Uczenie maszynowe (machine learning) może przyspieszyć postęp w bardzo wielu różnych dziedzinach, między innymi energetyce, medycynie i planowaniu przestrzennym. Wszystkie dostępne dowody naukowe potwierdzają, że znajdowanie nowych pomysłów przychodzi nam z coraz większym trudem.
Od lat 90. ubiegłego stulecia liczba patentów – takich, w których mowa o nowych technologiach – w Stanach Zjednoczonych spada. Według wyników pewnego szeroko cytowanego badania, produktywność w USA spada o 50% co 13 lat, głównie dlatego, że coraz mniej jest nowych idei. Oznacza to, że aby zapewnić sobie choćby trwanie w miejscu Stany Zjednoczone muszą podwajać swoje wydatki na badania co około 12 lat.
Jednak bariera stojąca na drodze do innowacyjnych pomysłów, takich jak kolejny przełomowy lek na raka czy coś, co byłoby równie ważkie jak wynalezienie grafenu jest w zasadzie oczywista. To rachunek prawdopodobieństwa. Otóż każda substancja na Ziemi składa się z unikatowego połączenia pierwiastków z puli 188, zapisanych w układzie okresowym. Biliony takich połączeń wciąż oczekują na odkrycie. Większość z nich nie będzie mieć w przemyśle żadnego zastosowania. A próba znalezienia tych pożytecznych dla ludzkości jest więc jak szukanie igły na polu pełnym stogów siana.
Nawet, gdy udaje się wyłonić pewnych obiecujących „kandydatów”, większość z nich nie przechodzi przez kolejne etapy testów, zatwierdzeń, pozwoleń i dalszych prac rozwojowych. Przykładowo, w medycynie jedynie od 1% do 2% dobrze rokujących leków doczekuje się wprowadzenia do obrotu, przy kosztach badań sięgających miliardów dolarów.
Nowe technologie takie jak uczenie maszynowe, robotyka, cyfrowe bliźniaki (digital twins) i superkomputery mogą znacznie zwiększyć szanse na zakończone sukcesem odkrycia i wynalazki, a to za sprawą szybszego i skuteczniejszego procesu selekcji najbardziej obiecujących innowacji oraz przyspieszonego testowania w celu jak najwcześniejszego ich wdrożenia. Te technologie otwierają nam drogę do przełomów w tak różnych dziedzinach jak energetyka, medycyna czy planowanie przestrzenne.
Maszyny odkrywcami nowych materiałów
“W naszym myśleniu przywykliśmy do tego, że maszyny wykonują żmudne, niewdzięczne i niebezpieczne zadania, a domeną ludzi pozostaje kreacja”, powiedział nam w wywiadzie specjalista od technologii Luke Dormehl, autor książki Thinking Machines. Ale granica pomiędzy kreatywnymi ludźmi a wykonującymi polecenia maszynami zaczyna się zacierać: „W praktyce ogromna część ludzkiej kreatywności bazuje na wcześniejszych odkryciach lub metodycznym eksperymentowaniu w poszukiwaniu przełomu. Na przykład kompozytor sprawdza dziesiątki akordów zanim trafi na zupełnie nową melodię”. Co więcej, „maszyny często generują pomysły albo rozwiązania, na które ludzie po prostu by nie wpadli, co sugeruje, że są zdolne do szeroko pojętej kreatywności.”
Zjawisko to być może najłatwiej dostrzec obserwując poszukiwania nowych związków chemicznych i materiałów, gdzie proces ten tradycyjnie bazuje na wypracowywanych hipotezach: Naukowcy formułują oparte na wiedzy przypuszczenia odnośnie tego, jakie cząsteczki czy materiały mogą okazać się przydatne, a następnie właśnie one są dogłębnie i wielokrotnie testowane. To podejście ma wiele wad, między innymi wysoki odsetek wyników fałszywie pozytywnych, marnotrawstwo kosztownych zasobów zużywanych w procesie testowania, a także długie oczekiwanie na konkretne rezultaty.
Kebotix, firma z siedzibą w Cambridge w stanie Massachusetts, zupełnie zrewolucjonizowała podejście do odkrywania nowych materiałów. Firma ta, nazywana pierwszym na świecie „samoprowadzącym się” laboratorium materiałowym, wykorzystuje połączenie modelowania obliczeniowego, robotyki, automatyzacji procesów laboratoryjnych i uczenia maszynowego by przyspieszyć tempo odkrywania nowych zaawansowanych substancji chemicznych i materiałów.
