211service.com
L'IA sta reinventando il modo in cui inventiamo
L'ufficio di Regina Barzilay al MIT offre una visione chiara dei Novartis Institutes for Biomedical Research. Il gruppo di scoperta della droga di Amgen è a pochi isolati da quello. Fino a poco tempo, Barzilay, uno dei principali ricercatori mondiali di intelligenza artificiale, non aveva pensato molto a questi edifici vicini pieni di chimici e biologi. Ma quando l'intelligenza artificiale e l'apprendimento automatico hanno iniziato a compiere prodezze sempre più impressionanti nel riconoscimento delle immagini e nella comprensione del linguaggio, ha iniziato a chiedersi: potrebbe anche trasformare il compito di trovare nuovi farmaci?
Il problema è che i ricercatori umani possono esplorare solo una piccola fetta di ciò che è possibile. Si stima che ci siano fino a 1060 molecole potenzialmente simili a farmaci, più del numero di atomi nel sistema solare. Ma attraversare possibilità apparentemente illimitate è ciò in cui l'apprendimento automatico è bravo. Formati su grandi database di molecole esistenti e delle loro proprietà, i programmi possono esplorare tutte le possibili molecole correlate.
Questa storia faceva parte del nostro numero di marzo 2019
- Vedi il resto del problema
- sottoscrivi
La scoperta di droghe è un processo estremamente costoso e spesso frustrante. I chimici farmaceutici devono indovinare quali composti potrebbero essere buoni medicinali, usando la loro conoscenza di come la struttura di una molecola influenzi le sue proprietà. Sintetizzano e testano innumerevoli varianti e la maggior parte sono fallimenti. Trovare nuove molecole è ancora un'arte, perché hai un enorme spazio di possibilità, dice Barzilay. Ci vuole molto tempo per trovare buoni candidati alla droga.
Accelerando questo passaggio critico, il deep learning potrebbe offrire molte più opportunità per i chimici da perseguire, rendendo la scoperta di farmaci molto più rapida. Un vantaggio: l'immaginazione spesso eccentrica dell'apprendimento automatico. Forse andrà in una direzione diversa in cui un essere umano non entrerebbe, dice Angel Guzman-Perez, un ricercatore di farmaci presso Amgen che sta lavorando con Barzilay. La pensa diversamente.
Altri stanno usando l'apprendimento automatico per cercare di inventare nuovi materiali per applicazioni di tecnologia pulita. Tra gli articoli nella lista dei desideri ci sono batterie migliorate per immagazzinare energia sulla rete elettrica e celle solari organiche, che potrebbero essere molto più economiche da produrre rispetto a quelle ingombranti di oggi a base di silicio.
Tali scoperte sono diventate più difficili e più costose da raggiungere poiché la chimica, la scienza dei materiali e la scoperta di farmaci sono diventate incredibilmente complesse e sature di dati. Anche se le industrie farmaceutiche e biotecnologiche investono denaro nella ricerca, il numero di nuovi farmaci basati su nuove molecole è rimasto piatto negli ultimi decenni. E siamo ancora bloccati con batterie agli ioni di litio che risalgono ai primi anni '90 e progetti per celle solari al silicio che hanno anche decenni.
La complessità che ha rallentato il progresso in questi campi è dove eccelle il deep learning. La ricerca attraverso lo spazio multidimensionale per elaborare previsioni preziose è il punto debole dell'IA, afferma Ajay Agrawal, economista presso la Rotman School of Management di Toronto e autore del best-seller Macchine di previsione: l'economia semplice dell'intelligenza artificiale .
In un recente articolo, gli economisti del MIT, di Harvard e della Boston University hanno affermato che il maggiore impatto economico dell'IA potrebbe derivare dal suo potenziale come nuovo metodo di invenzione che alla fine rimodella la natura del processo di innovazione e l'organizzazione della ricerca e sviluppo.
Iain Cockburn, un economista della BU e coautore dell'articolo, afferma: I nuovi metodi di invenzione con ampie applicazioni non si presentano molto spesso e, se la nostra ipotesi è corretta, l'IA potrebbe cambiare drasticamente il costo della ricerca e dello sviluppo in molti campi diversi. Gran parte dell'innovazione implica fare previsioni basate sui dati. In tali attività, aggiunge Cockburn, l'apprendimento automatico potrebbe essere molto più veloce ed economico per ordini di grandezza.
