The Economist: Может ли ИИ изменить способ проведения научных исследований?

Искусственный интеллект (ИИ) беспрецедентным образом формирует область науки. **От ускорения исследовательского процесса до создания новых исследовательских гипотез — добавление ИИ открывает огромный потенциал для науки. **

Ранее в этом году Ян ЛеКун, один из крестных отцов современного ИИ, сказал: «Усиливая человеческий интеллект, ИИ может стать толчком к новому возрождению, возможно, к новому этапу Просвещения».

Сегодня ИИ уже может ускорить и повысить эффективность некоторых существующих научных процессов, таких как открытие новых антибиотиков, новых материалов для батарей и солнечных панелей, а также прогнозирование краткосрочной погоды, контроль ядерного синтеза и многое другое. Демис Хассабис, генеральный директор Google DeepMind, сравнил ИИ с телескопом и полагал, что «ИИ может вызвать возрождение новых открытий и стать умножителем человеческой мудрости».

Однако может ли ИИ сделать больше, изменив сам способ работы науки?

Открытие на основе литературы: ИИ возглавляет открытие научных знаний

На самом деле этот сдвиг уже случался раньше.

С появлением научного метода в 17 веке исследователи начали доверять экспериментальным наблюдениям и вытекающим из них теориям, а не общепринятым представлениям древности. Создание исследовательских лабораторий в конце 19 века стимулировало инновации в самых разных областях: от химии до полупроводников и фармацевтики. Эти сдвиги не только повышают научную продуктивность, но и трансформируют саму науку, открывая новые области исследований и открытий.

Так как же тогда ИИ мог добиться аналогичной трансформации не только в создании новых результатов, но и в новых способах получения новых результатов?

**Одним многообещающим подходом является открытие на основе литературы (LBD). **

Как метод искусственного интеллекта, LBD стремится делать новые открытия путем анализа научной литературы. Еще в 1980-х годах доктор Дон Суонсон из Чикагского университета создал первую систему LBD, чтобы находить новые ассоциации в базе данных медицинских журналов MEDLINE. Одним из первых успехов этого подхода была связь болезни Рейно, заболевания системы кровообращения, с вязкостью крови, что привело к гипотезе о том, что рыбий жир может быть полезен в лечении, гипотезе, которая позже была подтверждена экспериментально. Однако возможности применения систем LBD в то время были ограничены.

В настоящее время ИИ добился значительного прогресса в обработке естественного языка (НЛП), а объем научной литературы также значительно увеличился, что делает методы LBD еще более мощными. Например, в 2019 году исследователи из Национальной лаборатории Лоуренса Беркли в США использовали методы обучения без учителя для анализа рефератов материаловедческой литературы и преобразования их в математические представления, называемые «встраиванием слов». Этот подход позволяет системам искусственного интеллекта обрести «химическую интуицию» и предлагать новые материалы, которые могут иметь определенные свойства. После экспериментальной проверки все десять лучших материалов-кандидатов показали отличные результаты.

Недавняя статья социологов Чикагского университета Джамшида Сурати и Джеймса Эванса, опубликованная в журнале Nature Human Behavior, по-новому расширяет этот подход. Исследователи обучили систему учитывать как концепции, так и авторов, и добились лучших результатов, чем раньше. Более того, они требуют, чтобы система избегала основных направлений исследований и выявляла «чужие» гипотезы, которые вряд ли будут обнаружены при нормальных обстоятельствах. Такой подход не только помогает ускорить научные открытия, но и выявляет новые «слепые пятна».

Сегодня системы LBD могут не только генерировать новые исследовательские гипотезы, но также выявлять потенциальных партнеров и способствовать междисциплинарному сотрудничеству. Применение этого метода расширяется для обработки различных типов документов, таких как таблицы, диаграммы и рисунки, что обеспечивает более широкую поддержку ученым.

Ученый-робототехник: искусственный интеллект возглавляет лабораторную революцию

**Учёные-роботы представляют собой ещё одну интересную разработку, выходящую за рамки традиционной автоматизации лабораторий. **Они приобретают базовые знания о конкретной области исследований в виде данных, исследовательских работ и патентов, затем генерируют гипотезы, проводят эксперименты, оценивают результаты и, в конечном итоге, открывают новые научные знания.

«Адам» из Аберистуитского университета — пионер роботов-учёных. Он добился первого независимого открытия новых научных знаний. Типичным примером является эксперимент по взаимосвязи генов и ферментов в метаболизме дрожжей.

Более сложные ученые-роботы, такие как «Ева», используют машинное обучение для создания «количественных связей структура-активность» (QSAR) — математических моделей, которые связывают химические структуры с биологическими эффектами — при планировании и анализе экспериментов. Ева уже использовалась в разработке лекарств, успешно обнаружив, что триклозан, противомикробное соединение, используемое в зубной пасте, ингибирует ключевой механизм паразита, вызывающего малярию.

Когда-то перспектива того, что машины победят лучших игроков-людей, казалась отдаленной на десятилетия, но технологии развиваются быстрее, чем ожидалось. Поскольку ученые-роботы становятся все более способными, появится возможность противопоставить будущим ученым-роботам системы искусственного интеллекта, которые умеют играть в шахматы.

Росс Кинг, исследователь ИИ из Кембриджского университета, создавший Адама, сказал: «Если ИИ сможет исследовать всё пространство гипотез или даже расширить это пространство, то это может показать, что люди исследуют лишь небольшую часть пространства гипотез. возможно, из-за их собственных научных предубеждений.

Ученые-роботы уникальным образом изменили научные исследования, решив проблемы эффективности в научной сфере. Ученые-роботы могут решить эту проблему с помощью систем, управляемых искусственным интеллектом, поскольку машины могут выполнять лабораторную работу быстрее, дешевле и точнее, чем люди. и может работать круглосуточно. Кроме того, они могут обеспечить воспроизводимые экспериментальные результаты и смягчить кризис воспроизводимости.

Потенциал и проблемы ИИ в науке

**Хотя ИИ обладает огромным потенциалом в науке, он также сталкивается с некоторыми проблемами. **

Помимо более совершенного аппаратного и программного обеспечения и более тесной интеграции между ними, существует также потребность в большей совместимости между системами лабораторной автоматизации, а также в общих стандартах, которые позволяют алгоритмам ИИ обмениваться и интерпретировать семантическую информацию. Еще одним препятствием является незнание учеными инструментов на основе ИИ. Кроме того, некоторые исследователи обеспокоены тем, что автоматизация поставит под угрозу их работу.

Однако влияние ИИ сейчас «далеко идущее и всеобъемлющее», сказала доктор Иоланда Гил, ученый-компьютерщик из Университета Южной Калифорнии. Многие ученые сейчас «активно ищут партнеров по искусственному интеллекту». Осознание потенциала ИИ растет, особенно в области материаловедения и разработки лекарств, где специалисты-практики создают свои собственные системы ИИ.

В целом научные журналы изменили способ, которым ученые находят информацию и учатся друг у друга. Научно-исследовательские лаборатории расширили масштабы экспериментов и осуществили индустриализацию экспериментов. Расширяя и объединяя первые две революции, ИИ действительно может изменить способ проведения научных исследований.

Справочные ссылки: