Špičkový vedec Vivek Natarajan pracuje v Googli hneď na dvoch projektoch, ktoré môžu spôsobiť revolúciu. Jeden v medicíne a druhý rovno v celej vede.
Stal sa z toho často opakovaný vtip. Máte zdravotný problém? Spýtajte sa doktora Googla. Naťukajte svoje ťažkosti a obavy do vyhľadávača a algoritmy vás cez obrazovku a klávesnicu perfektne diagnostikujú. Lekári to vidia veľmi neradi, oprávnene tušia, že od skutočnej lekárskej starostlivosti to má ďaleko.
A potom je tu Vivek Natarajan, jeden z hlavných vývojárov v Google DeepMinde, ktorý stavia skutočného doktora Googla. S tým sa však radiť nebudete. Po radu za ním totiž budú chodiť rovno ľudia v bielych plášťoch. Projekt Med-PaLM pod krídlami amerického giganta zo Silicon Valley sa pod vedením Natarajana začal formovať pred štyrmi rokmi a šiestimi mesiacmi.
„Mám dojem, že keď sme s ním začínali, nikto o využívaní veľkých jazykových modelov v medicíne ani neuvažoval,“ hovorí skromne pôsobiaci výskumník, keď sedíme pri malom stolíku vo varšavskom konferenčnom centre.
Pravdepodobnosť, že sa práve nachádzame pod strechou s ľuďmi, ktorí zásadne zmenia život každého jedného človeka na planéte, je vysoká. Zišli sa sem totiž v rámci konferencie Google Research jedny z najbystrejších mozgov, ktoré medzi výskumníkmi v ikonickej technologickej spoločnosti nájdete.
Zástupca z Google Earth tu prezentuje nástroj, ktorý by mal vedieť predpovedať aj bleskové povodne v mestách s predstihom 24 hodín či simulovať vývoj lesných požiarov. Alebo pomocou mobilných telefónov vytvoril najväčšiu detekčnú sieť sveta, ktorá vie počas niekoľkých sekúnd určiť epicentrum a silu zemetrasenia a vyslať okamžité varovania.
Iný projekt sa venuje konektomike, ktorá mapuje všetky neurónové spojenia v ľudskom mozgu. Len samotných neurónov je v ňom okolo 86 miliárd a každý z nich má tisíce spojení. Potenciálne množstvo dát potrebných na kompletný model je preto takmer nepredstaviteľné.
Pre predstavu: jeden kubický milimeter mozgu, čo je oblasť zhruba vo veľkosti zrnka cukru, vytvorí okolo 1,4 petabajtu dát. Teda 1 400 terabajtov. To je kapacita asi 1 400 moderných notebookov, ktoré by vytvorili rad dlhý 450 metrov. Aj tak však Vivek Natarajan, ktorý vyučuje aj na Harvarde, so svojím projektom Med-PaLM vyčnieva. Má to byť nástroj, ktorý si osvoja lekári priamo v klinickej praxi.
Na vašej diagnóze alebo stanovení liečby sa môže už čoskoro podieľať rovnakou mierou ako doktor z mäsa a kostí. „Spočiatku to bol hlavne výskumný projekt, vždy musíte začať pri výskume. Projekt mal dva hlavné ciele. Najprv zistiť objem lekárskych znalostí obsiahnutých vo veľkých jazykových modeloch a následne overiť, či ich dokážeme rýchlo a bezpečne adaptovať na praktické využitie v medicíne,“ opisuje Natarajan.
Ako spoznáte, že je váš AI model na úrovni ľudského vyštudovaného lekára? Dáte mu predsa rovnaký set testov, ktoré musia muži a ženy pri vstupe do sveta medicíny skladať. To Natarajanov tím presne urobil. Nechal Med-PaLM zložiť americkú trojstupňovú skúšku, pri ktorej musia ľudskí uchádzači prekročiť aspoň šesťdesiat percent úspešnosti.
A aký úspešný bol Med-PaLM? Prečítajte si sami.
Predchádzajúce špecializované systémy umelej inteligencie dosahovali v týchto testoch maximálne dvadsať až tridsať percent úspešnosti. S príchodom veľkých jazykových modelov, konkrétne Med-PaLM a neskôr Med-PaLM 2, sme však zaznamenali skok na viac než deväťdesiat percent. Daný benchmark sa nám tak podarilo prakticky vyčerpať. Neuveriteľné na tom je, že k tomuto pokroku došlo počas šiestich mesiacov.
