Omówienie artykułu pt. „Nagrody Nobla honorują pionierów sztucznej inteligencji i pionierską sztuczną inteligencję” opublikowanego w The Lancet Digital Health w 2024 roku [1].
Prof. dr hab. med. Andrzej Grzybowski
Kierownik Katedry Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
9 października 2024 roku Demis Hassabis i John Jumper (obaj z Google DeepMind) zostali wspólnie uhonorowani połową Nagrody Nobla w dziedzinie chemii za opracowanie modelu sztucznej inteligencji (AI), który może określić strukturę białka z wysoką dokładnością w ciągu kilku minut. AlphaFold2 przewidział już strukturę prawie 200 milionów białek, które do tej pory zidentyfikowali naukowcy.
Jumper urodził się w 1985 roku, co czyni go najmłodszym laureatem Nagrody Nobla w dziedzinie chemii od ponad 70 lat. Dołączył do DeepMind w 2017 roku po ukończeniu doktoratu z chemii teoretycznej. Hassabis, mistrz szachowy w wieku 13 lat, założył firmę w 2010 roku. Chociaż została przejęta przez Google w 2014 roku, Hassabis pozostał jako dyrektor generalny, a Jumper jest obecnie dyrektorem.
„Zawsze warto pamiętać, że AI nie jest czymś, co po prostu kierujesz na problem, a potem idziesz do domu i czekasz, aż się skończy” – powiedział Jumper w rozmowie z „The Lancet Digital Health”. „To zbiór idei i technik”. Konkurs Critical Assessment of Protein Structure Prediction (CASP) został zainicjowany w latach 90. i przyciągnął badaczy z całego świata. Otrzymywali oni sekwencje aminokwasów, ale nie strukturę białek, których struktury zostały niedawno zmapowane. Badacze następnie próbowali przewidzieć strukturę białka. W 2018 roku DeepMind wziął udział w konkursie ze swoim modelem AI, AlphaFold. Wygrał z dokładnością bliską 60%. To był dobry początek, ale aby model został uznany za sukces, jego dokładność musiałaby wynosić około 90%.
AlphaFold2 pobiera sekwencję aminokwasów dla białka o nieznanej strukturze i przeszukuje swoją bazę danych w poszukiwaniu podobnych sekwencji i znanych struktur. Bada, które aminokwasy ewoluowały razem i które ze sobą oddziałują. W końcu aminokwasy, które są od siebie daleko w sekwencji, mogą być blisko siebie, gdy białko się złoży. Zespół wpadł na pomysł, który nazwał „recyklingiem”. Model ostatecznie wydaje przewidywaną strukturę białka wraz z prawdopodobieństwem, że odpowiada ona rzeczywistej strukturze. W konkursie CASP 2020 AlphaFold2 wypadł tak dobrze, że sędziowie uznali, że rozwiązał problem przewidywania struktury białek. DeepMind udostępnił kod AlphaFold2 jako otwarty.
Jednak bez zwycięzców Nagrody Nobla w dziedzinie fizyki w 2024 roku nie byłoby AlphaFold. John Hopfield, profesor nauk przyrodniczych na Uniwersytecie Princeton (NJ, USA), opracował sieć neuronową, która może przechowywać i rekonstruować obrazy. Geoffrey Hinton, emerytowany profesor Uniwersytetu w Toronto (ON, Kanada), nazywany „ojcem chrzestnym AI”, wynalazł maszynę Boltzmanna, system, który uczy się na podstawie przykładów, a nie instrukcji. Wysiłki Hopfielda i Hintona utorowały drogę potężnym systemom AI, które mogą uczyć się bez nadzoru i rozpoznawać wzorce, których nie zostały specjalnie nauczone.
Obecnie jednak Hinton poświęca dużo czasu na ostrzeganie świata przed zagrożeniami związanymi z AI. Wyróżnia on ryzyka krótkoterminowe i długoterminowe. Ataki phishingowe gwałtownie rosną dzięki narzędziom generatywnej AI. Fałszywe filmy są coraz większym problemem. Możliwe, że pewnego dnia AI zostanie wykorzystane do skonstruowania broni biologicznej lub nowego wirusa.
Hinton podkreślił, że krótkoterminowe ryzyka mają rozwiązania.
„W czasie rewolucji przemysłowej stworzyliśmy maszyny, które były silniejsze od nas, więc ludzka siła przestała mieć znaczenie” – powiedział Hinton. „Teraz tworzymy maszyny, które będą mądrzejsze od nas. Kiedy to się stanie, ludzka inteligencja przestanie mieć znaczenie. Nie mamy pojęcia, jak to będzie wyglądać. Nie mamy doświadczenia w radzeniu sobie z rzeczami, które są mądrzejsze od nas. Nie wiemy, czy będziemy w stanie utrzymać kontrolę”. Możliwe, że ludzie nawet nie zauważą momentu, w którym AI przejdzie od bycia cudownym i produktywnym asystentem do czegoś przypominającego potwora Frankensteina. Na przykład może cicho zacząć pisać własny kod.
Hinton przyznał, że dla większości ludzi rozmowy o egzystencjalnym zagrożeniu ze strony AI brzmią jak science fiction. Wynika to głównie z trudności, jakie mają ludzie w wyobrażeniu sobie, jak niezwykle inteligentne mogą stać się systemy AI. „Nie ma dużej różnicy w inteligencji między różnymi ludźmi. Wszyscy jesteśmy na mniej więcej tym samym poziomie” – zauważył Hinton. „AI będzie poza spektrum. Jeśli chcesz zrozumieć, co to znaczy nie być istotą z najwyższą inteligencją, idź porozmawiać z kurczakiem. Zadaj mu pytanie. Wytłumacz mu kulturowe znaczenie Bożego Narodzenia i zobacz, ile zrozumie”.
Według Hintona zmniejszenie inteligencji AI raczej nie będzie realnym rozwiązaniem. W końcu nie ma sensu ograniczać inteligencji AI lekarza, skoro jego celem jest przewyższenie ludzkich odpowiedników. „Nie wiemy, jakie jest rozwiązanie” – przyznał Hinton. „Musimy przeprowadzić badania, aby je znaleźć. Potrzebujemy regulacji rządowych, które nakazują firmom AI przeznaczenie określonej części swoich zasobów obliczeniowych na badania nad bezpieczeństwem, i musimy zapewnić, że utalentowani młodzi badacze zajmują się bezpieczeństwem AI i mają odpowiednie zasoby. Myślę, że na razie to najlepsze, co możemy zrobić. Nie jest to idealne, ale to najlepsze, co możemy zrobić”.
Piśmiennictwo
1. Burki, Talha. Nobel Prizes honour AI pioneers and pioneering AI. The Lancet Digital Health, Volume 7, Issue 1, e11 – e12