Jill Becker, chemiczka, absolwentka uniwersytetu Harvarda i prezeska Kebotix, wyjaśnia: „Chcemy zmienić, mającą kilkaset lat, tradycyjną metodę dokonywania odkryć naukowych. Nasza sztuczna inteligencja jest w stanie szybko i skutecznie przetwarzać ogromne ilości złożonych danych molekularnych i chemicznych, co prowadzi do odkrywania nowych materiałów lub tworzenia nowych formulacji produktów o pożądanym profilu działania. To wszystko znacząco skraca cykl badań – z lat do miesięcy.”. Weźmy przykład inteligentnych okien do nowego modelu samochodu: „Możemy przyjąć założenie, że materiał ma być przejrzysty, musi przepuszczać światło, ale nie ciepło w okresie letnim, musi być energooszczędny, obniżać koszty oddziaływania na środowisko, i tak dalej.”
Becker dzieli się też z nami szerszą wizją: „Te technologie mogą nam pomóc w rozwiązywaniu najpoważniejszych problemów naszego świata, na przykład przyspieszając poszukiwania czystszych w eksploatacji, przyjaźniejszych środowisku materiałów lub nowych terapii w medycynie.”.
Nowe terapie
Jedne z najbardziej ekscytujących obecnie zmian dokonują się w branży farmaceutycznej, gdzie poszukiwanie nowych skutecznych leków przy zastosowaniu tradycyjnych metod staje się coraz trudniejsze i kosztowniejsze. Brytyjska firma z sektora technologii farmaceutycznych, Exscientia, powierzyła sztucznej inteligencji zadanie opracowania leku na zaburzenia obsesyjno‑kompulsywne. Po weryfikacji milionów potencjalnych struktur chemicznych Exscientia zdecydowała się na produkcję i badania nad 350 cząsteczkami, co stanowi zaledwie 20% rozważanych w tradycyjnym procesie substancji. W styczniu 2020 roku, po zaledwie 12 miesiącach prac, do etapu badań klinicznych doszedł lek zaprojektowany przez sztuczną inteligencję. To bardzo szybko w porównaniu z typowym dla branży okresem czterech i pół roku.
Odkrycia naukowe dokonywane przez maszyny (machine discovery) to nie tylko metoda na zupełnie nowe terapie w medycynie. Często maszyny można wykorzystać także do szybszej weryfikacji istniejących leków pod kątem ich zastosowania przy nowych chorobach i zaburzeniach. Za przykład mogą tu posłużyć wysiłki w celu opracowania szybkiego oraz skutecznego leczenia i szczepienia przeciw COVID‑19. Brytyjska firma biotechnologiczna Benevolent AI wykorzystała swoje algorytmy do przeszukania bazy danych z istniejącymi terapiami lekowymi, dzięki czemu wyłoniono dobrego kandydata w formie leku obecnie stosowanego w reumatycznym zapaleniu stawów. To leczenie ma niewiele skutków ubocznych i działa w połączeniu z innymi terapiami.
Dużym wyzwaniem dla procesu odkrywania przełomowych rozwiązań przez maszyny jest konieczność użycia przeogromnej mocy obliczeniowej niezbędnej do poszukiwań na dużą skalę. Jednym ze sposobów na obejście tego ograniczenia jest system odkrywania leków VirtualFlow stworzony przez multidyscyplinarny zespół naukowców. Jak głosi niedawno opublikowany w piśmie „Nature” artykuł, ta platforma open source ma na celu rozwiązanie problemu skali w procesie wyszukiwania potencjalnie przydatnych leków. Ponieważ w bazach danych obecnie znajduje się ponad 1,4 miliarda dostępnych na rynku cząsteczek, tradycyjnymi metodami dało się przeszukać jedynie niewielkie podzbiory cząsteczek ze względu na wymaganą wielką moc obliczeniową. Wykorzystując elementy obliczeń równoległych (parallel computing) oraz systemy w chmurze platforma VirtualFlow równolegle przeszukuje ogromną ilość danych chemicznych, co ma niezwykłe implikacje. Przy jednym procesorze komputerowym przeszukanie 1 miliarda cząsteczek chemicznych zajęłoby jakieś 475 lat, tymczasem system VirtualFlow ma moc ponad 10 tysięcy połączonych procesorów, co oznacza, że przeszukanie tego samego zakresu danych zajmuje dwa tygodnie.
