The Economist: Чи може ШІ змінити спосіб проведення наукових досліджень?

Штучний інтелект (ШІ) формує сферу науки безпрецедентним чином. ** Додавання штучного інтелекту дає величезний потенціал для науки: від прискорення дослідницького процесу до створення нових дослідницьких гіпотез. **

Раніше цього року Янн ЛеКун, один із хрещених батьків сучасного штучного інтелекту, сказав: «Збільшуючи людський інтелект, ШІ може спровокувати нове відродження, можливо, новий етап Просвітництва».

Сьогодні штучний інтелект вже може зробити деякі існуючі наукові процеси швидшими та ефективнішими, наприклад, відкриття нових антибіотиків, нових матеріалів для батарей і сонячних панелей, а також прогнозування короткострокової погоди, керування ядерним синтезом тощо. Деміс Хассабіс, генеральний директор Google DeepMind, порівняв штучний інтелект з телескопом і вважає, що «штучний інтелект може призвести до ренесансу нових відкриттів і стати примножувачем людської мудрості».

Однак чи може ШІ зробити більше, змінивши спосіб роботи самої науки?

Літературні відкриття: штучний інтелект лідирує у відкритті наукових знань

Насправді цей зсув був і раніше.

З появою наукового методу в 17 столітті дослідники почали довіряти експериментальним спостереженням і теоріям, виведеним з них, а не загальноприйнятій думці давнини. Створення дослідницьких лабораторій наприкінці 19 століття стимулювало інновації в різних галузях: від хімії до напівпровідників і фармацевтики. Ці зміни не тільки збільшують наукову продуктивність, вони також трансформують саму науку, відкриваючи нові сфери досліджень і відкриттів.

Тож як штучний інтелект міг досягти подібної трансформації тоді, не лише у створенні нових результатів, але й у нових способах отримання нових результатів?

**Одним із багатообіцяючих підходів є відкриття на основі літератури (LBD). **

Як метод штучного інтелекту LBD має на меті робити нові відкриття шляхом аналізу наукової літератури. Ще в 1980-х роках доктор Дон Свонсон з Чиказького університету створив першу систему LBD для пошуку нових асоціацій у базі даних медичних журналів MEDLINE. Одним із перших успіхів цього підходу було встановлення зв’язку між хворобою Рейно, захворюванням системи кровообігу, і в’язкістю крові, що призвело до гіпотези, що риб’ячий жир може бути корисним у лікуванні, гіпотеза, яка пізніше була підтверджена експериментально. Однак охоплення систем LBD у той час було обмеженим.

Зараз штучний інтелект досяг значного прогресу в обробці природної мови (NLP), а кількість наукової літератури також значно зросла, що робить методи LBD ще потужнішими. Наприклад, у 2019 році дослідники з Національної лабораторії імені Лоуренса Берклі в Сполучених Штатах використовували методи навчання без нагляду, щоб аналізувати анотації літератури з матеріалознавства та перетворювати їх у математичні уявлення, які називаються «вбудовуваннями слів». Цей підхід дозволяє системам ШІ отримати «хімічну інтуїцію» та пропонувати нові матеріали, які можуть мати певні властивості. Після експериментальної перевірки всі десять матеріалів-кандидатів показали відмінні показники.

Недавня стаття, опублікована в Nature Human Behavior соціологами Чиказького університету Джамшидом Сураті та Джеймсом Евансом, розширює цей підхід новим способом. Дослідники навчили систему враховувати як концепції, так і авторів і досягли кращих результатів, ніж раніше. Крім того, вони вимагають, щоб система уникала основних напрямків досліджень і виявляла «чужі» гіпотези, які навряд чи вдасться відкрити за звичайних обставин. Такий підхід не тільки допомагає прискорити наукові відкриття, але й відкриває нові «сліпі плями».