In altre parole, l'eredità principale dell'IA potrebbe non essere le auto senza conducente o la ricerca di immagini o persino la capacità di Alexa di prendere ordini, ma la sua capacità di elaborare nuove idee per alimentare l'innovazione stessa.
Le idee stanno diventando costose
Alla fine dell'anno scorso, Paul Romer ha vinto il Premio Nobel per l'economia per il lavoro svolto tra la fine degli anni '80 e l'inizio degli anni '90 che ha mostrato come gli investimenti in nuove idee e innovazione guidano una solida crescita economica. Gli economisti precedenti avevano notato la connessione tra innovazione e crescita, ma Romer ha fornito una spiegazione squisita di come funziona. Nei decenni successivi, le conclusioni di Romer sono state l'ispirazione intellettuale per molti nella Silicon Valley e aiutano a spiegare come ha raggiunto tale ricchezza.
Ma cosa succede se la nostra pipeline di nuove idee si sta esaurendo? Gli economisti Nicholas Bloom e Chad Jones a Stanford, Michael Webb, uno studente laureato all'università, e John Van Reenen al MIT hanno esaminato il problema in un recente articolo intitolato Le idee stanno diventando più difficili da trovare? (La loro risposta è stata Sì.) Guardando alla scoperta di farmaci, alla ricerca sui semiconduttori, all'innovazione medica e agli sforzi per migliorare i raccolti, gli economisti hanno scoperto una storia comune: gli investimenti nella ricerca stanno aumentando notevolmente, ma i guadagni rimangono costanti.
Dal punto di vista di un economista, questo è un problema di produttività: stiamo pagando di più per una quantità simile di output. E i numeri sembrano cattivi. La produttività della ricerca, ovvero il numero di ricercatori necessari per produrre un determinato risultato, sta diminuendo di circa il 6,8% all'anno per il compito di estendere la legge di Moore, che richiede di trovare il modo di imballare componenti sempre più piccoli su un chip semiconduttore al fine di continua a rendere i computer più veloci e potenti. (Oggi hanno bisogno di più di 18 volte più ricercatori per raddoppiare la densità dei trucioli rispetto ai primi anni '70). Per migliorare le sementi, misurate dai raccolti, la produttività della ricerca sta diminuendo di circa il 5% ogni anno. Per l'economia statunitense nel suo complesso, è in calo del 5,3%.
Il prezzo in aumento delle grandi idee
Ci vogliono più ricercatori e denaro per trovare nuove idee produttive, secondo gli economisti di Stanford e del MIT. Questo è un probabile fattore nella crescita lenta complessiva negli Stati Uniti e in Europa negli ultimi decenni. Il grafico seguente mostra l'andamento dell'economia nel suo complesso, mettendo in evidenza la produttività totale dei fattori negli Stati Uniti (media decennale e per il periodo 2000–2014), una misura del contributo dell'innovazione, rispetto al numero di ricercatori. Modelli simili valgono per aree di ricerca specifiche.
fonte: bloom, jones, van reenen e webb
Qualsiasi effetto negativo di questo calo è stato compensato, finora, dal fatto che stiamo investendo più soldi e più persone nella ricerca. Quindi stiamo ancora raddoppiando il numero di transistor su un chip ogni due anni, ma solo perché stiamo dedicando molte più persone al problema. Dovremo raddoppiare i nostri investimenti in ricerca e sviluppo nei prossimi 13 anni solo per continuare a camminare sull'acqua.
Potrebbe essere, ovviamente, che campi come la scienza delle colture e la ricerca sui semiconduttori stiano invecchiando e le opportunità di innovazione stiano diminuendo. Tuttavia, i ricercatori hanno anche scoperto che la crescita complessiva legata all'innovazione nell'economia è stata lenta. Qualsiasi investimento in nuove aree e tutte le invenzioni che hanno generato non sono riuscite a cambiare la storia generale.
Il calo della produttività della ricerca sembra essere una tendenza decennale. Ma ora è particolarmente preoccupante per gli economisti perché abbiamo assistito a un rallentamento generale della crescita economica dalla metà degli anni 2000. In un momento di nuove brillanti tecnologie come smartphone, auto senza conducente e Facebook, la crescita è lenta e la parte attribuita all'innovazione, chiamata produttività totale dei fattori, è stata particolarmente debole.
Gli effetti persistenti del crollo finanziario del 2008 potrebbero ostacolare la crescita, afferma Van Reenen, e così potrebbero continuare le incertezze politiche. Ma la scarsa produttività della ricerca è indubbiamente un contributo. E dice che se il declino continua, potrebbe arrecare gravi danni alla prosperità e alla crescita future.
Ha senso che abbiamo già raccolto gran parte di ciò che alcuni economisti chiamano il frutto basso in termini di invenzioni. Potrebbe essere che l'unico frutto rimasto siano alcune mele avvizzite sui rami più lontani dell'albero? Robert Gordon, un economista della Northwestern University, è stato un forte sostenitore di questo punto di vista. Dice che è improbabile che eguaglieremo il fiorire delle scoperte che ha segnato la fine del XIX e l'inizio del XX secolo, quando invenzioni come la luce e l'energia elettrica e il motore a combustione interna hanno portato a un secolo di prosperità senza precedenti.
Se Gordon ha ragione e ci sono meno grandi invenzioni rimaste, siamo destinati a un triste futuro economico. Ma pochi economisti pensano che sia così. Piuttosto, ha senso che ci siano nuove grandi idee là fuori; sta solo diventando più costoso trovarli man mano che la scienza diventa sempre più complessa. Le possibilità che la prossima penicillina ci cada in grembo sono scarse. Avremo bisogno di sempre più ricercatori per dare un senso al progresso della scienza in campi come la chimica e la biologia.
È ciò che Ben Jones, economista della Northwestern, chiama il fardello della conoscenza. I ricercatori stanno diventando sempre più specializzati, rendendo necessario formare squadre più grandi e più costose per risolvere i problemi. La ricerca di Jones mostra che l'età in cui gli scienziati raggiungono la loro massima produttività sta aumentando: impiegano più tempo per acquisire le competenze di cui hanno bisogno. È un sottoprodotto innato della crescita esponenziale della conoscenza, dice.
Molte persone mi dicono che le nostre scoperte sono deprimenti, ma io non la vedo in questo modo, dice Van Reenen. L'innovazione potrebbe essere più difficile e costosa, ma ciò, dice, indica semplicemente la necessità di politiche, compresi gli incentivi fiscali, che incoraggino gli investimenti in più ricerca.
Finché destini risorse alla ricerca e sviluppo, puoi mantenere una sana crescita della produttività, afferma Van Reenen. Ma dobbiamo essere preparati a spendere soldi per farlo. Non viene gratis.
Rinunciare alla scienza
L'IA può risolvere in modo creativo i tipi di problemi richiesti da tale innovazione? Alcuni esperti sono ora convinti che possa, visti i tipi di progressi mostrati dalla macchina da gioco AlphaGo.
AlphaGo ha imparato l'antico gioco del Go, battendo il campione in carica, studiando le mosse possibili quasi illimitate in un gioco che è stato giocato per diverse migliaia di anni dagli umani facendo molto affidamento sull'intuizione. In tal modo, a volte ha escogitato strategie vincenti che nessun giocatore umano aveva pensato di provare. Allo stesso modo, va il pensiero, i programmi di deep learning formati su grandi quantità di dati sperimentali e letteratura chimica potrebbero inventare nuovi composti che gli scienziati non avrebbero mai immaginato.
Una svolta simile ad AlphaGo potrebbe aiutare i crescenti eserciti di ricercatori a esaminare con attenzione dati scientifici in continua espansione? L'intelligenza artificiale potrebbe rendere la ricerca di base più rapida e produttiva, rilanciando aree che sono diventate troppo costose per le aziende da perseguire?
Gli ultimi decenni hanno visto un enorme sconvolgimento nei nostri sforzi di ricerca e sviluppo. Dai tempi in cui i Bell Labs di AT&T e il PARC di Xerox producevano invenzioni rivoluzionarie come il transistor, le celle solari e la stampa laser, la maggior parte delle grandi aziende negli Stati Uniti e in altre economie ricche ha rinunciato alla ricerca di base. Nel frattempo, gli investimenti federali statunitensi in ricerca e sviluppo sono stati piatti, in particolare per settori diversi dalle scienze della vita. Quindi, mentre continuiamo ad aumentare il numero di ricercatori in generale ea trasformare i progressi incrementali in opportunità commerciali, le aree che richiedono ricerca a lungo termine e una base nella scienza di base hanno subito un duro colpo.
