Всего пару лет назад искусственный интеллект в науке был прежде всего очень быстрым помощником: мог найти нужные статьи, обработать огромный массив данных или написать программный код. Теперь появляются системы, которым учёные начинают передавать уже сам исследовательский процесс — от поиска идеи до анализа результатов эксперимента.
В свежем обзоре Nature описывает новое поколение так называемых ИИ-соучёных. Они способны читать сотни научных работ, самостоятельно предлагать гипотезы, спорить друг с другом, выбирать наиболее перспективные идеи и придумывать, как их проверить. Человеку всё чаще достаётся другая задача — решить, какой вопрос вообще стоит задавать и можно ли доверять полученному ответу.
За ночь ИИ перебрал больше сотни научных идей
Один из самых показательных примеров — разработанная Google система Co-Scientist. В отличие от обычного чат-бота, она состоит из нескольких ИИ-агентов. Одни генерируют гипотезы, другие ищут в них слабые места, третьи сравнивают варианты и пытаются улучшить наиболее удачные.
Биохимик Анна Пертл из Института Уайтхеда решила проверить систему на одной из сложных проблем онкологии. Она попросила ИИ найти необычный, но практически осуществимый способ воздействовать на белок MYC, который играет важную роль во многих видах рака и давно считается крайне трудной мишенью.
Сначала машину пришлось поправлять: она неправильно поняла некоторые особенности задачи. Но после уточнений Co-Scientist изучил более 700 научных работ и сформулировал 108 возможных стратегий. Почти все система сама отбросила, оставив одну необычную идею, до которой исследователи раньше сами не додумались.
И это кардинальная перемена. ИИ уже не просто выдаёт ответ на вопрос исследователя — он участвует в том самом процессе, который раньше считался почти исключительно человеческим: предлагает объяснения, критикует их и решает, какую гипотезу стоит проверить.
Тысячи ИИ могут одновременно решать одну задачу
Подобный подход уже используется и в математике. В сентябре RidLife рассказывал об эксперименте OpenAI, в котором над задачей, связанной с уравнениями Навье — Стокса, одновременно работали тысячи ИИ-агентов. Они пробовали разные подходы, обменивались найденными идеями, а полученное предполагаемое доказательство затем формализовали в системе Lean.
На основном этапе агенты обменялись примерно 2,7 млн сообщений, а поиск занял около 88 часов. При этом говорить об окончательном решении задачи тысячелетия пока нельзя: результат вызвал серьёзную дискуссию среди математиков и требует независимой проверки. RidLife подробно разбирал и сам эксперимент, и последовавший за ним спор.
Принцип здесь тот же, что у Co-Scientist: вместо одной модели задачу атакует целая виртуальная команда. Один агент может проверить идею другого, несколько — независимо искать решение, а наиболее удачные варианты постепенно переходят в следующие раунды.
Такие системы дают исследователю возможность параллельно проверить столько направлений, сколько человеческая группа физически не успела бы рассмотреть.
ИИ уже находит закономерности, которые пропускают люди
Другой важный шаг — возможность не только проверить сформулированную человеком гипотезу, но и самостоятельно обнаружить что-то необычное в данных.
Так произошло с моделью Unify, о которой RidLife рассказывал в августе. Ей дали данные о миллионах клеток человека и различных животных, разделённых сотнями миллионов лет эволюции. Система научилась сопоставлять их и обнаружила ряд связей между генами и клеточными функциями, которые прежние методы обычно не замечали.
Похожий случай описывает и Nature. Исследовательница Филине Гукельбергер дала системе Kosmos огромный набор данных о молекулярных взаимодействиях и попросила искать закономерности, которые мог бы пропустить человек.
Сначала ИИ сам допустил ошибку при интерпретации 30-миллионного набора данных. После того как исследовательница указала на проблему, система обнаружила неожиданную закономерность в раковых клетках, которую удалось подтвердить на независимых данных.
