Naučna istraživanja trebalo bi da koriste AI koji rasuđuje, a ne samo uči iz podataka

Uspjeh AlphaFold programa u predviđanju strukture proteina pokrenuo je talas ulaganja u AI za nauku, ali uslovi koji su omogućili taj proboj rijetko se mogu ponoviti u drugim oblastima.

AlphaFold, neuronska mreža kompanije Google DeepMind, 2024. godine donio je Nobelovu nagradu za hemiju Demisu Hassabisu i Johnu Jumperu. Program predviđa trodimenzionalnu strukturu proteina učeći iz hiljade eksperimentalno izmjerenih oblika, čime je riješio problem koji je pola vijeka odolijevao sistematskim pristupima.

Ključ uspjeha AlphaFold programa bila je baza podataka proteina koja sadrži oko 170.000 eksperimentalno potvrđenih struktura. Formiranje te baze zahtijevalo je 53 godine međunarodne naučne saradnje i približno 21 milijardu dolara ulaganja u eksperimentalni rad. Takvi projekti teško se finansiraju i koordinišu, a često završavaju neuspješno.

U većini oblasti eksperimentalne nauke rezultati značajno variraju. Ćelijske kulture se mijenjaju tokom vremena, hemikalije sadrže tragove nečistoća, vlažnost u laboratoriji se mijenja. Stvaranje konzistentnih skupova podataka dovoljno tačnih i pouzdanih za obuku savremenih neuronskih mreža zahtijevalo bi nove vrste mjerenja i standardizovane pristupe koji neće biti spremni uskoro.

Naučnici su uvijek zaključivali u uslovima neizvjesnosti. Biolozi koji traže mete za nove lijekove nikad nisu imali savršene skupove podataka, već kombinuju različite metode proračuna, molekularne dinamike i laboratorijske testove, procjenjujući vrijednost svake metode prema njenim prednostima i slabostima. Vještina nauke nije u pojedinačnom alatu nego u sintezi rezultata iz više izvora.

Manji broj oblasti zadovoljava uslove za proboje sličan AlphaFold programu - prognoza vremena, veći dio genomike i vrlo ograničena polja hemije. Za ostala otvorena pitanja u nauci potreban je drugačiji pristup zasnovan na AI agentima koji mogu rasuđivati pod neizvjesnošću, a ne samo učiti iz velikih skupova podataka.