L'invenzione di nuovi materiali, in particolare, è diventata un ristagno commerciale. Ciò ha frenato le innovazioni necessarie nella tecnologia pulita: cose come batterie migliori, celle solari più efficienti e catalizzatori per produrre combustibili direttamente dalla luce solare e dall'anidride carbonica (pensa alla fotosintesi artificiale). Sebbene i prezzi dei pannelli solari e delle batterie diminuiscano costantemente, ciò è in gran parte dovuto ai miglioramenti nella produzione e alle economie di scala, piuttosto che ai progressi fondamentali nelle tecnologie stesse.
Una svolta simile ad AlphaGo potrebbe aiutare i crescenti eserciti di ricercatori a esaminare con attenzione dati scientifici in continua espansione?
Ci vogliono in media dai 15 ai 20 anni per trovare un nuovo materiale, afferma Tonio Buonassisi, un ingegnere meccanico del MIT che sta lavorando con un team di scienziati a Singapore per accelerare il processo. È troppo lungo per la maggior parte delle aziende. È impraticabile anche per molti gruppi accademici. Chi vuole passare anni su un materiale che potrebbe funzionare o meno? Questo è il motivo per cui le startup venture-backed, che hanno generato gran parte dell'innovazione nel software e persino nelle biotecnologie, hanno rinunciato da tempo alla tecnologia pulita: i venture capitalist generalmente hanno bisogno di un ritorno entro sette anni o prima.
Un'accelerazione 10 volte [nella velocità di scoperta dei materiali] non solo è possibile, è necessaria, afferma Buonassisi, che gestisce un laboratorio di ricerca sul fotovoltaico al MIT. Il suo obiettivo, e quello di una rete vagamente connessa di colleghi scienziati, è utilizzare l'intelligenza artificiale e l'apprendimento automatico per ridurre il periodo di tempo da 15 a 20 anni a circa due o cinque anni attaccando i vari colli di bottiglia nel laboratorio, automatizzando quanto più possibile del processo. Un processo più rapido offre agli scienziati molte più potenziali soluzioni da testare, consente loro di trovare vicoli ciechi in poche ore anziché in mesi e aiuta a ottimizzare i materiali. Trasforma il modo in cui pensiamo come ricercatori, dice.
Potrebbe anche rendere ancora una volta la scoperta dei materiali una pratica attività commerciale. Buonassisi indica un grafico che mostra il tempo impiegato per sviluppare varie tecnologie. Una delle colonne etichettate batterie agli ioni di litio mostra 20 anni.
Un'altra colonna molto più corta è etichettata come nuova cella solare; in cima c'è l'obiettivo climatico 2030. Il punto è chiaro: non possiamo aspettare altri 20 anni per la prossima svolta nei materiali clean-tech.
Startup AI in farmaci e materiali| uno Dal punto di vista atomico | Due Kebotix | 3 Genomica profonda | |
|---|---|---|---|
| Cosa fanno | Usa le reti neurali per cercare in grandi database per trovare piccole molecole simili a farmaci che si legano a proteine mirate. | Sviluppa una combinazione di robotica e intelligenza artificiale per accelerare la scoperta e lo sviluppo di nuovi materiali e sostanze chimiche. | Usa l'intelligenza artificiale per cercare molecole di oligonucleotidi per curare le malattie genetiche. |
| Perchè importa | Identificare tali molecole con proprietà desiderabili, come la potenza, è un primo passo fondamentale nella scoperta di farmaci. | Ci vuole più di un decennio per sviluppare un materiale. Ridurre quel tempo potrebbe aiutarci ad affrontare problemi come il cambiamento climatico. | I trattamenti con oligonucleotidi sono promettenti contro una serie di malattie, compresi i disturbi neurodegenerativi e metabolici. |
Il laboratorio guidato dall'intelligenza artificiale
Vieni in una terra libera: è così che Alán Aspuru-Guzik invita in questi giorni un visitatore statunitense nel suo laboratorio di Toronto. Nel 2018 Aspuru-Guzik ha lasciato la sua posizione di ruolo di professore di chimica ad Harvard, trasferendosi con la sua famiglia in Canada. La sua decisione è stata guidata da una forte avversione per il presidente Donald Trump e le sue politiche, in particolare quelle sull'immigrazione. Non ha fatto male, tuttavia, il fatto che Toronto stia rapidamente diventando una mecca per la ricerca sull'intelligenza artificiale.
