohé v Silicon Valley a pomáhají vysvětlit, jak dosáhlo takového bohatství.
Ale co když naše zásobárna nových nápadů vysychá? Ekonomové Nicholas Bloom a Chad Jones ze Stanfordu, Michael Webb, postgraduální student na univerzitě, a John Van Reenen z MIT se na problém podívali v nedávném článku nazvaném Jsou nápady čím dál těžší najít? (Jejich odpověď byla ano.) Při pohledu na objevy léků, výzkum polovodičů, lékařské inovace a snahy o zlepšení výnosů plodin našli ekonomové společný příběh: investice do výzkumu prudce rostou, ale výnosy zůstávají konstantní.
Z pohledu ekonoma je to problém produktivity: platíme více za podobné množství výstupu. A čísla vypadají špatně. Produktivita výzkumu – počet výzkumníků potřebných k vytvoření daného výsledku – klesá ročně asi o 6,8 % kvůli úkolu rozšířit Mooreův zákon, který vyžaduje, abychom našli způsoby, jak zabalit stále více a menších součástek na polovodičový čip, abychom pokračujte ve zrychlování a výkonu počítačů. (Zjistili, že ke zdvojnásobení hustoty třísek je dnes potřeba více než 18krát více výzkumníků, než tomu bylo na počátku 70. let.) Pro zlepšení semen, měřeno výnosy plodin, klesá produktivita výzkumu každý rok přibližně o 5 %. Za americkou ekonomiku jako celek klesá o 5,3 %.
Rostoucí cena velkých nápadů
Podle ekonomů ze Stanfordu a MIT je k nalezení nových produktivních nápadů potřeba více výzkumníků a peněz. To je pravděpodobný faktor celkového pomalého růstu v USA a Evropě v posledních desetiletích. Níže uvedený graf ukazuje vzorec pro celkovou ekonomiku a zdůrazňuje celkovou produktivitu faktorů v USA (v průměru za desetiletí a za roky 2000–2014) – měřítko příspěvku inovací – oproti počtu výzkumných pracovníků. Podobné vzorce platí pro konkrétní oblasti výzkumu.
zdroj: bloom, jones, van reenen a webb
Jakýkoli negativní dopad tohoto poklesu byl zatím kompenzován tím, že dáváme více peněz a lidí do výzkumu. Takže stále zdvojnásobujeme počet tranzistorů na čipu každé dva roky, ale jen proto, že tomuto problému věnujeme mnohem více lidí. Během příštích 13 let budeme muset zdvojnásobit své investice do výzkumu a vývoje, abychom mohli šlapat vodu.
Může se samozřejmě stát, že obory jako věda o plodinách a výzkum polovodičů stárnou a příležitosti pro inovace se zmenšují. Vědci však také zjistili, že celkový růst spojený s inovacemi v ekonomice byl pomalý. Žádné investice do nových oblastí a jakékoli vynálezy, které vytvořily, nedokázaly změnit celkový příběh.
Pokles produktivity výzkumu se zdá být desetiletím trvajícím trendem. Pro ekonomy je to ale nyní obzvláště znepokojivé, protože od poloviny 21. století jsme viděli celkové zpomalení hospodářského růstu. V době skvělých nových technologií, jako jsou chytré telefony, auta bez řidiče a Facebook, je růst pomalý a jeho část připisovaná inovacím – nazývaná celková produktivita faktorů – je obzvláště slabá.
Přetrvávající dopady finančního kolapsu v roce 2008 by mohly brzdit růst, říká Van Reenen, a také pokračující politická nejistota. Ale nepochybně k tomu přispívá tristní produktivita výzkumu. A říká, že pokud bude pokles pokračovat, může to vážně poškodit budoucí prosperitu a růst.
Dává smysl, že jsme již vybrali mnoho z toho, co někteří ekonomové rádi nazývají nízko visící ovoce, pokud jde o vynálezy. Je možné, že jediné ovoce, které zbylo, je pár scvrklých jablek na nejvzdálenějších větvích stromu? Robert Gordon, ekonom z Northwestern University, byl silným zastáncem tohoto názoru. Říká, že je nepravděpodobné, že bychom se vyrovnali rozkvětu objevů, který poznamenal konec 19. a začátek 20. století, kdy vynálezy jako elektrické světlo a energie a spalovací motor vedly ke století nebývalé prosperity.
Pokud má Gordon pravdu a zbývá méně velkých vynálezů, jsme odsouzeni k bezútěšné ekonomické budoucnosti. Ale jen málo ekonomů si myslí, že tomu tak je. Spíše dává smysl, že existují velké nové nápady; je jen stále dražší najít je, protože věda se stává stále složitější. Šance, že nám další penicilin zrovna spadne do klína, je mizivá. Budeme potřebovat více a více výzkumníků, abychom pochopili postupující vědu v oborech, jako je chemie a biologie.
Ben Jones, ekonom ze společnosti Northwestern, to nazývá zátěží znalostí. Výzkumníci se stále více specializují, takže je nutné vytvářet větší – a dražší – týmy pro řešení problémů. Jonesův výzkum ukazuje, že věk, ve kterém vědci dosahují své maximální produktivity, roste: trvá jim déle, než získají potřebné odborné znalosti. Je to vrozený vedlejší produkt exponenciálního růstu znalostí, říká.
Mnoho lidí mi říká, že naše zjištění jsou depresivní, ale já to tak nevidím, říká Van Reenen. Inovace mohou být obtížnější a dražší, ale to, jak říká, jednoduše poukazuje na potřebu politik, včetně daňových pobídek, které podpoří investice do dalšího výzkumu.
Dokud investujete prostředky do výzkumu a vývoje, můžete si udržet zdravý růst produktivity, říká Van Reenen. Ale musíme být připraveni utratit peníze, abychom to udělali. není to zadarmo.
Vzdát se vědy
Dokáže umělá inteligence kreativně vyřešit druhy problémů, které taková inovace vyžaduje? Někteří odborníci jsou nyní přesvědčeni, že je to možné, vzhledem k tomu, jaké pokroky předvádí herní stroj AlphaGo.
AlphaGo ovládl starodávnou hru Go a porazil vládnoucího šampiona studiem téměř neomezených možných pohybů ve hře, kterou již několik tisíc let hrají lidé, kteří se silně spoléhají na intuici. Při tom někdy přišla s vítěznými strategiemi, které žádného lidského hráče nenapadlo vyzkoušet. Stejně tak by mohly programy hlubokého učení vyškolené na velkém množství experimentálních dat a chemické literatury přijít s novými sloučeninami, které si vědci nikdy nepředstavovali.
Mohl by průlom podobný AlphaGo pomoci rostoucím armádám výzkumníků zkoumajících stále se rozšiřující vědecká data? Mohla by umělá inteligence zrychlit a zefektivnit základní výzkum a oživit oblasti, které jsou pro podniky příliš drahé?
V posledních několika desetiletích došlo k masivnímu převratu v našem úsilí v oblasti výzkumu a vývoje. Od dob, kdy Bell Labs společnosti AT&T a PARC společnosti Xerox vyráběly světově měnící vynálezy, jako jsou tranzistory, solární články a laserový tisk, většina velkých společností v USA a dalších bohatých ekonomikách rezignovala na základní výzkum. Mezitím americké federální investice do výzkumu a vývoje stagnovaly, zejména do jiných oborů než jsou vědy o živé přírodě. Takže zatímco nadále zvyšujeme celkový počet výzkumných pracovníků a přeměňujeme postupné pokroky v komerční příležitosti, oblasti, které vyžadují dlouhodobý výzkum a základy v základní vědě, byly zasaženy.