Je však potrebné podotknúť, že išlo stále o model školený primárne na odpovedanie na otázky a tvorbu zhrnutí. To z neho však nutne nerobí systém použiteľný pre skutočné klinické prostredie alebo pre kontakt s pacientmi. Týmto míľnikom sa prvá fáza projektu síce skončila, naša práca však pokračuje ďalej. V rámci projektu AMIE vyvíjame jednotlivé komponenty toho, čo si predstavujeme pod pojmom AI spolupracovník pre klinickú prax.
Všetci si uvedomujeme, že medicína je zo svojej podstaty multimodálna disciplína. Jasné, lekár a pacient sa spolu rozprávajú pomocou jazyka, ale samotná diagnostika sa opiera o celý rad vstupov – od zobrazovacích metód až po genetické testy. Práve tu sa otvára obrovský priestor pre užšie prepojenie poznatkov z biológie s klinickou praxou. Často hovoríme o Moorovom zákone a o tom, ako sa výkon výpočtovej techniky rok čo rok exponenciálne zvyšuje. Dnes však paralelne prebieha ďalšia zásadná revolúcia: neuveriteľné zrýchlenie tempa, akým dokážeme analyzovať našu vlastnú biológiu na čoraz detailnejšej úrovni.
Mám na mysli všetky omické datasety, ktoré sú dnes k dispozícii a zahŕňajú komplexné súbory dát na rôznych úrovniach biologických systémov, od génov až po látkovú výmenu. Tie nám umožňujú veľmi presne merať molekulárne signatúry, teda špecifické súbory chemických znakov, ktoré slúžia ako unikátne identifikátory stavu našich buniek. Vďaka tomu môžeme analyzovať dáta o génovej expresii, ktorá nám odhaľuje, ako a v akej miere sa informácia uložená v génoch aktívne prepisuje do podoby funkčných produktov. Dôležitou súčasťou je aj sekvenovanie RNA a výskum proteomiky, teda rozsiahle štúdium štruktúry a funkcií proteínov, ktoré sú základnými stavebnými kameňmi a vykonávateľmi väčšiny procesov v našom tele.
Nejde len o premenné, ktoré samostatne sledujeme. Na tej najzákladnejšej úrovni máme teraz k dispozícii obrovské množstvo dát. Ak dokážeme porozumieť procesom prebiehajúcim vo vnútri ľudského tela v takomto jemnom a precíznom rozlíšení, získame úplne nový pohľad na fungovanie celého organizmu.
V podstate tak získavame všetky dieliky skladačky potrebné na to, aby sa medicína stala skutočne personalizovanou disciplínou. Posledných päťdesiat či šesťdesiat rokov bola lekárska prax väčšinou založená na tom, že výskumníci na základe dát o jednej cieľovej populácii vyvinuli lieky a terapie, ktoré sa následne paušálne aplikovali na zvyšok sveta. Každý človek je však unikátny a má špecifické genetické charakteristiky, rovnako ako sa od seba líšia celé populácie.
Tento tradičný prístup síce priniesol slušné výsledky, ale v súčasnosti už prestáva stačiť. Verím, že nadchádzajúca éra patrí precíznej medicíne. V nej budeme kombinovať diagnostické zobrazovanie s extrémne presnými molekulárnymi signatúrami v najvyššom možnom detaile. Vďaka tomu budeme schopní robiť vysoko personalizované rozhodnutia, ktoré povedú k optimálnemu zdraviu a celkovej životnej pohode každého jednotlivca.
Presne tak, trafili ste klinec po hlavičke. Síce máme k dispozícii obrovské množstvo novovznikajúcich dát, ale bez technológií schopných ich analýzy a interpretácie by nám boli na nič. Bola by to len nevyužitá digitálna stopa. Práve v tom spočíva prelomový význam súčasných vysokovýkonných systémov umelej inteligencie. Tie totiž dokážu dáta nielen interpretovať, syntetizovať a sumarizovať, ale predovšetkým ich integrovať z mnohých rôznych zdrojov a uhlov pohľadu.
