ИИ в науке: кто на самом деле делает открытия

В начале октября по сети разошлась новость, которая заставляет пересмотреть привычное отношение к искусственному интеллекту. Лаборатория Google DeepMind, один из мировых лидеров в области ИИ, сообщила: созданная ею нейросеть GNoME предсказала более 700 новых материалов, которые уже удалось успешно синтезировать в реальных лабораториях по всему миру. Среди них 528 потенциальных твердых электролитов и 52 тысячи слоистых соединений, похожих на графен. Это открывает колоссальные перспективы для аккумуляторов следующего поколения, натрий-ионных батарей и солнечных элементов.

Первая реакция у многих была одинаковой: мы привыкли обсуждать ИИ, который пишет тексты, делает презентации и монтирует видео, но все это — поверхностные игрушки. По-настоящему мир меняет тот ИИ, который в лаборатории берет на себя работу, на которую у ученых уходили годы, и пробегает половину дистанции за человека. Однако тут же возникает вопрос: капитал слушает эту историю уже три года. Так какую же роль ИИ играет в физике, биологии и материаловедении? Исследователя? Машинистки? Или странного коллеги, который не просит зарплату, не ходит на корпоративы и при этом работает продуктивнее тебя?

Суть в том, что ИИ превратил ручной труд в науке в конвейер. Традиционные исследования — это боль, которую посторонние не видят. Аспирант первые два года в основном культивирует клетки, бегает гели, подкручивает параметры и ждет, пока отработает синхротрон. В физике расчет DFT для системы из ста атомов заставляет машину жужжать несколько дней, а человек в это время бесконечно сомневается в смысле бытия. С приходом ИИ стоимость поиска резко упала.

DeepMind опубликовала в Nature программную статью о материаловедении, ключевым результатом которой стал инструмент GNoME, ускоривший открытие неорганических кристаллических материалов. Раньше люди полагались на интуицию при подборе элементов, на опыт при обжиге и на везение при написании статей. Теперь модель сначала перебирает в виртуальном пространстве причудливые комбинации всей таблицы Менделеева. Только силами ИИ-модели GNoME предсказала 2,2 миллиона новых потенциальных кристаллических структур, из которых более 380 тысяч были признаны термодинамически стабильными совершенно новыми неорганическими материалами. Это примерно равно тому, чтобы удвоить общее количество известных стабильных неорганических материалов, накопленных человечеством за сотни лет. В отрасли говорят, что так «сжали 800 лет исследований».

ИИ читает литературу, предлагает рецептуры, роборука дозирует компоненты, печь обжигает, а рентгеновская дифракция снимает картину. Менее чем за месяц удается получить 41 новый материал. Пятерым аспирантам на такую работу может не хватить и года. Раньше человек тратил 80 процентов сил на метод проб и ошибок. Теперь перебором занимается машина, и это одновременно и отвратительно, и прекрасно: отвратительно, потому что она генерирует горы мусора, прекрасно, потому что иногда действительно находит золото.

Но не стоит заблуждаться: ИИ не открыл новых законов физики. Он сделал другое, куда более ценное — в рамках, разрешенных физикой, пробежался по комбинациям, до которых человек не додумался, не смог вообразить или не решился проверить.

В биологии, где вода глубже всего, денег больше всего, а надзор строже, логика перевернулась. Раньше фармкомпании располагали миллионами молекул, проводили высокопроизводительный скрининг, находили попадание в мишень и запускали следующий раунд, а остальное медленно умирало. Теперь наоборот: модель сначала читает тысячи статей и омиксные данные, предполагая, какая мишень действительно связана с болезнью; генеративная модель многократно перебирает молекулы в пространстве структуры, токсичности, метаболизма и патентов; агентная модель отбирает кандидатов, а самые перспективные десятки уходят в мокрую лабораторию; роботы работают с клетками и животными, строят кривые, а кривые возвращаются обратно в модель. ИИ определяет мишень, ИИ предлагает молекулу, и на ранней фазе второй стадии испытаний видно улучшение легочной функции, а к 2026 году дело доходит до третьей фазы. Это не обязательно закончится успехом, и для фармы провал на поздней стадии — не новость. Но значение в другом: впервые молекула, от начала до конца продвинутая при участии ИИ, дошла до поздней клинической фазы. ИИ управляет логикой всего трубопровода.

Один знакомый, работающий в контрактной исследовательской организации, пошутил за обедом: раньше за аспиранта, который капает раствор, мы брали деньги по часам, а теперь за робота, который капает раствор, будем брать по токенам. В будущем фармкомпании будут оценивать не по нескольким молекулам в трубопроводе, а по тому, выключен ли свет в лаборатории на ночь. Если выключен — значит, остановились. Если горит — значит, работают.

Однако эффективность модели не означает отсутствия токсичности, высокий балл не гарантирует переносимости, а бодрые животные не означают, что человек выдержит. FDA не интересуется, спроектировано ли лекарство ИИ, — важно лишь, готов ли ты подписать информированное согласие. Поэтому в биологии прорыв ИИ реален, но и границы реальны. Скорость на этапе открытия он подтянул, а на этапе разработки и надзора человек по-прежнему тащит телегу вперед.

Не стоит делать из ИИ ни спасителя, ни продвинутый Excel. За последние два года тренд «ИИ для науки» превратили в религию, будто завтра храмы опустеют, а лаборатории заполнятся роборуками. Это не так. На следующий день после выхода GNoME материаловеды писали комментарии: среди этих 2,2 миллиона структур немало уже известных полиморфов, а по-настоящему синтезируемых, масштабируемых и коммерциализируемых не так много. Успех системы автономной лаборатории A-Lab тоже не означает, что промышленность завтра все внедрит. От обжига порошка до установки в аккумуляторный отсек электромобиля — между ними испытания, патенты, выход годного, цепочки поставок, оценка жизненного цикла и еще одна фраза: «это слишком дорого».

Иными словами, ИИ снял узкое место с этапа «придумать» и уперся в этап «проверить». Раньше человек стоял в начале, теперь — в конце. Раньше не хватало идей, теперь не хватает ресурсов для проверки. У кого есть синхротрон, электронный микроскоп, GMP-цех и койки в клинике — тот и получит мяч, брошенный ИИ.

Вот почему слово «прорыв» мне не очень нравится. Прорыв — это для журналистов, а ученые говорят лишь: собирать быстрее, искать шире, ошибаться дешевле. Демис Хассис в интервью после Нобелевской премии говорил сдержанно: эти инструменты расширяют человеческую интуицию, а не отменяют человеческое суждение. Дэвид Бейкер того же мнения: дизайн белков — это цветочки, в конце все равно нужно проверять руками.

Никто из них не заявлял, что кого-то заменил, так что не будем спешить объявлять победу за них. Мне даже кажется, что в будущем дороже всего будут не те, кто умеет обучать модели, а те, кто, глядя на результаты модели, говорит: «Вот этому я не верю».

Чем лучше модели умеют сочинять, тем важнее людям уметь проверять. В истории науки так было всегда: появился телескоп — астрономы не потеряли работу, просто стали видеть дальше; появился микроскоп — биологи не остались без дела, просто стали видеть мельче; теперь появились модели — ученые не потеряют работу, просто придется привыкнуть делить стол с коллегой, который не спит, не жалуется и вечно подкидывает странные идеи.