Примечание редактора: сегодня в Лондоне компания Google DeepMind и Королевское общество совместно провели первый форум «ИИ для науки», на котором собрались нобелевские лауреаты, научное сообщество, политики и лидеры отрасли, чтобы изучить преобразовательный потенциал ИИ для достижения научных прорывов. решить самые насущные проблемы мира и привести к новой эре открытий.

Джеймс Маньика, старший вице-президент Google по поиску, технологиям и обществу, выступил с основным докладом; Ниже приводится расшифровка его выступления, подготовленная к выступлению.

Влияние ИИ на науку недавно было в заголовках газет, но потенциал ИИ для продвижения науки уже давно является мотивирующей силой для многих специалистов в этой области, начиная с первых исследователей ИИ, таких как Алан Тьюринг и Кристофер Лонге-Хиггинс, а также многие за последние десятилетия, включая моих коллег из Google DeepMind и Google Research.

Энтузиазм вокруг ИИ и науки вызван не верой в то, что ИИ может заменить ученых, а тем фактом, что многие загадочные научные проблемы выигрывают от использования вычислительных методов, что делает ИИ мощным инструментом помощи ученым.

Первые признаки этого вспомогательного потенциала мы увидели, когда Ходжкин и Хаксли использовали вычислительные подходы для описания того, как нервные импульсы проходят по нейронам, — работа, которая принесла им Нобелевскую премию в 1963 году.

Перенесемся к моим коллегам Демису Хассабису, Джону Джамперу и команде AlphaFold, чья работа с использованием ИИ недавно получила Нобелевскую премию по химии, решив «проблему сворачивания белка», поставленную нобелевским лауреатом Кристианом Анфинсеном в 1970-х годах.

Так как же ИИ помогает развитию науки?

Начну со скорости. В некоторых научных областях все более мощный ИИ позволяет нам сжать сотни, даже тысячи лет исследований в несколько лет, месяцев или даже дней.

ИИ также помогает расширить сферу исследований, позволяя ученым изучать множество вещей одновременно – и новыми способами – а не по одному.

Достижения в области искусственного интеллекта, а также доступ к знаниям, полученным в результате его использования, позволяют большему количеству людей участвовать в исследованиях, что позволяет нам еще больше ускорить научные открытия.

ИИ обеспечивает исторические достижения в нескольких научных дисциплинах

Позвольте мне кратко поделиться несколькими примерами того, как ИИ способствует историческим достижениям, начиная с AlphaFold:

С помощью AlphaFold мои коллеги за один год смогли предсказать структуру практически всех известных науке белков, а их более 200 миллионов. А с Alphafold 3 они вышли за рамки белков и распространились на все биомолекулы жизни, включая ДНК, РНК и лиганды.

На сегодняшний день AlphaFold используется более чем 2 миллионами исследователей в более чем 190 странах, работающих над проблемами, начиная от забытых болезней и заканчивая устойчивыми к лекарствам бактериями.

AlphaMissense, основанная на AlphaFold, позволила моим коллегам классифицировать почти 90% из 71 миллиона возможных миссенс-вариантов (однобуквенных замен в ДНК) как вероятно патогенные или вероятно доброкачественные. Напротив, только 0,1% были подтверждены экспертами-людьми, хотя и более подробно.

Когда геном человека был первоначально секвенирован – невероятное достижение – он был основан на единой сборке генома.

В прошлом году мои коллеги из Google Research, используя инструменты искусственного интеллекта и работая с консорциумом академических сотрудников, опубликовали первый проект эталонного пангенома человека.

Это было основано на 47 сборках генома, что лучше отражает генетическое разнообразие человека.

В области нейробиологии в результате 10-летнего сотрудничества моих коллег из Google Research, Института Макса Планка и Гарвардской лаборатории Лихтмана недавно было создано наномасштабное картирование части человеческого мозга — уровень детализации, которого раньше не было. достиг.

Этот проект выявил ранее невидимые структуры в человеческом мозге, которые могут изменить наше понимание того, как работает человеческий мозг. Возможно, это приведет нас к новым подходам к пониманию и борьбе с неврологическими заболеваниями, такими как болезнь Альцгеймера и другие. Полное картографирование было обнародовано, чтобы исследователи могли черпать из него вдохновение.

Помимо наук о жизни, мы наблюдаем прогресс и в других областях.

Это знаковое достижение в моделировании климата: мы объединили машинное обучение с традиционным физическим подходом для создания NeuralGCM.

Это позволяет нам моделировать атмосферу более точно и эффективно: NeuralGCM может моделировать более 70 000 дней атмосферы, в то время как современной физической модели потребуется всего 19 дней.

Есть и другие подобные достижения, такие как работа моих коллег из Google DeepMind над GraphCast, передовой моделью искусственного интеллекта, которая предсказывает погодные условия на 10 дней вперед более точно и намного быстрее, чем эталонный прогноз погоды в отрасли. система моделирования.

Наша команда по квантовому искусственному интеллекту добивается прогресса в вопросах, которые раньше были научной фантастикой, таких как изучение характеристик проходимых червоточин.

Это открывает новые возможности для проверки теорий квантовой гравитации, впервые выдвинутых с помощью моста Эйнштейна-Розена почти девяносто лет назад.

Фактически, квантовая область — это область, в которой мы начинаем видеть многообещающее двунаправленное усиление между ИИ и наукой.

В каком-то смысле ИИ способствует нашему прогрессу в области квантовых вычислений; с другой стороны, квантовая энергия помогает продвигать исследования в области искусственного интеллекта.

Есть много других примеров, над которыми мы работаем в области материаловедения, термоядерного синтеза, математики и т. д., и все это в сотрудничестве со многими академическими учеными.

Научные достижения, ставшие возможными благодаря ИИ, оказывают реальное влияние

Помимо этих достижений, ИИ также продвигает науку таким образом, что уже приносит ощутимую пользу реальным людям в таких областях, как климат и здравоохранение.

Позвольте мне начать с примера, связанного с адаптацией к изменению климата. Прогнозирование наводнений становится более частой и актуальной проблемой из-за изменения климата. Сегодня достижения в области искусственного интеллекта позволили нам заполнить важные пробелы в данных и прогнозировать наводнения рек на 7 дней вперед с той же точностью, что и прогнозы текущей погоды. После первого пилотного проекта в Бангладеш наша платформа раннего предупреждения Flood Hub теперь охватывает более 100 стран и 700 миллионов человек.

В качестве примера смягчения последствий изменения климата рассмотрим следующее: Образование инверсионных следов уже давно является известным фактором авиационной эмиссии, на его долю приходится до 35% воздействия авиации на глобальное потепление.

Мои коллеги из Google Research разработали модель искусственного интеллекта, которая предсказывает, где могут образоваться инверсионные следы, и в сотрудничестве с American Airlines протестировали ее на 70 рейсах. Мы измерили воздействие и увидели сокращение выбросов на 54%.

Аналогичным образом, ИИ открывает большие перспективы для выявления заболеваний. Например, восемь лет назад исследователи Google обнаружили, что ИИ может помочь точно интерпретировать результаты сканирования сетчатки для выявления диабетической ретинопатии — предотвратимой причины слепоты, от которой страдают около 100 миллионов человек.

Мы разработали инструмент скрининга, который использовался более чем в 600 000 скринингов по всему миру. А новые партнерства в Таиланде и Индии позволят провести 6 миллионов просмотров в течение следующего десятилетия.

Дорога впереди

Другие примеры, которые мы реализовали, включают туберкулез, колоректальный рак, рак молочной железы и здоровье материнства.

Несмотря на прогресс, это только начало. Еще так много предстоит сделать.

Я вижу три ключевые области, на которых следует сосредоточиться, чтобы полностью реализовать потенциал ИИ для развития науки и получения ощутимых социальных выгод:

Во-первых, мы должны продолжать добиваться прогресса в устранении текущих ограничений и недостатков ИИ – и расширять возможности ИИ, чтобы он мог вносить вклад в разработку новых научных концепций, теорий, экспериментов и многого другого.

Во-вторых, нам нужна прочная приверженность научным методам и ответственным подходам к использованию ИИ для развития науки.

Нам нужны ученые, специалисты по этике и эксперты по безопасности – как и многие в этом зале – работающие вместе для решения большинства специфических для науки рисков, таких как вирусы и биологическое оружие, а также таких проблем, как предвзятость в наборах данных, сохранение конфиденциальности и воздействие на окружающую среду.

В-третьих, мы должны уделить приоритетное внимание тому, чтобы сделать исследования, инструменты и ресурсы на основе ИИ более доступными для большего числа ученых в большем количестве мест – и гарантировать, что достигнутый нами прогресс принесет пользу людям во всем мире.

Я воодушевлен тем, что ждет нас впереди в эту новую эпоху открытий.

Мы можем сделать так много вместе, чтобы создать инструменты, которые помогут продвигать науку на благо всех.

И мы можем многое сделать, чтобы выдающиеся ученые здесь и за рубежом могли продолжить свою работу – сегодня мы услышим мнение некоторых из них.