Czysta energia
Odkrycia dokonywane przez komputery mogą też pomóc nam w walce ze zmianami klimatu, przyspieszając proces poszukiwań czystszych źródeł energii. Naukowcy z University of Liverpool zastosowali robota o sztucznej inteligencji do wyłonienia substancji, które są silniejszymi katalizatorami w procesie produkcji wodoru z wody. Wyniki będzie można zastosować w ogniwach wodorowych, które mają znacznie mniejszy negatywny wpływ na środowisko niż paliwa kopalne. Poruszając się swobodnie po laboratorium i obracając przy tym przyrządami oraz fiolkami, robot przeprowadził 688 eksperymentów w zaledwie 8 dni, czyli był 1000 razy szybszy niż naukowcy stosujący tradycyjne metody badawcze.
Indeks górny W przeciwieństwie do człowieka ten 400 kg robot, stworzony przez naukowców z Uniwersytetu w Liverpoolu, jest nieskończenie cierpliwy i może pracować przez 21,5 godzin, robiąc przerwę tylko na naładowanie baterii. (Fot.Dr Benjamin Burger) Indeks górny koniecW przeciwieństwie do człowieka ten 400 kg robot, stworzony przez naukowców z Uniwersytetu w Liverpoolu, jest nieskończenie cierpliwy i może pracować przez 21,5 godzin, robiąc przerwę tylko na naładowanie baterii. (Fot.Dr Benjamin Burger)
Curtis Berlinguette, profesor chemii oraz inżynierii chemicznej i biologicznej na University of British Columbia, stwierdził, że powierzenie dokonywania odkryć maszynom, nie jest sposobem na rozwiązanie wszystkich problemów naukowych: „Jak do tej pory proces ten sprawdzał się lepiej w chemii małych cząsteczek, czyli w obszarze leków, niż w przypadku materiałów”. Profesora Berlinguette interesuje zastosowanie uczenia maszynowego oraz automatyzacji w rozwoju technologii cienkowarstwowych. „Każda technologia do generacji czystej energii – ogniwa słoneczne, akumulatory, inteligentne okna, a nawet elektrolizery – polega na zastosowaniu cienkich warstw materiałów, by dwutlenek węgla mógł być przekształcany w paliwo”. Berlinguette wraz z zespołem zaprojektował i zbudował robota do tworzenia cienkich powłok bez defektów dla paneli solarnych. Proces ten obejmuje analizę i testowanie różnych substancji w celu wyłonienia najwłaściwszej. Robot profesora Berlinguette w zaledwie pięć dni realizuje proces wcześniej trwający dziewięć miesięcy.
Innowacje w przestrzeni miejskiej
Opracowywanie nowych pomysłów poza laboratorium czy studio projektowym staje się coraz trudniejsze. Pomyślmy o wyzwaniach w projektowaniu przyjaźniejszych miast: Ze względu na niemożność kontrolowania wszystkich zmiennych, między innymi czynników środowiskowych, trudno testować nowe koncepcje ochrony przeciwpowodziowej lub systemów sterowania ruchem ulicznym.
Ale nawet w tej dziedzinie ludzie mogą liczyć na pomoc komputerów, tym razem pod postacią „cyfrowego bliźniaka” (digital twin), czyli wirtualnej repliki danego obiektu, stworzenia lub systemu, która może być nieustannie aktualizowana o dane pochodzące z jej fizycznego odpowiednika. Phil Christensen, wiceprezes w departamencie cyfrowych miast firmy produkującej oprogramowanie, Bentley Systems, z siedzibą w Exton w stanie Pensylwania powiedział nam: „Cyfrowe bliźniaki mogą być środowiskiem eksperymentalno‑testowym do przeprowadzania symulacji na dużą skalę. Weźmy na przykład zmiany zachodzące w przyrodzie: Możemy zasymulować konsekwencje różnych wzorców opadów oraz wpływ powodzi na funkcjonowanie miasta. Możemy eksperymentować z nowymi planami sterowania ruchem ulicznym, oceniając zmiany w przepływie ruchu oraz poziomie zanieczyszczeń. Cyfrowe bliźniaki stają się nieocenione przy takich eksperymentach i w procesie podejmowania decyzji.”
Przygotowując się do automatyzacji odkryć naukowych
Pomimo wspomnianych postępów technologicznych, pełne wykorzystanie komputerów do dokonywania odkryć naukowych oraz przeprowadzania testów może okazać się niełatwe w praktyce i to z kilku powodów. Naukowcy mogą czuć się zagrożeni zmianami; niezbędne są znaczące inwestycje już w początkowym stadium; a przecież modele komercyjne mogą być słabo skoordynowane z procesem odkrywania realizowanym przez maszyny.
Istnieją trzy działania, które mogą pomóc organizacjom i całym branżom skutecznie wykorzystać zjawisko automatyzacji odkryć naukowych.
1. Spraw, by proces generowania nowych idei opierał się na współpracy ludzi i komputerów. Traktowanie procesu maszynowego odkrywania naukowego jako prostej automatyzacji pewnych zadań, dopełnionej przez twórczy wkład ze strony człowieka to błąd**. Prawidłowy model powinien zakładać pracę zespołową nad innowacjami, gdzie zachodzą ciągłe interakcje między ludźmi i maszynami.** Jak zauważył autor tekstów o technologii, Luke Dormehl, ludzie będą prawdopodobnie odgrywać wiodącą rolę przy opracowywaniu wstępnych hipotez badawczych, zaś maszyny mogą na kolejnych etapach dopełniać i optymalizować wyniki pracy człowieka, bo często są w stanie odnaleźć pewne prawidłowości, które nam, ludziom umykają.
Prezes Kebotix, Jill Becker podkreśla „drużynowy” charakter procesu odkrywania dokonywanego przez maszyny: „Wyobrażam sobie przyszłość, w której naukowcy będą mogli więcej marzyć, będą mieli czas na ciekawość, pozostając w ciągłym dialogu ze sztuczną inteligencją na temat nowych idei.”
Ludzie i maszyny różnią się sposobem przetwarzania informacji, ale to właśnie współpraca między nimi przynosi cenne rezultaty. Wdrażanie odkrywania maszynowego wymaga prawdziwie interdyscyplinarnego podejścia, z udziałem nie tylko fizyków czy chemików, lecz także technologów, analityków danych, inżynierów oprogramowania, etyków oraz specjalistów od rozwoju produktów.
2. Znajdź swój technologiczny „szkielet”. By maszyny mogły dokonywać odkryć naukowych niezbędna jest złożona kombinacja różnych technologii – algorytmy uczenia maszynowego, czujniki i inteligentnie reagujące przedmioty, robotyka, referencyjne bazy danych, a także superszybkie sieci komputerowe – a wszystkie one muszą nieustannie komunikować się ze sobą nawzajem. Nie wszystkie firmy czy laboratoria będzie stać na własne systemy, ale mniejsze organizacje mogą zapewnić sobie potrzebny szkielet technologiczny poprzez łączenie zasobów różnych ośrodków technologicznych czy wykorzystanie systemów chmury publicznej albo hybrydowej.
3. Dokonaj rekalibracji modeli komercyjnych. Nowe leki czy materiały, które wchodzą na rynek mają wysoką cenę jednostkową, by pokryć ogromne koszty stałe związane z wieloma latami eksperymentów, testów i zezwoleń organów nadzoru. Tymczasem odkrywanie maszynowe wywraca ten model do góry nogami, bo jednocześnie zwiększa pulę udanych innowacji i skraca czas realizacji oraz komercjalizacji tych pomysłów. Branże o “długich” cyklach innowacji będą musiały zacząć stosować modele wyceny bliższe na przykład sektorowi trwałych dóbr konsumpcyjnych.
Wiele spośród najbardziej emocjonujących aspektów odkryć naukowych realizowanych przez maszyny wiąże się z istotnymi korzyściami społecznymi, jak na przykład walka z chorobą Alzheimera czy zapobieganie zmianom klimatu. Firmy będą musiały zacząć ściśle współpracować z decydentami na szczeblu politycznym, naukowcami, a także organizacjami pozarządowymi, dbając o to, by owoce zautomatyzowanych postępów w nauce trafiały także do społeczeństwa, a to za sprawą odpowiednich modeli wyceny oraz dystrybucji kosztów. Ogólnie rzecz biorąc, przedsiębiorstwa powinny upatrywać w odkrywaniu maszynowym nie tylko szans na większe zyski lub niższe koszty, lecz także zobowiązania do szerszej odpowiedzialności społecznej.
Marcel Proust powiedział kiedyś, że „prawdziwa podróż odkrywcza nie polega na poszukiwaniu nowych lądów, lecz na nowym spojrzeniu”. Na przykład na to, w jaki sposób maszyny mogą pomóc twojej firmie lepiej dostrzec stojące przed nią szanse na innowacyjność.
