Néhány évtizedenként felbukkan az a gondolat, hogy a tudomány már elérte határait. A múlt század elején például Albert A. Michelson azt írta, hogy a fizika tényanyaga nagyrészt felfedezett; később, a 20. század végén Stephen Hawking merész jóslatot tett elméleti fizika jövőjéről. A mesterséges intelligencia térnyerésével ez az érzés ismét erősödik — most részben Nobel-díjas eredmények miatt is.
2024-ben Demis Hassabis és John Jumper, a Google DeepMind kutatói a kémiai Nobel-díj egy részét kapták az AlphaFold nevű neurális hálóért, amely a háromdimenziós fehérjeszerkezetek előrejelzésére képes, megtanulva ezeket több tízezer, kísérletileg meghatározott alakból. Az évtizedek óta megoldatlan problémát sokan végérvényesen megoldottnak érezték, és a siker hatására rengeteg startup kezdett alapmodellekre építve biológiai, kémiai és anyagtudományi alkalmazásokat fejleszteni, jelentős tőkebevonást generálva.
Mi volt AlphaFold sikerének feltétele?
AlphaFold fő előfeltétele a Protein Data Bank megléte volt: ez körülbelül 170 000 kísérletileg igazolt fehérjestruktúrát tartalmazó adattár, amelyen a DeepMind csapata betanította modelljét. A Protein Data Bank létrehozása nem egyik napról a másikra történt: nemzetközi tudományos együttműködés és, egy friss becslés szerint, nagyjából 21 milliárd dollárnyi kísérleti munka 53 évét igényelte. Ilyen volumenű, koordinált adatgyűjtési projektek finanszírozása és megszervezése nehéz, sokszor sikertelen vállalkozás.
Még ahol megvannak a kohézió és a források, további akadályt jelenthet az, hogy bizonyos tudományterületeken egyszerűen lehetetlen hasonlóan összehasonlítható, nagy pontosságú és konzisztens adatokat előállítani. A fehérjestruktúrák esetében a fehérjekristallográfia olyan reprodukálható és megbízható technika, hogy több mint 25 Nobel-díj is támaszkodott rá. A legtöbb kísérleti tudományban viszont az eredmények gyakran ingadoznak: sejtvonalak eltolódnak, anyagokban nyomnyi szennyeződés jelentkezik, a laboratóriumi páratartalom változik. Ahhoz, hogy a modern neurális hálókhoz elegendő, konzisztensebb és skálázható méréssorozat álljon rendelkezésre a legtöbb biológiai vagy kémiai kérdéshez, új mérési eljárásokra és standardizálási módokra lenne szükség — amelyek nem fognak rövid időn belül rendelkezésre állni.
Hol lehetnek további AlphaFold-szerű áttörések?
Vannak kivételek: az időjárás-előrejelzés, a genomika bizonyos területei és szűkebb kémiai alkalmazások már eleve rendelkeznek jól strukturált, nagy mennyiségű adattal, ezért ezekben várhatók AlphaFold-szerű eredmények (ha még nem születtek meg). Az ilyen adatprojektek állami támogatása kulcsfontosságú lehet — erre hívta fel a figyelmet az US National Security Commission on Emerging Biotechnology is.
Az alternatíva: érvelő ügynökök (AI agents)
A legtöbb nyitott tudományos kérdés rövid távon más megoldást kíván. A kutatás során a szakemberek régóta érvelnek bizonytalan adatok alapján: vegyészeti számításokat, ismert szerkezeteket, molekuladinamikai szimulációkat és néhány kötődési tesztet kombinálnak, és szakmai megítélésükre hagyatkozva súlyozzák az egyes módszereket. A tudományszerűség lényege nem egyetlen eszközben rejlik, hanem abban, hogy sok eszköz eredményét szintetizáljuk és folyamatosan felülvizsgáljuk az új bizonyítékok fényében. Ezentúl azonban megjelentek olyan szoftveres eszközök, amelyek ezt digitálisan is képesek utánozni.
Az „ügynök” (agent) egyszerűen egy olyan mesterséges intelligencia-rendszer, amely hozzáférést kap eszközökhöz — digitális vagy fizikai — és képes azokat használni. Az elmúlt években bekövetkezett alapvető architekturális váltás a nagy nyelvi modellek körül lehetővé tette ezeknek a programoknak a gyors elterjedését, és csökkentette annak szükségességét, hogy minden tudományos feladathoz speciális, nagyméretű adatbázisokat gyűjtsünk. Számukra ez alapvető változást jelent: képesek modellezni a kutatás iteratív, feltételes jellegét, és általános, sokoldalú eszközként működnek.