Vďaka tomu sú schopné nachádzať skryté súvislosti a vyvodzovať z nich presné závery. Nejde totiž len o prostú syntézu informácií alebo generovanie stručných výťahov. Skutočná hodnota sa neukrýva v tom, že systém dokáže spracovať jedno, druhé alebo tretie zhrnutie – zásadné je, že o týchto dátach dokáže logicky uvažovať. Až schopnosť prepojiť všetky tieto čiastkové poznatky do jedného logického celku mení pravidlá hry. A práve v tom spočíva skutočná inteligencia. Verím, že presne táto schopnosť sa teraz rodí a stane sa kľúčovým nástrojom, ktorý nám v budúcnosti pomôže posunúť možnosti medicíny.
Jedna z vecí, ktorá ma zaujala, je fakt, že musíte Med-PaLM korigovať, aby nepodliehal rôznym kultúrnym predsudkom. Čo si pod tým predstaviť?
Začnem trochu obšírnejšie. Skvelá vlastnosť veľkých jazykových modelov je, že pri ich nasadzovaní nemusíte zakaždým robiť zdĺhavý fine-tuning. Namiesto toho uvediete podrobné inštrukcie priamo v zadaní. Model sa tak vie adaptovať okamžite a za chodu, čo je flexibilita, ktorej predchádzajúce modely Med-PaLM bežne neboli schopné. Veľký skok dopredu pre nás znamenal prechod na architektúru Gemini. Najnovšie modely Gemini vynikajú v schopnosti nasledovať inštrukcie a v logickom uvažovaní. Pokrok, ktorý sme za posledné tri roky dosiahli, v podstate znamená, že sa veľké jazykové modely začínajú v mnohých ohľadoch učiť a uvažovať podobne ako ľudia.
Čo spôsobilo ten skok?
Pred nástupom veľkých jazykových modelov spočívala výučba modelov strojového učenia v tom, že ste im museli predložiť milióny konkrétnych príkladov. Napríklad, ako vyzerá pes v porovnaní s mačkou alebo ako vyzerá tenisový zápas. Tieto modely boli, obrazne povedané, extrémne hladné po dátach. Až po spracovaní takého množstva dát si dokázali vytvoriť vnútorné reprezentácie a algoritmy potrebné na správnu klasifikáciu alebo rozpoznávanie vzorcov. Z dnešného pohľadu bol však tento prístup v mnohých ohľadoch neuspokojivý. Chýbala mu totiž efektivita.
Často sa stávalo, že ste model vytrénovali v jednom prostredí, ale nasadiť ste ho potrebovali v mnohých iných. Typickým príkladom bol vývoj modelu na röntgenových snímkach hrudníka z jednej konkrétnej nemocnice. Hneď ako ste ho preniesli inde, v praxi sa ukázalo, že tieto modely nedokážu dostatočne generalizovať, teda aplikovať naučené vzorce na dáta z nového zdroja. Keby ste takto vytrénovaný model preniesli do nemocnice o pár ulíc ďalej, nefungoval by. To pochopiteľne nebolo ideálne.
Pri súčasných multimodálnych modeloch však vidíme schopnosť okamžitej adaptácie a rýchlej generalizácie. V podstate sa to približuje spôsobu, akým sa učíme my ľudia. Vezmite si príklad: keby ste boli mojím tenisovým trénerom, nebudete mi púšťať milióny záznamov tenisových zápasov, aby som pochopil, čo mám robiť. Jednoducho mi dáte inštrukcie. Poviete mi: Takto sa triafa loptička, sleduj ju až do momentu kontaktu s raketou, potom švihni.
Takže začínate na úplných konceptuálnych základoch a budujete smerom nahor…
Presne tak. Prvýkrát v histórii sme pri systémoch umelej inteligencie svedkami toho, že sa dokážu učiť prostredníctvom spätnej väzby v prirodzenom jazyku. To považujem za absolútne prelomové. Ak sa teda vrátim k vašej pôvodnej otázke: v praxi to znamená, že keď vyviniem model v laboratóriu a následne ho nasadím napríklad v Indii, môžem ho okamžite prispôsobiť miestnym podmienkam.
Vieme, že indické zdravotníctvo funguje v úplne inom režime a s inými zdrojmi. Často sa pasuje s nedostatkom lekárov alebo nedostupnosťou špecializovaných pracovísk. Modelu teraz môžem jednoducho za chodu vysvetliť, že musí brať do úvahy špecifický sociálny kontext a konkrétne okolnosti. Pri poskytovaní rád či odporúčaní potom AI vie, že nemôže každému pacientovi automaticky nariadiť vyšetrenie magnetickou rezonanciou, ak v okruhu stoviek kilometrov žiadne také centrum neexistuje.
