AlphaFold شرکت DeepMind می تواند آینده علم و هوش مصنوعی باشد


در اینجا یک فکر وجود دارد: هوش مصنوعی – برای چه چیزی خوب است؟

با توجه به انرژی، سرمایه گذاری و هیاهو در فضای هوش مصنوعی، و همچنین شواهد غیرقابل انکار پیشرفت تکنولوژی، ممکن است این امر بسیار عجیب به نظر برسد. به هر حال، هوش مصنوعی امروز می تواند هر انسانی را در بازی های مختلف از شطرنج گرفته تا استارکرافت (DeepMind’s AlphaZero و AlphaStar) شکست دهد. می تواند یک مقاله تاریخچه دانشگاه B را در چند ثانیه با چند دستور بنویسد (GPT-3 OpenAI). می تواند تصاویر بر اساس تقاضای خلاقیت و کیفیت شگفت انگیز را ترسیم کند (DALL-E 2 OpenAI).

برای طرفداران هوش مصنوعی مانند سام آلتمن، مدیر عامل OpenAI، این پیشرفت‌ها خبر از دورانی می‌دهند که «ابزارهای خلاقانه هوش مصنوعی از زمان خود رایانه بیشترین تأثیر را بر جریان کار خلاق خواهند داشت». توییت کرد ماه گذشته. ممکن است درست باشد. اما در اینجا و اکنون، من هنوز تا حدودی تحت فشار مانده ام.

نه دقیقاً بر اساس آنچه که این ابزارهای هوش مصنوعی می توانند انجام دهند. تایپ کردن یک فرمان کوتاه در DALL-E 2 و بازگشت، بگویید:یک نقاشی قرون وسطایی که در آن وای فای کار نمی کند” احساس نزدیکی به جادو می کند. با این حال، انسان‌ها می‌توانند مقاله بنویسند و انسان‌ها می‌توانند تصاویر بکشند، و در حالی که GPT-3 و DALL-E 2 می‌توانند این وظایف را انجام دهند. سریع تر، آنها واقعا نمی توانند آنها را انجام دهند بهتر. آنها در سرعت فوق بشری هستند نه کیفیت. (استثنا در گروه فوق، مدل بازی DeepMind است که واقعاً فوق بشری است – فقط از استاد شکست خورده Go بپرسید Lee Se-dol – اما تا زمانی که این مهارت‌های هوش مصنوعی در دنیای واقعی بسیار پیچیده‌تر به کار گرفته شوند، بیشتر جالب است. پروژه تحقیقاتی.)

بنابراین هوش مصنوعی می‌تواند جذاب و جالب و حتی کمی ترسناک باشد، اما آنچه که هنوز نیست واقعاً می‌تواند نقشی حیاتی در حل مشکلات مهم بازی کند – چیزی که می‌توان در این واقعیت مشاهده کرد که همه این پیشرفت‌ها هنوز انجام شده‌اند. برای افزایش آمار کاهش بهره وری آمریکا.

به همین دلیل است که اخبار اخیر در مورد AlphaFold، یک مدل هوش مصنوعی از DeepMind که می‌تواند ساختار سه بعدی پروتئین‌ها را پیش‌بینی کند، واقعاً بی‌نظیر به نظر می‌رسد – نه فقط یک عصر جدید در هوش مصنوعی، بلکه یک عصر جدید در علم مفید و مهم را منعکس می‌کند.

یک “چالش بزرگ” حل شد

برای دهه‌ها، زیست‌شناسان مولکولی تلاش کرده‌اند آنچه را که به عنوان «مشکل تاخوردگی پروتئین» شناخته می‌شود، حل کنند.

پروتئین ها محرک های بیولوژیکی همه چیز از ویروس ها گرفته تا انسان ها هستند. آنها قبل از اینکه به شکل های سه بعدی منحصر به فرد تا شوند، به عنوان رشته هایی از ترکیبات شیمیایی شروع می شوند. ماهیت این اشکال – به اندازه اسیدهای آمینه تشکیل دهنده آنها – مشخص می کند که پروتئین ها چه کاری می توانند انجام دهند و چگونه می توان از آنها استفاده کرد.

پیش‌بینی شکلی که یک پروتئین بر اساس توالی اسید آمینه‌اش به خود می‌گیرد به زیست‌شناسان اجازه می‌دهد تا عملکرد آن و نحوه ارتباط آن با سایر فرآیندهای مولکولی را بهتر درک کنند. داروها اغلب با استفاده از اطلاعات ساختاری پروتئین طراحی می‌شوند و پیش‌بینی تاخوردگی پروتئین می‌تواند کشف دارو را در میان سایر حوزه‌های علم سرعت بخشد.