Példa: Google AI Co-Scientist
Google AI Co-Scientist néven májusban bejelentett rendszerre példa, amelynek egy oldalas felkérést és egy célt adtak: derítse ki, hogyan terjed az antibiotikum-rezisztencia fajok között. A rendszer alügynököket hozott létre: az egyik irodalmi hipotéziseket fogalmazott meg, egy másik kritikusan elemezte azokat, egy harmadik versenyeket rendezett a legjobb jelöltek kiválasztására, egy negyedik pedig finomította a nyertes elképzelést. A rendszer arra a következtetésre jutott, hogy a rezisztencia-genek bakteriális vírusok (fágok) segítségével „utaznak”, amelyeket a gép úgy azonosított, hogy képesek más gazdafajokba bejuttatni a géneket. Ez a hipotézis helyesnek bizonyult; ugyanarra az eredményre egy imperial college-i (Imperial College London) kutatócsoport mintegy egy évtizedes nedves laboratóriumi munkával jutott el — egy, a Co-Scientist által korábban nem ismert tanulmány még éppen peer review alatt állt.
Műszaki és szerkezeti hatások
Az ügynökök még újak, és valós kihívások állnak előttünk: hajlamosak téveszméket (hallucinációkat) előállítani, ítéletalkotásuk nem mindig konzisztens, van memóriájukra és bemeneti korlátaikra vonatkozó korlát, amelyek befolyásolják, mennyi ideig képesek autonóm módon futni. Ezek a technikai akadályok azonban várhatóan csökkenni fognak. Ahogy ez megtörténik, az ügynökök több szempontból is megsokszorozhatják a tudomány megbízhatóságát, konzisztenciáját és sebességét.
Először is, strukturális megoldást kínálhatnak a replikálhatósági válságra: az ügynökök automatikusan naplóznak minden lépést, amit tesznek, így pontos feljegyzést készítenek az alkalmazott módszerről, ami lehetővé teszi és megkönnyíti az eredmények reprodukálását. Másodszor, felerősítik a tudományos emlékezetet: amíg a tudás átadása emberek között gyakran töredezett és nehezen követhető, az ügynökök révén egy laboratórium teljes tudományos története központi, szabványosított adattárban rögzíthető.
Legvégül pedig a sebesség: ha egy ötlet kipróbálása kevesebb időt vesz igénybe, mint a vita róla egy megbeszélésen, a kutatók kevésbé haboznak, és egyszerűen lefuttatják a tesztet. Egy ügynök, amely képes órán belül ezer cikket feldolgozni, több száz molekulát megtervezni és másnapi visszajelzésre tanulni a sikertelen kísérletekből, drasztikusan csökkenti a kísérletezés költségeit, és megváltoztatja a tudományos tempót. Emellett lehetőséget ad a kutatóknak, hogy merész, eddig kockázatosnak tartott kérdések után kutassanak.
Milyen szerepe lesz az AlphaFoldnak és mi az ügynökök jelentősége?
Az AlphaFold típusú megoldások továbbra is kulcsfontosságúak lesznek bizonyos áttörésekhez, de önmagukban nem visznek el minket a „tudomány végéhez”. Ezzel szemben az ügynökök egy sokkal ritkább, de jóval szélesebb hatáskörű áttörést képviselnek: olyan eszközt, amely egyszerre vonja be a tudomány legtöbb területét. Az ilyen hatáskörű eszközök történelmileg csak néhányszor jelentek meg (ká lculus, statisztikai következtetés, spektroszkópia, a számítógép), mind megnyitottak új problémaköröket, és újraformálták a tudományterületeket. Az érvelő ügynökök révén egy újabb ilyen transzformáció küszöbén állunk.
Szerzők és háttér
Eric Schmidt 2001 és 2011 között volt a Google vezérigazgatója. 2024-ben feleségével, Wendyvel megalapította a Schmidt Sciences nevű jótékonysági kezdeményezést, amely a tudomány és a technológia szokatlan kutatási területeit támogatja. Suhas Mahesh a Schmidt Sciences AI Centerén belül vezeti az AI for Science munkát, és anyagkutatásra fókuszáló AI szakértő. További kutatási közreműködő Maya Levin, aki Eric Schmidt irodájában volt associate és sciences lead.