Meníte aj spôsob, akým AI komunikuje?
Iste, vezmite si napríklad Japonsko, ktoré je plné špecifických kultúrnych nuáns. Spôsob komunikácie aj celkové očakávania sú tam úplne odlišné. Navyše, je tam vysoký podiel starších ľudí, čo si vyžaduje trpezlivosť, pomalšie tempo a veľmi postupné vysvetľovanie. Všetky tieto parametre dnes môžeme jednoducho definovať v rámci promptu a model sa im okamžite prispôsobí. V tom vidím obrovský prínos: prechod z laboratórneho prostredia do reálneho sveta si už nevyžaduje mesiace dodatočnej práce. Model dokážeme veľmi rýchlo adaptovať na špecifické podmienky a takmer okamžite ho nasadiť do praxe.
Vy budete určite technooptimista, však?
Rozhodne.
Vidíte v medicíne úlohy, ktoré pomocou AI nenahradíme?
To je zásadná otázka. Často totiž zabúdame, že keď ľudia vyhľadávajú lekára alebo opatrovateľa, nechodia k nim vždy len po diagnózu alebo liečebný plán. Neraz jednoducho potrebujú niekoho, s kým sa môžu porozprávať, chcú mať pocit, že ich niekto skutočne vníma a že na druhej strane počujú ľudský hlas.
Je to istý typ terapie…
To je presne ono. Smutnou realitou dneška však je, že lekári na tieto ľudské interakcie jednoducho nemajú čas. Či už je to v USA, v Indii alebo tu v strednej Európe, návšteva ambulancie sa zmenila na čisto transakčnú záležitosť. Počas piatich minút sa z vás lekár snaží vyťažiť maximum informácií, aby v časovom strese stihol navrhnúť najlepší možný postup. Lekári sú extrémne preťažení. Na jednej strane stoja naliehavé potreby pacientov, na druhej strane narastá enormný tlak na samotných zdravotníkov. Kľúčová otázka teda znie: Ako to zmeniť? Ako vrátiť do lekárskej praxe radosť a ako z medicíny znovu urobiť skutočne humánnu disciplínu?
Skutočnosť, že pacienti jednoducho potrebujú hovoriť s iným človekom, je hlboko zakorenená potreba.
Tuším, aké riešenie pre nich máte.
Tušíte správne. Práve v tejto oblasti môže umelá inteligencia výrazne pomôcť. Som však presvedčený, že nikdy nenahradí samotný rozmer ľudskosti. Skutočnosť, že pacienti jednoducho potrebujú hovoriť s iným človekom, je hlboko zakorenená potreba. Toto ľudské puto z medicíny nikdy nezmizne.
Akým smerom sa teda uberá vývoj? Smerom k asistentovi pre lekárov, AI agentom pod supervíziou alebo autonómnym agentom?
Názory na to sa rôznia. Prístup môjho tímu v Googli a naša celková vízia spočívajú primárne v amplifikácii lekárov, v posilnení ich schopností. Predstavte si to v praxi: ak dnes lekár vo svojom regióne opatruje päťsto pacientov, naším cieľom je, aby ich s pomocou AI dokázal zvládnuť napríklad dvetisíc, ale s tým, že každému z nich venuje ešte kvalitnejšiu a adresnejšiu starostlivosť než doteraz. V mnohých ohľadoch to znamená zbaviť lekára činností, ktoré dnes síce musí vykonávať, ale ktoré nie sú pre samotnú liečbu kľúčové – napríklad písanie poznámok alebo zdĺhavé prepisovanie údajov do zdravotnej dokumentácie.
To všetko dnes AI hravo zvládne. Rovnako tak môže umelá inteligencia prevziať štúdium pacientovej anamnézy alebo vyhľadávanie relevantných vedeckých štúdií a článkov potrebných na stanovenie diagnózy. To, čo je však absolútne nenahraditeľné, je schopnosť lekára pacientovi skutočne porozumieť, venovať mu čas a načúvať mu. Práve to je naša priorita: nechať AI robiť rutinné úlohy, ktoré dnes lekára o čas iba okrádajú, aby sa mohli naplno venovať tomu najdôležitejšiemu: samotnému pacientovi.
To je v podstate rola spomínaného modelu AMIE?
AMIE je stále výskumný projekt, ale áno, je to jeden z jeho aspektov.