با این حال، مسئله در مشکل تاخوردگی پروتئین این است که شناسایی ساختار نهایی یک پروتئین عموماً سال‌ها کار آزمایشگاهی سخت برای دانشمندان طول کشیده است. چیزی که محققان به آن نیاز داشتند یک الگوریتم هوش مصنوعی بود که بتواند به سرعت شکل نهایی یک پروتئین را شناسایی کند، درست همانطور که امروزه سیستم های بینایی کامپیوتری می توانند چهره انسان را با دقت شگفت انگیزی شناسایی کنند. تا همین چند سال پیش، بهترین رویکردهای زیست‌شناسی محاسباتی برای پیش‌بینی تاخوردگی پروتئین، هنوز بسیار پایین‌تر از دقتی بود که دانشمندان از کار تجربی انتظار داشتند.

وارد AlphaFold شوید. یکی دیگر از محصولات DeepMind، شرکت هوش مصنوعی مستقر در لندن که توسط گوگل (که بعداً به آلفابت تبدیل شد) در سال ۲۰۱۴ خریداری شد، AlphaFold یک مدل هوش مصنوعی است که برای پیش‌بینی ساختار سه بعدی پروتئین‌ها طراحی شده است. AlphaFold رقابت را در یک چالش دوسالانه پیش‌بینی ساختار پروتئین در اواخر سال ۲۰۲۰ منفجر کرد و تقریباً به همان اندازه کار آزمایشی استاندارد طلا را انجام داد، اما بسیار سریع‌تر.

AlphaFold ساختارهای پروتئین را از طریق یک شبکه عصبی یادگیری عمیق که بر روی هزاران پروتئین شناخته شده و ساختار آنها آموزش داده شده است، پیش بینی می کند. این مدل از اتصالات شناخته شده برای یادگیری سریع پیش‌بینی شکل پروتئین‌های دیگر استفاده کرد، تقریباً به همان روشی که سایر مدل‌های یادگیری عمیق می‌توانند مقادیر زیادی داده – در مورد GPT-3، حدود ۴۵ ترابایت داده‌های متنی – را دریافت کنند. پیش بینی آنچه در آینده خواهد آمد

AlphaFold توسط مجله شناسایی شد علوم پایه به عنوان موفقیت سال ۲۰۲۱، شکست دادن نامزدهایی مانند قرص های ضد ویروسی کووید-۱۹ و استفاده از ویرایش ژن CRISPR در بدن انسان. یک کارشناس حتی تعجب کرد اگر آلفا فولد به اولین هوش مصنوعی برنده جایزه نوبل تبدیل شود.

“عصر جدید زیست شناسی دیجیتال”

پیشرفت ها همچنان در حال آمدن هستند.

هفته گذشته، DeepMind اعلام کرد که محققان از سراسر جهان از AlphaFold برای پیش‌بینی ساختار حدود ۲۰۰ میلیون پروتئین از ۱ میلیون گونه استفاده کرده‌اند که تقریباً تمام پروتئین‌های شناخته شده برای انسان را پوشش می‌دهد. همه این داده ها به صورت رایگان در پایگاه داده ای که توسط DeepMind و شریک آن، موسسه بیوانفورماتیک اروپایی آزمایشگاه بیولوژی مولکولی اروپا راه اندازی شده است، در دسترس قرار می گیرد.

دمیس حسابیس، مدیرعامل DeepMind هفته گذشته در یک نشست مطبوعاتی گفت: اساساً شما می توانید آن را به عنوان پوشش کل جهان پروتئین در نظر بگیرید. “ما در آغاز دوره جدیدی از زیست شناسی دیجیتال هستیم.”

پایگاه داده اساساً به عنوان جستجوی گوگل برای ساختارهای پروتئین کار می کند. محققان می توانند پروتئین شناخته شده را تایپ کنند و ساختار پیش بینی شده آن را به دست آورند و هفته ها یا بیشتر از کار در آزمایشگاه صرفه جویی کنند. این سیستم در حال حاضر برای تسریع کشف دارو، تا حدی از طریق یک شرکت خواهر Alphabet به نام Isomorphic Laboratories استفاده می شود، در حالی که سایر محققان در حال استفاده از AlphaFold برای شناسایی آنزیم هایی هستند که می توانند پلاستیک ها را تجزیه کنند.