Zejména vynález nových materiálů se stal komerčním zapadákem. To zadrželo potřebné inovace v oblasti čistých technologií – věci jako lepší baterie, účinnější solární články a katalyzátory pro výrobu paliv přímo ze slunečního světla a oxidu uhličitého (předpokládejme umělou fotosyntézu). Zatímco ceny solárních panelů a baterií neustále klesají, je to z velké části kvůli zlepšení výroby a úsporám z rozsahu, spíše než díky zásadnímu pokroku v samotných technologiích.
Mohl by průlom podobný AlphaGo pomoci rostoucím armádám výzkumníků zkoumajících stále se rozšiřující vědecká data?
Přijít s novým materiálem trvá v průměru 15 až 20 let, říká Tonio Buonassisi, strojní inženýr z MIT, který spolupracuje s týmem vědců v Singapuru na urychlení procesu. To je pro většinu firem příliš dlouho. Je to nepraktické i pro mnoho akademických skupin. Kdo chce trávit roky nad materiálem, který může nebo nemusí fungovat? To je důvod, proč startupy podporované rizikovými podniky, které vytvořily velkou část inovací v oblasti softwaru a dokonce i biotechnologií, se čistých technologií již dávno vzdaly: investoři rizikového kapitálu obvykle potřebují návratnost do sedmi let nebo dříve.
Desetinásobné zrychlení [v rychlosti objevování materiálů] je nejen možné, ale také nezbytné, říká Buonassisi, který provozuje fotovoltaickou výzkumnou laboratoř na MIT. Jeho cílem a cílem volně propojené sítě kolegů vědců je pomocí umělé inteligence a strojového učení zkrátit tento 15 až 20letý časový rámec na přibližně dva až pět let tím, že útočí na různá úzká hrdla v laboratoři a automatizuje co největší část procesu. Rychlejší proces poskytuje vědcům mnohem více potenciálních řešení k testování, umožňuje jim najít slepé uličky během hodin spíše než měsíců a pomáhá optimalizovat materiály. Proměňuje to, jak přemýšlíme jako výzkumníci, říká.
Mohlo by to také učinit z objevování materiálů opět životaschopnou obchodní činnost. Buonassisi ukazuje na graf znázorňující čas potřebný k vývoji různých technologií. Jeden ze sloupců označených lithium-iontové baterie ukazuje 20 let.
Další, mnohem kratší sloupec je označen jako nový solární článek; na vrcholu je klimatický cíl do roku 2030. Pointa je jasná: nemůžeme čekat dalších 20 let na další průlom v čistých technologických materiálech.
Začínající AI v drogách a materiálech| jeden Atomově | dva Kebotix | 3 Hluboká genomika | |
|---|---|---|---|
| To, co dělají | Použijte neuronové sítě k prohledávání velkých databází k nalezení malých molekul podobných lékům, které se vážou na cílené proteiny. | Vyviňte kombinaci robotiky a umělé inteligence, abyste urychlili objevování a vývoj nových materiálů a chemikálií. | Pomocí umělé inteligence hledejte molekuly oligonukleotidů k léčbě genetických chorob. |
| Proč na tom záleží | Identifikace takových molekul s požadovanými vlastnostmi, jako je účinnost, je kritickým prvním krokem při objevování léků. | Vývoj materiálu trvá více než deset let. Zkrácení tohoto času by nám mohlo pomoci řešit problémy, jako je změna klimatu. | Léčba oligonukleotidy je slibná proti řadě onemocnění, včetně neurodegenerativních a metabolických poruch. |
Laboratoř řízená umělou inteligencí
Přijďte do svobodné země: tak Alán Aspuru-Guzik v těchto dnech zve amerického návštěvníka do své torontské laboratoře. V roce 2018 Aspuru-Guzik opustil své funkční místo profesora chemie na Harvardu a přestěhoval se s rodinou do Kanady. Jeho rozhodnutí bylo řízeno silným odporem k prezidentu Donaldu Trumpovi a jeho politice, zejména k přistěhovalectví. Nebylo však na škodu, že se Toronto rychle stává mekkou výzkumu umělé inteligence.
Kromě toho, že je Aspuru-Guzik profesorem chemie na University of Toronto, má také pozici ve Vector Institute for Artificial Intelligence. Je to centrum umělé inteligence, které spoluzaložil Geoffrey Hinton, jehož průkopnická práce na hlubokém učení a neuronových sítích je z velké části připisována nastartování dnešního boomu umělé inteligence.
V pozoruhodném článku z roku 2012 Hinton a jeho spoluautoři prokázali, že hluboká neuronová síť, natrénovaná na velkém množství obrázků, dokáže identifikovat houbu, leoparda a dalmatského psa. V té době to byl pozoruhodný průlom a rychle to zahájilo revoluci umělé inteligence využívající algoritmy hlubokého učení, aby dávaly smysl velkým souborům dat.
Výzkumníci rychle našli způsoby, jak využít takové neuronové sítě, aby pomohly autům bez řidiče navigovat a rozpoznat tváře v davu. Jiní upravili nástroje hlubokého učení tak, aby se mohli trénovat sami; mezi tyto nástroje patří GAN (generative adversarial networks), které dokážou vytvářet obrazy scén a lidí, kteří nikdy neexistovali.
V navazujícím dokumentu z roku 2015 Hinton poskytl vodítka, že hluboké učení by se dalo použít v chemii a výzkumu materiálů. Jeho práce nabízela schopnost neuronové sítě objevovat složité struktury ve vysokorozměrných datech – jinými slovy, stejné sítě, které mohou procházet miliony obrázků, aby našli, řekněme, pes se skvrnami by mohl třídit miliony molekul a identifikovat jednu. s určitými žádoucími vlastnostmi.
Aspuru-Guzik, energický a plný nápadů, není typ vědce, který by trpělivě strávil dvě desetiletí zjišťováním, zda materiál bude fungovat. A rychle přizpůsobil hluboké učení a neuronové sítě, aby se pokusil znovu objevit objevy materiálů. Cílem je vnést umělou inteligenci a automatizaci do všech kroků materiálového výzkumu: počátečního návrhu a syntézy materiálu, jeho testování a analýzy a nakonec mnoha vylepšení, která optimalizují jeho výkon.
Za mrazivého mrazivého dne na začátku letošního ledna má Aspuru-Guzik klobouk pevně stažený přes uši, ale jinak se zdá, že nevnímá nevlídné kanadské počasí. Má na srdci jiné věci. Jednak stále čeká na dodání robota za 1,2 milionu dolarů, nyní na lodi ze Švýcarska, který bude středobodem automatizované laboratoře řízené umělou inteligencí, kterou si představoval.
V laboratoři si nástroje pro hluboké učení, jako jsou GANs a jejich bratranec, technika zvaná autoencoder, představí slibné nové materiály a zjistí, jak je vyrobit. Robot pak vytvoří sloučeniny; Aspuru-Guzik chce vytvořit cenově dostupný automatizovaný systém, který by byl schopen na požádání vyplivnout nové molekuly. Jakmile jsou materiály vyrobeny, mohou být analyzovány pomocí přístrojů, jako je hmotnostní spektrometr. Další nástroje pro strojové učení dají těmto datům smysl a diagnostikují vlastnosti materiálu. Tyto poznatky pak budou použity k další optimalizaci materiálů a vyladění jejich struktur. A pak, říká Aspuru-Guzik, AI vybere další experiment, který provede, čímž uzavře smyčku.
Cílem je vnést umělou inteligenci a automatizaci do všech kroků výzkumu materiálů a objevování léků.
Jakmile bude robot na svém místě, Aspuru-Guzik očekává, že každé dva dny vyrobí přibližně 48 nových materiálů, přičemž bude čerpat z poznatků strojového učení, aby své struktury neustále zlepšoval. To je každý hodinu slibný nový materiál, bezprecedentní tempo, které by mohlo zcela změnit produktivitu laboratoře.
Není to všechno o pouhém snění o magickém materiálu, říká. Chcete-li skutečně změnit výzkum materiálů, musíte zaútočit na celý proces: Jaká jsou úzká hrdla? Chcete AI v každém kousku laboratoře. Když už máte například navrženou strukturu, musíte ještě přijít na to, jak ji vyrobit. Může trvat týdny až měsíce, než se vyřeší to, co chemici nazývají retrosyntéza – pracovat zpětně od molekulární struktury, aby zjistili kroky potřebné k syntéze takové sloučeniny. Další překážkou je pochopení množství dat produkovaných analytickým zařízením. Strojové učení by mohlo urychlit každý z těchto kroků.
To, co motivuje Aspuru-Guzik, je hrozba změny klimatu, potřeba zlepšení čistých technologií a zásadní role materiálů při výrobě takového pokroku. Jeho vlastní výzkum se zaměřuje na nové organické elektrolyty pro průtokové baterie, které lze použít k ukládání přebytečné elektřiny z energetických sítí a její čerpání zpět, když je to potřeba, a na organické solární články, které by byly mnohem levnější než ty na bázi křemíku. Ale pokud jeho návrh na samostatnou, automatizovanou chemickou laboratoř bude fungovat, může to udělat chemii mnohem dostupnější téměř pro každého. Říká tomu demokratizace objevování materiálů.
Tady je akce, říká. AI, které pohánějí auta, AI, které zlepšují lékařskou diagnostiku, AI pro osobní nákupy – ekonomický růst díky AI aplikovaným na vědecký výzkum může převýšit ekonomický dopad všech těchto ostatních AI dohromady.
Vektorový institut, torontský magnet pro výzkum AI, leží necelý kilometr daleko. Z oken velkého otevřeného kancelářského prostoru se můžete dívat na budovu parlamentu v Ontariu. Blízkost odborníků na umělou inteligenci, chemii a obchod k sídlu vlády provincie v centru Toronta není náhoda. Mezi mnoha lidmi ve městě panuje silná víra, že umělá inteligence promění podnikání a ekonomiku, a stále více jsou někteří přesvědčeni, že radikálně změní způsob, jakým děláme vědu.
Přesto, pokud to udělá, prvním krokem je přesvědčit vědce, že to stojí za to.
Guzman-Perez z Amgen říká, že mnoho jeho kolegů v lékařské chemii je skeptických. Během několika posledních desetiletí se v této oblasti objevila řada údajně revolučních technologií, od počítačového designu po kombinatorickou chemii a vysoce výkonný screening, které zautomatizovaly rychlou produkci a testování více molekul. Každý z nich se ukázal být poněkud užitečný, ale omezený. Žádný, říká, vám magicky sežene novou drogu.
Je příliš brzy na to, abychom si byli jisti, zda by hluboké učení mohlo konečně změnit hru, uznává, a je těžké znát časový rámec. Ale povzbuzuje ho rychlost, s jakou umělá inteligence transformovala rozpoznávání obrázků a další vyhledávací úkoly.
Doufejme, že by se to mohlo stát v chemii, říká.
Stále čekáme na okamžik AlphaGo v chemii a materiálech – na algoritmy hlubokého učení, které přelstí nejdokonalejšího člověka při vymýšlení nového léku nebo materiálu. Ale stejně jako AlphaGo vyhrál s kombinací podivné strategie a nelidské představivosti, dnešní nejnovější programy umělé inteligence by se mohly brzy osvědčit v laboratoři.
A to má některé vědce velké sny. Myšlenka, říká Aspuru-Guzik, spočívá v použití umělé inteligence a automatizace ke znovuobjevení laboratoře pomocí nástrojů, jako je molekulární tiskárna za 30 000 dolarů, kterou doufá postavit. Poté bude na fantazii vědců – a na fantazii AI – prozkoumat možnosti.