Почему дешевый ИИ не заменит реальные лабораторные эксперименты

За одну ночь искусственный интеллект набросал тысячу экспериментов. И почти любой из них способен обернуться серьезным открытием в биологии.

Казалось бы, вот он, обещанный фантастический прогресс. Ставь эксперименты один за другим и только успевай совершать открытия.

Но ограничения никуда не делись, и они самые что ни на есть живые. От того, что идей стало больше, клетка делиться быстрее не начнёт.

Добро пожаловать в реальный мир!

И тут же вылезает новое узкое место науки. Гипотез становится всё дешевле и всё больше, а проверить их на практике по-прежнему долго и дорого.

18 сентября Reuters написал, что Anthropic, создатель Claude, открыла собственную «мокрую» биологическую лабораторию в районе залива Сан-Франциско. Проще говоря, помещение, где ставят настоящие опыты с биологическими образцами, а не гоняют компьютерные симуляции.

А за день до этого в Science появилась почти зеркальная история. Стэнфордские исследователи собрали виртуальную биотехнологическую компанию, где ИИ-агенты меньше чем за неделю обработали результаты 55 984 клинических исследований.

Роботы роботами, а хорошего кота ИИ всё равно не заменит!

Одна машина резко ускоряет производство идей. Вторая новость напоминает, что в конце всей цепочки всё равно стоит пробирка.

По-моему, это один из главных парадоксов нынешнего ИИ-бума. Чем дешевле становится интеллект, тем дороже обходится реальность.

Зачем Claude понадобилась лаборатория

О лаборатории Anthropic (это компания, которая разрабатывает ИИ Claude) пока известно немного. Ни площадь, ни оборудование, ни уровень биобезопасности она не раскрывает.

Зато глава направления life sciences Эрик Каудерер-Абрамс объяснил, что окончательная проверка биологических идей ещё очень долго будет проходить физически. Часть таких опытов Anthropic заказывает у партнёров, а часть теперь может ставить сама.

В перспективе Claude должен всё активнее работать с автоматизированным лабораторным оборудованием, хотя контроль безопасности компания оставляет за людьми.

Ход довольно показательный.

Идеи это хорошо, но обычному авокадо всё равно нужно время, чтобы вырасти. В реальности время течёт медленнее, чем внутри ИИ.

Компания, главный продукт которой цифровой интеллект, начинает покупать доступ к физической обратной связи.

Потому что красивое рассуждение модели не значит ничего, пока клетка, белок или организм не подтвердили её идею на практике. Впрочем, опровергли тоже сгодится, для науки это не менее важно.

37 тысяч «учёных» за неделю

Работа Стэнфорда показывает обратную сторону того же процесса.

Профессор Джеймс Цзоу вместе с коллегами построил Virtual Biotech, виртуальную фармацевтическую компанию с ИИ-научным директором и специализированными агентами.

Для анализа клинических исследований система запустила больше 37 тысяч экземпляров ИИ-агентов.

Масштаб впечатляет. По сути каждый такой агент это аналог учёного или помощника со своим опытом.

Агенты разобрали 55 984 клинических исследования и нашли статистическую закономерность. Препараты, нацеленные на гены, чья активность сильнее привязана к определённым типам клеток, чаще удачно переходили между фазами испытаний и реже тянули за собой нежелательные явления.

На всю работу ушло меньше недели.

Живая команда такого масштаба либо стоила бы чудовищных денег, либо просто не существовала бы.

Но здесь и появляется ловушка.

Наука сильна не только количеством исследователей. Она сильна тем, что исследователи спорят друг с другом, идут разными путями и ошибаются по-разному. А тысяча одинаковых агентов способна точно так же масштабировать одну систематическую ошибку.

Три скорости науки

В современной биологии одновременно идут три разных времени.

Вычислительное. Его можно ускорять чипами, параллельными агентами и деньгами. Именно здесь сейчас и происходит огромный скачок.

Биологическое. Клетка должна разделиться. Ткань должна вырасти. Болезнь должна ответить на лечение. Побочный эффект иногда вылезает только через месяцы.

Клиническое и организационное. Нужно набрать пациентов, соблюсти протокол, пройти этическую проверку, дождаться результатов.

И первые часы сегодня убегают далеко вперёд от двух остальных.

Отсюда мой главный вывод.

Победит не тот ИИ, который способен придумать миллион экспериментов. Победит тот, который правильно объяснит, почему 999 999 из них ставить не надо.

Когда кот взял робот-пылесос под свой контроль

Кстати, именно в этом русские традиционно были сильны.

Я как-то обсуждал с одним калифорнийским профессором физики интересный парадокс.

Почему СССР не отставал от США и даже часто их опережал в физике и технологиях. Ведь США тратили на это куда больше денег, а отрасли эти крайне чувствительны к финансам. На эксперименты и материалы нужны деньги!

На что он ответил.

У нас всё идёт по классической схеме. Есть идея, отдали её экспериментатору. Тот поставил 100 опытов и отдал результат.

У вас - давали деньги лишь на 2-3 попытки эксперимента. И ваши физики так всё идеально просчитывали, чтобы эксперимент точно получился показательным!

И сейчас самое дорогое в лаборатории постепенно становится не идея как таковая. А идея, доведённая до ума, плюс право отдать ей неделю работы, реагенты и время людей.

Робот получил 36 веществ из 57

Наглядный пример уже есть, и он из материаловедения.

Автономная лаборатория A-Lab в Беркли молотила почти без остановок 17 суток. Условия синтеза подбирали алгоритмы, робот смешивал вещества и нагревал их, а оборудование анализировало, что получилось.

Замах был на 57 материалов, существование которых предсказали вычислительные системы.

Синтезировать удалось 36.

А остальные почему?

Где-то реакция шла слишком медленно. Где-то вещество попросту испарялось. Где-то вместо нужного кристалла вырастала аморфная масса. А иногда ошибочным оказывалось само исходное компьютерное предсказание.

То есть робот упёрся в ту же стену.

Расчёт утверждает, что материал должен существовать. Материя отвечает, что сначала попробуй его сделай.

ИИ выдаёт результат, но ошибается часто.

89% тех, кому ИИ экономит время, тратят на перепроверку его ответов больше десятой части этого выигрыша. Почти половина тратит больше четверти.

Вот вам и экономика новой науки.

ИИ ускоряет производство результатов и тут же создаёт новую работу, связанную с их проверкой.

Когда гипотеза почти ничего не стоит

Есть довольно простой способ увидеть, что именно меняется.

Раньше хорошая научная идея была дефицитом. Надо было перечитать литературу, заметить закономерность, придумать объяснение и только потом идти в лабораторию.

Сейчас машина накидывает десятки или сотни разумных гипотез за то время, пока исследователь пьёт свой кофе.

Значит, сама гипотеза дешевеет, а ценность уезжает дальше по цепочке.

Из тысячи идей надо выбрать ту, проверка которой даст максимум информации.

Поставить эксперимент так, чтобы он мог убить красивую гипотезу, а не просто подтвердить её.

Провести опыт воспроизводимо. И после отрицательного результата действительно поменять следующий план.

По-моему, именно поэтому учёный эпохи ИИ всё меньше похож на человека, который обязан лично придумать каждую хорошую идею. Он всё больше похож на хорошего диспетчера реальности.

Потому что ИИ может породить тысячу догадок, пока клетка разделится всего один раз. Но какая из этих догадок станет знанием, по-прежнему решает клетка.