سرعت فعال فعال شده توسط AlphaFold همچنین باید به کاهش هزینه تحقیق کمک کند. Kathryn Tunyasuvunakool، دانشمند تحقیقاتی DeepMind، به خبرنگاران گفت که AlphaFold تنها به ۱۰ تا ۲۰ ثانیه برای پیش‌بینی هر پروتئین نیاز دارد. این امر می‌تواند به‌ویژه برای محققانی که روی بیماری‌های نادیده گرفته شده مانند لیشمانیوز و بیماری شاگاس کار می‌کنند مفید باشد.

“AlphaFold پیشرفت منحصر به فرد و مهمی در علم زندگی است که قدرت هوش مصنوعی را نشان می دهد.” توییت کرد اریک توپول، مدیر مؤسسه ترجمه تحقیقاتی اسکریپس.

هوش مصنوعی که مفید است – اکنون

ممکن است مدل‌های هوش مصنوعی مانند GPT-3 که به زبان عمومی کار می‌کنند، در نهایت تأثیر بیشتری نسبت به یک برنامه کاربردی محدودتر مانند AlphaFold داشته باشند. زبان هنوز هم بزرگترین علامت هوش و حتی هوشیاری ماست – فقط شاهد بحث های اخیر در مورد اینکه آیا یک مدل زبان پیشرفته دیگر، LaMDA گوگل، حساس شده است یا خیر.

اما با وجود همه پیشرفت‌هایشان، چنین مدل‌هایی هنوز با آن سطح فاصله دارند، و حتی برای کاربران معمولی قابل اعتماد نیستند. شرکت‌هایی مانند اپل و آمازون تلاش کرده‌اند تا دستیارهای صوتی هوش مصنوعی تولید کنند که شایسته این نام باشد. همانطور که سیگال ساموئل در اوایل سال جاری نوشت، چنین مدل‌هایی با تعصب و انصاف نیز دست و پنجه نرم می‌کنند، که مشکلی است که باید با سیاست حل شود تا فناوری.

مدل AlphaFold شرکت DeepMind بدون خطر نیست. همانطور که کلسی پایپر در اوایل سال جاری در مورد هوش مصنوعی و کاربردهای آن در زیست شناسی نوشت: «هر سیستمی که به اندازه کافی قدرتمند و دقیق برای شناسایی داروهای ایمن برای انسان باشد، ذاتاً سیستمی است که در شناسایی داروهایی که برای انسان فوق العاده خطرناک هستند نیز خوب خواهد بود. ” هوش مصنوعی که قادر به پیش‌بینی ساختارهای پروتئینی باشد، می‌تواند از نظر تئوری توسط افرادی که به دنبال مهندسی سلاح‌های بیولوژیکی یا سموم هستند مورد استفاده بد قرار گیرد.

به اعتبار خود، DeepMind می گوید که خطرات بالقوه باز کردن پایگاه داده خود را به روی عموم سنجیده و با بیش از ۳۰ متخصص در زمینه امنیت زیستی و اخلاق مشورت کرده و به این نتیجه رسیده است که مزایای آن – از جمله در سرعت بخشیدن به توسعه دفاع موثر در برابر تهدیدات بیولوژیکی – بیشتر است. هر گونه خطر ایون بیرنی، مدیر مؤسسه بیوانفورماتیک اروپا، در کنفرانس مطبوعاتی به خبرنگاران گفت: «انباشت دانش بشر فقط یک مزیت عظیم است. «و نهادهایی که می‌توانند مخاطره‌آمیز باشند، احتمالاً تعداد انگشت شماری هستند.»

AlphaFold – که DeepMind گفته است پیچیده ترین سیستم هوش مصنوعی است که تا به حال ساخته است – ابزار بسیار مؤثری است که می تواند کارهایی را انجام دهد که انسان به راحتی نمی تواند انجام دهد. در این فرآیند، می‌تواند آن زیست‌شناسان انسانی را حتی در مشاغل خود مؤثرتر کند. و در عصر کووید، آن مشاغل مهمتر از همیشه هستند، همانطور که دستیار هوش مصنوعی جدید آنها اهمیت دارد.

نسخه ای از این داستان ابتدا در خبرنامه Future Perfect منتشر شد. برای اشتراک در اینجا ثبت نام کنید!



دیدگاهتان را بنویسید