Az MI-nek köszönhetően látványosan gyorsul a tudomány fejlődése — ez nem pusztán optimista jóslat, hanem mérhetően igazolható folyamat. A fehérjék szerkezetének előrejelzése például az egyik legnehezebb problémának számított a számítási biológiában, amely ötven éven keresztül tartotta kézben a kutatókat. Az MI azonban néhány év alatt feloldotta ezt az akadályt. Ha valaha is volt egyetlen pillanat, amelyhez a tudományos kutatás előtti és utáni korszakát lehetett volna kötni, az a gépi tanulás nagyléptékű tudományos alkalmazásának kezdete volt.
Hogyan jutottunk idáig?
A mesterséges intelligencia több hullámban fejlődött. Az elsőt az 1950-es évek szimbolikus MI-je jelentette, ezt követte az 1980-as évek konnekcionista újjáéledése, majd napjaink mélytanuláson és hatalmas adatmennyiség feldolgozásán alapuló korszaka. A tudományos alkalmazások szempontjából az igazi áttörés évtizedekig váratott magára. Döntő fordulat körülbelül 2018 és 2021 között következett be, amikor az alapmodellek — köztük a transformer architektúrák, a BERT és a GPT-3 — megmutatták, hogy a paraméterek és adatok méreteinek növelése széles körű alkalmazhatóságot eredményezhet.
A mesterséges intelligencia első rendszerei az 1950-es években születtek meg, amikor a kutatók olyan gépeket hoztak létre, amelyek képesek voltak logikai műveleteket elvégezni. A tudományos kutatásban való érdemi részvételhez azonban mélytanulásra, hatalmas adatbázisokra és komoly számítási kapacitásra volt szükség — mindezek csak az elmúlt évtizedben váltak egyszerre elérhetővé. A hagyományos kutatási paradigmák az empirikus indukcióra, az elméleti modellezésre és a számítógépes szimulációra épültek. Az MI egy negyedik utat nyitott meg: a hipotézisek automatizált generálásának és validálásának korszakát.
Az AlphaFold — egy mérföldkő a biológiában
Az AlphaFold megjelenése előtt a fehérjeszerkezet-előrejelzés hónapokig vagy akár évekig tartott, és drága kísérleti berendezéseket igényelt, például röntgenkristallográfiát és kriogén elektronmikroszkópiát. Az AlphaFold 2 2020-ban megoldotta ezt a problémát, és az első komoly bizonyítékát adta annak, hogy az MI hatékony eszköz lehet a tudomány előmozdításában. Ez az eredmény Nobel-díjjal is elismert teljesítménnyé vált.
Az AlphaFold előtt az emberi proteóm mindössze 17 százalékának volt kísérletileg meghatározott szerkezete — ma viszont közel 98 százalékához van hozzáférés. Ez az ugrás az orvostudományban, a gyógyszerkutatásban és az enzimtervezésben egyaránt kézzelfogható következményekkel jár. Az AlphaFold 2-t azóta világszerte több millió kutató használta a malária elleni vakcinák, a rákkezelések és az enzimtervezés terén.
Nézzük meg, hol tart most a terület!
Az AI4S — azaz a tudományos mesterséges intelligencia — az MI innovációjának és az MI-vezérelt felfedezésnek a találkozási pontját jelenti. Ez a terület ma az egyik legdinamikusabban növekvő. A generatív MI-be áramló befektetések az egekbe szöktek: bár összességében csökkentek az MI-magánbefektetések, a generatív MI finanszírozása 2022-vel összevetve a nyolcszorosára ugrott.
A digitális és a fizikai laboratóriumok határai egyre inkább elmosódnak — az MI ma már nemcsak elemez, hanem tervez is. Ez a fajta adatközpontú működés a tudományon kívül is egyre több területen megjelenik: az olyan online platformok, mint az nvcasino online, szintén nagy mennyiségű tranzakciót és felhasználói interakciót kezelnek valós időben. A felhasználási területek közötti különbség persze óriási, ám az alaplogika — hatalmas adatmennyiség valós idejű feldolgozása és értelmezése — azonos technológiai alapokon nyugszik.
Az AlphaFold 3 megjelenése óta a gyógyszeripari vállalatok versenyeznek az alkalmazásáért. Az Isomorphic Labs már együttműködik gyógyszeripari cégekkel, hogy az AlphaFold 3-at valós gyógyszertervezési kihívásokon alkalmazza. A modell 50 százalékkal pontosabb a legjobb hagyományos módszereknél a fehérjék és ligandok, valamint antitestek és célfehérjéik kötődésének előrejelzésében.
Milyen tudományterületeken hat ma az MI a legerőteljesebben?
Az MI befolyása ma korántsem korlátozódik egyetlen szakterületre. A legmarkánsabb átalakulás a következő területeken zajlik:
- Strukturális biológia és gyógyszerkutatás: az AlphaFold a fehérjetervezés és a gyógyszerfelfedezés területén hozott gyökeres változást.
- Matematika és formális következtetés: 2024-ben a Google DeepMind bejelentette az AlphaGeometry-t, amely olimpiai aranyérmes szintű geometriai problémákat old meg.
- Interdiszciplináris együttműködés: az MI integrálja az adatvezérelt modellezést az előzetes tudással, automatizálja a hipotézisgenerálást, és elősegíti a szakterületek közötti munkát.
- Autonóm kísérletezés: az MI egyre inkább képes önálló kísérleti ciklusok lefolytatására minimális emberi beavatkozással.
A plenáris előadások üzenete az európai MI-csúcsokon egyértelmű: az MI már a kutatás jelen ideje, és Európának most kell kialakítania azokat az intézményi megoldásokat, amelyek garantálják a fenntartható alkalmazást.
Merre halad a tudományos MI a következő években?
A mesterséges intelligencia pályája eszközből közmű irányába tolódik: olyasmivé, amit nemcsak használunk, hanem munkára is fogunk. Ha 2024 a multimodális alapok lerakásáról szólt, 2025 az az év, amikor az MI elkezd valóban gondolkodni, cselekedni és felfedezni.
Az elképzelések szerint az MI a jövőben hipotéziseket állít fel, kísérleti eszközöket használ, és együttműködik kollégáival — emberekkel vagy más MI-asszisztensekkel. A koppenhágai AI in Science Summit egyik legfontosabb bejelentése a RAISE — Resource for AI Science in Europe — kezdeményezés volt, amely virtuális európai intézetként köti hálózatba az adatokat, a számítási kapacitásokat és a kutatásfinanszírozási eszközöket.
Az úgynevezett reasoning modellek már képesek az emberszintű logikus gondolkodásra: gondolati lánc stratégiát alkalmazva több oldalról vizsgálják meg a kérdést. Ez a hipotézisalkotásban különösen értékes — olyan összefüggéseket tesz láthatóvá, amelyekhez egy kutatónak hetek kellhetnének. Az AI4S előretörése mélyreható átalakulást jelez: az MI már nem csupán eszköz, hanem metatechnológia, amely magát a felfedezés paradigmáját definiálja újra.
Kérdés persze, meddig hagyja mindez érintetlenül a tudós szerepét — vagy inkább az a kérdés, hogy a jövő legjobb kutatói azok lesznek-e, akik a legjobban tudják irányítani és kiegészíteni az MI-t?