Oltre ad essere professore di chimica all'Università di Toronto, Aspuru-Guzik ha anche una posizione presso il Vector Institute for Artificial Intelligence. È il centro di intelligenza artificiale cofondato da Geoffrey Hinton, il cui lavoro pionieristico sull'apprendimento profondo e sulle reti neurali è in gran parte accreditato di aver dato il via al boom di oggi dell'IA.
In un importante articolo del 2012, Hinton e i suoi coautori hanno dimostrato che una rete neurale profonda, addestrata su un numero enorme di immagini, potrebbe identificare un fungo, un leopardo e un cane dalmata. È stato un notevole passo avanti all'epoca e ha rapidamente inaugurato una rivoluzione dell'intelligenza artificiale utilizzando algoritmi di apprendimento profondo per dare un senso a grandi set di dati.
I ricercatori hanno rapidamente trovato il modo di utilizzare tali reti neurali per aiutare le auto senza conducente a navigare e per individuare i volti in mezzo alla folla. Altri hanno modificato gli strumenti di deep learning in modo che potessero allenarsi; tra questi strumenti ci sono i GAN (generative adversarial networks), che possono fabbricare immagini di scene e persone che non sono mai esistite.
In un documento di follow-up del 2015, Hinton ha fornito indizi sul fatto che il deep learning potrebbe essere utilizzato nella ricerca sulla chimica e sui materiali. Il suo articolo pubblicizzava la capacità della rete neurale di scoprire strutture intricate in dati ad alta dimensione, in altre parole, le stesse reti che possono navigare attraverso milioni di immagini per trovare, ad esempio, un cane con le macchie potrebbero selezionare milioni di molecole per identificarne una con alcune proprietà desiderabili.
Energico e pieno di idee, Aspuru-Guzik non è il tipo di scienziato che spende pazientemente due decenni per capire se un materiale funzionerà. E ha rapidamente adattato il deep learning e le reti neurali per tentare di reinventare la scoperta dei materiali. L'idea è di infondere intelligenza artificiale e automazione in tutte le fasi della ricerca sui materiali: il progetto iniziale e la sintesi di un materiale, il suo test e analisi, e infine i molteplici perfezionamenti che ne ottimizzano le prestazioni.
In una gelida giornata all'inizio di gennaio, Aspuru-Guzik ha il cappello stretto sulle orecchie, ma per il resto sembra ignaro del clima aspro canadese. Ha altre cose per la testa. Per prima cosa, sta ancora aspettando la consegna di un robot da 1,2 milioni di dollari, ora su una nave dalla Svizzera, che sarà il fulcro del laboratorio automatizzato e basato sull'intelligenza artificiale che ha immaginato.
In laboratorio, strumenti di deep learning come i GAN e il loro cugino, una tecnica chiamata autoencoder, immagineranno nuovi materiali promettenti e scopriranno come realizzarli. Il robot poi realizzerà le mescole; Aspuru-Guzik vuole creare un sistema automatizzato a prezzi accessibili in grado di sputare nuove molecole su richiesta. Una volta realizzati i materiali, possono essere analizzati con strumenti come uno spettrometro di massa. Ulteriori strumenti di apprendimento automatico daranno un senso a quei dati e diagnosticheranno le proprietà del materiale. Queste intuizioni verranno quindi utilizzate per ottimizzare ulteriormente i materiali, modificandone le strutture. E poi, dice Aspuru-Guzik, l'IA selezionerà il prossimo esperimento da fare, chiudendo il cerchio.
L'idea è di infondere intelligenza artificiale e automazione in tutte le fasi della ricerca sui materiali e della scoperta di farmaci.