Komunikácia medzi dvoma ľuďmi, zvlášť ak ide o zdravotný stav, je ošemetná. Sú v nej prirodzene emócie. Ako s tým pracujete?
Trefná poznámka. Jednou z oblastí, do ktorej sme investovali značné úsilie, je práca s dátami v takto citlivom odbore. Plne si uvedomujeme, že získavanie reálnych zdravotných údajov je nesmierne zložité a eticky náročné. Tento fakt plne rešpektujeme, a preto sme sa zamerali na vývoj pokročilých simulačných prostredí s fiktívnymi pacientmi, ktorí otvárajú veľmi citlivé témy. Dokážeme verne nasimulovať rôzne typy osobností aj ich špecifické reakcie, s ktorými sa lekári stretávajú v praxi. Len tu si ich možno vyskúšať nanečisto.
V tejto simulácii môže náš lekársky AI asistent interagovať s pacientmi z najrôznejších sociálnych vrstiev, s odlišnými povahami, diagnózami aj symptómami. Simulujeme aj rôzne spôsoby komunikácie. Niektorí pacienti sa vyjadrujú veľmi kultivovane a precízne, zatiaľ čo iní môžu mať jazykovú bariéru. Niekto môže preferovať španielčinu, iný zasa poľštinu, alebo oba jazyky v rozhovore miešať. Rola lekára však zostáva nemenná: musí byť schopný poskytnúť rovnako kvalitnú starostlivosť každému pacientovi bez rozdielu. A práve túto schopnosť inkluzívnej a zrozumiteľnej starostlivosti sa umelá inteligencia v simuláciách učí, aby bola spoľahlivá v hociktorom kontexte.
To by vám umožnilo škálovať AI modely veľmi rýchlo nahor. Darí sa vám to?
Vďaka simuláciám to dokážeme extrémne rýchlo. V tomto virtuálnom prostredí naša umelá inteligencia vyliečila už milióny pacientov. Samozrejme, ide o syntetické dáta a simulované prípady, ale keď si to spočítate a porovnáte s reálnou praxou, tak bežný lekár za celú svoju kariéru vyšetrí zhruba desať- až päťdesiattisíc pacientov. Naše systémy teda už teraz disponujú skúsenosťami, ktoré sú o dva rády bohatšie než celoživotná prax jedného človeka.
Čo ste sa vy osobne dozvedeli o tom, ako spolu môže komunikovať človek a stroj?
Najviac asi to, ako veľmi záleží na používateľskom prostredí.
Ako si to predstaviť? Ako vznášajúcu sa svetelnú guľu alebo generovanú ľudskú tvár?
Znovu sa vraciam k nutnosti adaptácie na konkrétneho používateľa. Niekto preferuje strohé, jednoduché rozhrania, iný vyžaduje prostredie, ktoré je oveľa dynamickejšie. Obrovskou výhodou generatívnej AI je, že dokáže prvky používateľského rozhrania vytvárať a upravovať doslova za chodu podľa aktuálnej potreby. Je to fascinujúci technologický aspekt, ale za ešte dôležitejšie považujem niečo iné. Z našich predchádzajúcich vedeckých projektov sme sa naučili, že absolútne kľúčovou vlastnosťou umelej inteligencie musí byť schopnosť zrozumiteľne komunikovať vlastnú mieru neistoty.
Neistoty? To je asi to posledné, čo chcem od lekára počuť.
Lenže práve v takých momentoch sa rodí skutočná dôvera. Ak by sa systém tváril za všetkých okolností neomylne, alebo by sa dokonca snažil svoje schopnosti prehnane glorifikovať, lekári by k nemu stratili dôveru. A bez dôvery ho jednoducho prestanú používať. To isté platí v bledomodrom aj pre samotných pacientov. Venujeme sa špeciálne nastaveniu hlasu, ktorý by mal model používať. Má znieť ako niekto, komu na vás záleží, ale súčasne má autoritu, nie je prehnane energický. To všetko sa môže meniť aj priamo počas konverzácie. Riešime aj to, aké slová používať v akých situáciách. Keď sa započúvate do toho, ako lekári hovoria s pacientmi, všimnete si, že sa vyhýbajú absolútnym súdom.