Этот эпизод одновременно показывает и силу, и нынешнюю слабость таких систем: машина способна просмотреть объём информации, недоступный одному человеку, но незаметная ошибка в постановке задачи может увести весь анализ не туда.
Следующий шаг — заставить ИИ проводить сам эксперимент
Пока самое заметное ограничение «ИИ-учёных» возникает там, где заканчивается компьютер и начинается физическая лаборатория.
Например, система Robin уже способна искать литературу, создавать гипотезы, предлагать способы их проверки, анализировать экспериментальные данные и на основании результата формулировать новую гипотезу. Получается практически полный цикл:
гипотеза → эксперимент → данные → анализ → новая гипотеза.
Но сами лабораторные процедуры между этими этапами пока выполняют люди. Поэтому авторы называют систему полуавтономной, а не полностью самостоятельной.
Однако и этот барьер начинает постепенно исчезать. Всего несколько дней назад RidLife рассказывал об автономной оптической лаборатории, созданной специалистами MIT. Робот способен самостоятельно брать линзы, зеркала и другие элементы, размещать их на оптическом столе и настраивать лазерный эксперимент.
Отдельно исследователи уже используют ИИ для проектирования самих физических установок. В обзоре, опубликованном в Nature в сентябре, отмечается, что алгоритмы перешли от простой настройки нескольких параметров к поиску принципиально новых экспериментальных конфигураций. Некоторые из предложенных машиной конструкций выглядят непривычно для специалистов, но по характеристикам не уступают созданным человеком или превосходят их.
Если соединить такие технологии с ИИ-системами, которые умеют предлагать гипотезы и анализировать результаты, часть научных экспериментов теоретически можно будет замкнуть в почти автономный цикл.
Но умеет ли машина действительно делать открытия?
Здесь возникает более сложный вопрос. Найти закономерность ещё не обязательно означает понять, почему она существует.
Мы уже разбирали эту проблему на примере попыток проверить, сможет ли ИИ когда-нибудь стать своеобразным «новым Эйнштейном». Современные модели могут чрезвычайно точно предсказывать поведение физической системы, но при этом не обязательно выводят универсальный закон, который объясняет происходящее.
Для науки разница принципиальна. Кеплер смог очень точно описать движение планет. Ньютон сделал нечто большее — предложил общий принцип, который объяснял и движение планет, и падение предметов, и огромное количество других явлений.
ИИ уже очень хорош в поиске закономерностей среди существующих данных. Гораздо менее очевидно, способен ли он сам увидеть за ними совершенно новый фундаментальный принцип.
Именно поэтому авторы и собеседники Nature постоянно возвращаются к роли человека. Чем больше рутинных этапов научной работы забирают машины, тем важнее становится способность исследователя поставить правильный вопрос и понять, заслуживает ли необычный ответ дальнейшей проверки.
Парадокс: ИИ может ускорять учёных и одновременно сужать науку
Есть и ещё одна проблема. RidLife ранее рассказывал об исследовании, авторы которого проанализировали десятки миллионов научных публикаций. Их вывод оказался парадоксальным: исследователи, активно использующие ИИ, могут работать продуктивнее, однако научный поиск при этом рискует концентрироваться вокруг уже хорошо изученных областей, где накоплено достаточно данных для работы алгоритмов. Подробнее об этом мы писали ранее.
Получается своеобразная ловушка. ИИ позволяет быстрее искать ответы, но наиболее важным человеческим навыком становится выбор вопросов — особенно тех, для которых ещё нет огромной базы литературы и готовых данных.
Возможно, именно поэтому появление ИИ-соучёных не делает настоящих исследователей менее нужными.
Скорее меняется само разделение труда. Машине постепенно можно передать поиск литературы, обработку данных, перебор гипотез, расчёты и даже часть экспериментов. А человеку всё чаще остаётся самое трудное: понять, какой вопрос действительно стоит задать и что полученный ответ меняет в нашем представлении о мире.