Una volta installato il robot, Asperu-Guzik prevede di realizzare circa 48 nuovi materiali ogni due giorni, attingendo alle informazioni di apprendimento automatico per continuare a migliorare le proprie strutture. Si tratta di un nuovo materiale promettente ogni ora, un ritmo senza precedenti che potrebbe trasformare completamente la produttività del laboratorio.
Non si tratta semplicemente di inventare un materiale magico, dice. Per cambiare davvero la ricerca sui materiali, è necessario attaccare l'intero processo: quali sono i colli di bottiglia? Vuoi l'IA in ogni parte del laboratorio. Una volta che hai una struttura proposta, ad esempio, devi ancora capire come realizzarla. Possono volerci settimane o mesi per risolvere ciò che i chimici chiamano retrosintesi, lavorando a ritroso da una struttura molecolare per capire i passaggi necessari per sintetizzare un tale composto. Un altro collo di bottiglia arriva nel dare un senso alle risme di dati prodotti dalle apparecchiature analitiche. L'apprendimento automatico potrebbe accelerare ciascuno di questi passaggi.
Ciò che motiva Apuru-Guzik è la minaccia del cambiamento climatico, la necessità di miglioramenti nella tecnologia pulita e il ruolo essenziale dei materiali nella produzione di tali progressi. La sua ricerca sta esaminando nuovi elettroliti organici per batterie a flusso, che possono essere utilizzati per immagazzinare l'elettricità in eccesso dalle reti elettriche e reimmetterla quando è necessario, e celle solari organiche che sarebbero molto più economiche di quelle a base di silicio. Ma se il suo progetto per un laboratorio chimico autonomo e automatizzato funziona, suggerisce, potrebbe rendere la chimica molto più accessibile a quasi tutti. La chiama democratizzazione della scoperta dei materiali.
È qui che sta l'azione, dice. Le IA che guidano le automobili, le IA che migliorano la diagnostica medica, le IA per gli acquisti personali: la crescita economica delle IA applicate alla ricerca scientifica può sommergere l'impatto economico di tutte le altre IA messe insieme.
Il Vector Institute, la calamita di Toronto per la ricerca sull'intelligenza artificiale, si trova a meno di un miglio di distanza. Dalle finestre dell'ampio open space, puoi guardare l'edificio del parlamento dell'Ontario. La vicinanza di esperti di intelligenza artificiale, chimica e affari alla sede del governo della provincia nel centro di Toronto non è una coincidenza. C'è una forte convinzione tra molti in città che l'IA trasformerà il business e l'economia e, sempre più, alcuni sono convinti che cambierà radicalmente il modo in cui facciamo scienza.
Tuttavia, se è così, un primo passo è convincere gli scienziati che ne vale la pena.
Guzman-Perez di Amgen afferma che molti dei suoi colleghi in chimica medicinale sono scettici. Negli ultimi decenni il campo ha visto una serie di presunte tecnologie rivoluzionarie, dalla progettazione computazionale alla chimica combinatoria e allo screening ad alto rendimento, che hanno automatizzato la produzione rapida e il test di più molecole. Ciascuno si è dimostrato in qualche modo utile ma limitato. Nessuno, dice, ti procura magicamente un nuovo farmaco.
È troppo presto per sapere con certezza se il deep learning potrebbe finalmente essere il punto di svolta, riconosce, ed è difficile conoscere il lasso di tempo. Ma trae incoraggiamento dalla velocità con cui l'IA ha trasformato il riconoscimento delle immagini e altre attività di ricerca.
Si spera che possa accadere in chimica, dice.
Stiamo ancora aspettando il momento AlphaGo in chimica e materiali, affinché gli algoritmi di apprendimento profondo superino in astuzia l'essere umano più esperto nel trovare un nuovo farmaco o materiale. Ma proprio come AlphaGo ha vinto con una combinazione di strategia misteriosa e un'immaginazione disumana, gli ultimi programmi di intelligenza artificiale di oggi potrebbero presto dimostrarsi in laboratorio.
E questo ha fatto sognare in grande alcuni scienziati. L'idea, afferma Apuru-Guzik, è quella di utilizzare l'intelligenza artificiale e l'automazione per reinventare il laboratorio con strumenti come la stampante molecolare da 30.000 dollari che spera di costruire. Spetterà quindi all'immaginazione degli scienziati, e a quella dell'IA, esplorare le possibilità.