Сьогодні системи LBD можуть не тільки створювати нові дослідницькі гіпотези, але й виявляти потенційних партнерів і сприяти міждисциплінарній співпраці. Застосування цього методу розширюється для обробки різних типів документів, таких як таблиці, діаграми та рисунки, надаючи більш широку підтримку науковцям.

Вчений-робот: ШІ веде революцію в лабораторії

**Науковці-роботи представляють ще одну захоплюючу розробку за межі традиційної лабораторної автоматизації. **Вони отримують базові знання про конкретну область досліджень у формі даних, дослідницьких статей і патентів, потім генерують гіпотези, проводять експерименти, оцінюють результати та, зрештою, відкривають нові наукові знання.

«Адам» з Університету Аберіствіта є піонером роботів-вчених. Він досяг першого незалежного відкриття нових наукових знань. Експеримент щодо взаємозв’язку між генами та ферментами в метаболізмі дріжджів є типовим випадком.

Більш складні вчені-роботи, такі як «Єва», використовують машинне навчання для створення «кількісних зв’язків між структурою та активністю» (QSAR) — математичних моделей, які пов’язують хімічні структури з біологічними ефектами — під час планування та аналізу експериментів. Єву вже використовували для відкриття ліків, успішно виявивши, що триклозан, антимікробна сполука, яка використовується в зубній пасті, пригнічує ключовий механізм у паразита, який викликає малярію.

Колись перспектива того, що машини переможуть найкращих гравців-людей, здавалася ще далекою через десятиліття, але технології розвиваються швидше, ніж очікувалося. Оскільки вчені-роботи стають дедалі більш здібними, майбутні вчені-роботи зможуть протистояти системам ШІ, які можуть грати в шахи.

Росс Кінг, дослідник штучного інтелекту з Кембриджського університету, який створив Адама, сказав: «Якщо штучний інтелект може дослідити весь простір гіпотез або навіть розширити цей простір, то це може показати, що люди досліджують лише невелику частину простору гіпотез, можливо, через їхні власні наукові упередження.

Вчені-роботи трансформували наукові дослідження в унікальний спосіб, вирішуючи проблеми ефективності в науковій сфері. Ефективність наукових досліджень поступово падає, і важко сприяти розвитку передових знань. Роботи-науковці можуть вирішити цю проблему за допомогою систем, керованих ШІ, оскільки машини можуть виконувати лабораторну роботу швидше, дешевше та точніше, ніж люди, і може працювати цілодобово. Крім того, вони можуть забезпечити відтворювані експериментальні результати та полегшити кризу відтворюваності.

Потенціал і виклики ШІ в науці

**Хоча ШІ має великий потенціал у науці, він також стикається з деякими проблемами. **

На додаток до кращого апаратного та програмного забезпечення та більш тісної інтеграції між ними, також існує потреба у більшій сумісності між системами автоматизації лабораторій, а також у загальних стандартах, які дозволяють алгоритмам ШІ обмінюватися та інтерпретувати семантичну інформацію. Ще однією перешкодою є недостатнє знайомство вчених з інструментами на основі ШІ. Крім того, деякі дослідники стурбовані тим, що автоматизація загрожуватиме їхнім робочим місцям.

Однак вплив штучного інтелекту зараз є «далекосяжним і всеохоплюючим», — сказала доктор Йоланда Гіл, комп’ютерний науковець з Університету Південної Каліфорнії. Зараз багато вчених «активно шукають партнерів зі штучного інтелекту». Усвідомлення потенціалу штучного інтелекту зростає, особливо в галузі матеріалознавства та розробки ліків, де фахівці-практики створюють власні системи ШІ.

Загалом наукові журнали змінили спосіб, у який вчені знаходять інформацію та навчаються один у одного. Дослідницькі лабораторії розширили масштаби експериментів і здійснили індустріалізацію експериментів. Розширивши та поєднавши перші дві революції, штучний інтелект справді може змінити спосіб проведення наукових досліджень.

Довідкові посилання: