Odkąd w 2021 r. za pomocą narzędzia AlphaFold firmy Google DeepMind rozwiązano istniejący od pół wieku problem zwijania białek, rolę sztucznej inteligencji w nauce ogólnie opisuje się w kategoriach poszukiwania podobnych przełomów: dowodów na to, że maszyny mogą rozwiązywać problemy, których ludzie nie potrafią. Anthropic forsuje jednak inny pomysł: że agenci sztucznej inteligencji mogą odgrywać najważniejszą rolę w nieestetycznej pracy pomiędzy odkryciami.
W ekskluzywnych wywiadach ogłaszających nowe partnerstwa z Instytutem Allena i Instytutem Medycznym Howarda Hughesa, dyrektor ds. nauk przyrodniczych w firmie Anthropic, Jonah Cool i Grace Huynh, dyrektor wykonawcza ds. zastosowań sztucznej inteligencji w Instytucie Allen, stwierdzili, że elitarne laboratoria naukowe wykorzystują agentów sztucznej inteligencji zasilanych przez Claude do rozwiązywania wąskich gardeł w analizie, adnotacjach i koordynacji, co może wydłużyć terminy badań do lat.
„Skompresowany XXI wiek”
Cool, biolog komórkowy i genetyk z wykształcenia, a także lider technologii, powiedział Fortune, że zainspirował go esej dyrektora generalnego Anthropic Dario Amodei z 2024 r. zatytułowanego Machines of Loving Grace, w którym argumentowano, że „biologia i medycyna wyposażone w sztuczną inteligencję pozwolą nam w ciągu pięciu do dziesięciu lat skompresować postęp, jaki biologowie poczyniliby w ciągu następnych 50–100 lat”.
Jest to pomysł, który Amodei określił jako „skompresowany wiek XXI”, który może umożliwić wszystko, od niemal powszechnej profilaktyki chorób zakaźnych i znacznego zmniejszenia umieralności na nowotwory po skuteczne leczenie zaburzeń genetycznych, choroby Alzheimera i innych chorób przewlekłych. Amodei zasugerował również, że sztuczna inteligencja może umożliwić wysoce spersonalizowane terapie, rozszerzyć kontrolę człowieka nad samą biologią, a nawet radykalnie wydłużyć długość życia w zdrowiu.
Według Coola ta wizja bezpośrednio odnosi się do wykorzystania agentów AI w nauce nie jako narzędzi zapewniających przełomy, ale jako systemy, które mogą przejąć czasochłonne zadania analizy, koordynacji i eksperymentowania, co spowalnia odkrycia w laboratoriach, umożliwiając ludziom potencjalnie dokonywanie nowych, krytycznych odkryć.
„To, czego dokonał AlphaFold, jest niesamowite” – powiedział Cool, odnosząc się do rozwiązania systemowego długotrwałego problemu zwijania białek. „Ale to, o czym tutaj mówimy, jest inne. Chodzi o współpracę z zespołami podczas całego procesu naukowego i włączanie sztucznej inteligencji do ich codziennej pracy”.
Huynh powiedział, że przejście na agentów sztucznej inteligencji w Allen Institute, organizacji non-profit zajmującej się badaniami nauk biologicznych, założonej w 2003 roku przez współzałożyciela Microsoftu Paula Allena, opiera się na narzędziach, z których korzysta już wielu badaczy, w szczególności na opracowanym przez firmę Anthropic Claude Code, który stał się popularny wśród biologów obliczeniowych. Co więcej, celem – stwierdził – nie jest wszędzie zastosowanie sztucznej inteligencji, ale skupienie się na określonych częściach procesu badawczego (takich jak zadania związane z analizą danych, które mogą zająć miesiące), w których agenci mogą wywrzeć najbardziej praktyczny wpływ i znacznie przyspieszyć prace naukowe.
Żaden badacz nie jest w stanie dostrzec wszystkich powiązań
„Zaczynamy zbliżać się do punktu, w którym „wielka nauka” staje się normą” – powiedział. Obecnie naukowcy generują tak dużo danych — od genomiki pojedynczych komórek i ogromnych zbiorów danych obrazowych po konektomię, czyli badanie połączeń neuronów w mózgu i układzie nerwowym — że żaden badacz nie jest w stanie zachować tego wszystkiego w głowie ani dostrzec każdego połączenia.
Cool wyróżnił Instytut Allena i Instytut Medyczny Howarda Hughesa jako idealnych partnerów właśnie ze względu na rolę, jaką już odgrywają w kształtowaniu współczesnej nauki. Instytut Allena stworzył jedne z najczęściej używanych zbiorów danych biologicznych na świecie, w tym szczegółowe mapy mózgu myszy pokazujące, gdzie w rzeczywistej tkance geny są aktywne. Są to zasoby, które stały się standardowymi narzędziami dla badaczy wszystkich dziedzin, nie tylko neurologii. Niedawno takie mapy osiągnęły rozdzielczość jednokomórkową, co radykalnie zwiększyło ich wartość naukową, jednocześnie znacznie utrudniając ich analizę.
W kampusie badawczym Janelia w HHMI badacze opracowali podstawowe narzędzia, takie jak wskaźniki wapnia, takie jak GCaMP, które pozwalają naukowcom obserwować działanie neuronów w czasie rzeczywistym, a także postępy w mikroskopii o super rozdzielczości, które pomogły przesunąć fizyczne granice obrazowania światłem. Cool powiedział, że nacisk na narzędzia i zbiory danych sprawia, że te instytucje są podatnym gruntem dla agentów AI: przyspieszenie analizy, dodawania adnotacji i koordynacji pomaga nie tylko jednemu laboratorium, ale rozciąga się na całą naukę.
„Nauka to fascynująca, ale bardzo powtarzalna i często bardzo żmudna praktyka” – wyjaśnił. „Coraz częściej w nauce oznacza to dużo pracy związanej z analizą i transformacją zbiorów danych” – powiedział. „Myślę, że zbliżamy się do świata, w którym będzie to nadal wymagało dużo pracy, ale… do kolejnych kroków i eksperymentów można przejść znacznie, znacznie szybciej”.
Przyszłość, w której sztuczna inteligencja może pomóc w formułowaniu hipotez
Cool opisał także przyszłość, w której agenci sztucznej inteligencji będą nie tylko analizować wyniki, ale także pomagać naukowcom w podejmowaniu decyzji, które hipotezy przyjąć, zawężając setki możliwych eksperymentów do kilku wartych przeprowadzenia, a nawet proponując nowe projekty DNA w oparciu o wzorce, których sami ludzie nie są w stanie łatwo dostrzec.
„Zmierzamy w stronę modeli, które mogą pomóc w formułowaniu hipotez” – stwierdził, w oparciu o wiedzę, którą już posiadają ludzie. „Zaczynamy od «pomóż mi ustalić priorytety hipotez, które mam», ponieważ mam ograniczoną ilość zasobów i chcę przeprowadzić wszystkie 100 eksperymentów, ale mam pieniądze tylko na 10”.