Nikdy od nich nebudete počuť vetu typu: „Zaručene trpíte touto chorobou.“ Lekár radšej povie: „Symptómy naznačujú, že by mohlo ísť o toto ochorenie, ale aby sme si boli istí, musíme vykonať nasledujúce vyšetrenie.“ A presne túto opatrnosť a schopnosť pracovať s hypotézami sa musí naučiť aj umelá inteligencia. Systém nám zároveň musí byť schopný vysvetliť, prečo k diagnóze dospel a ako môžeme súčasnú mieru neistoty znížiť. Teda aký ďalší krok máme podniknúť. Práve schopnosť komunikovať tieto jemné nuansy je v medicíne absolútne zásadná. Je to povestný kľúč k úspechu. Ak totiž AI nedokáže pracovať s hypotézami a neistotou, lekári jej nikdy nebudú plne dôverovať.
Ak totiž AI nedokáže pracovať s hypotézami a neistotou, lekári jej nikdy nebudú plne dôverovať.
Že Google nie je vedecká organizácia? Nuž, v Stockholme to zrejme vidia inak. Stačí sa vrátiť len o dva roky späť, do roku 2024, keď Švédska kráľovská akadémia vied rozdávala ako každý rok Nobelove ceny, najprestížnejšiu vedeckú métu sveta. Medzi ocenenými boli aj Demis Hassabis a John Jumper.
Prvý menovaný je CEO a spoluzakladateľ Google DeepMind a faktický Natarajanov šéf, druhý je vo firme jedným z riaditeľov. Obaja sú zo spoločnosti, ktorá je na svetovej špičke v oblasti umelej inteligencie. Vtip je však v tom, že Nobelovu cenu dostali za chémiu. Pomocou AI modelov AlphaFold dokázali úspešne predikovať štruktúru proteínov pri ich skladaní, teda päťdesiat rokov starý problém, ktorého vyriešenie znamenalo revolúciu v biológii. A to neboli jediní.
Za fyziku si ocenenie v rovnakom roku odniesol aj Geoffrey Hinton, označovaný za jedného z praotcov umelej inteligencie. Cenu dostal za objavy, ktoré umožnili strojové učenie pomocou umelých neurónových sietí. Hinton bol až do roku 2023 desať rokov výskumníkom a tiež viceprezidentom práve v Googli. Toto špičkové vedecké podhubie tak logicky vedie k projektom, ako je AI co-scientist, za ktorým stojí Vivek Natarajan ako jeden z hlavných výskumníkov.
Ak AlphaFold spôsobil revolúciu v biológii, môže AI co-scientist od Googlu spôsobiť revolúciu rovno v celej vede. Je to model umelej inteligencie, ktorý systematicky hľadá biele miesta vo vedeckých výskumoch. Pátra po hypotézach, ktoré ešte nikto netestoval. Alebo dokonca nikoho ešte ani nenapadli. Brodí sa miliónmi vedeckých štúdií a naprieč nimi hľadá súvislosti, ktoré si bežný človek jednoducho nemá šancu všimnúť, ak sú mimo jeho odboru.
Takto už napríklad tento neúnavný vyhľadávač rešerší objavil, že lieky pôvodne určené na úplne iné choroby by mohli fungovať aj pri fibróze pečene. Rovnako tak AI co-scientist šokoval tím vedcov pracujúcich roky na hypotéze o hyperrezistentných baktériách, keď k rovnakému záveru dospel počas niekoľkých dní. A vlani napríklad AI systém analyzoval genetické interakcie v nádoroch a navrhol nový mechanizmus liečby, ktorý bol dovtedy prehliadaný.
Ľudstvo jednoducho sedí na obrovskom balíku dát, z ktorého dokázalo syntetizovať len obmedzené množstvo vedomostí. Vivek Natarajan dokonca verí, že umelá inteligencia má potenciál objaviť násobne viac súvislostí, než doteraz dokázala veda. Aké objavy to môže priniesť? To necháme na vašej bujnej fantázii.
To je hlavný cieľ AI co-scientistu? Syntéza nových súvislostí, ktoré ležia ladom, neobjavené?
Nepovedal by som, že toto je náš konečný cieľ. Ten je pravdepodobne ešte oveľa ďalej. Ale s tým, kde sa momentálne nachádzame, je to asi spôsob, ako z AI co-scientistu vyťažiť maximum.
Čo vie lepšie než ľudskí vedci?
V súčasnosti narážame na limity ľudských kapacít. Počet expertov alebo doktorandov, ktorých sme schopní vyškoliť, je jednoducho obmedzený. Vo svete pritom vzniká obrovské množstvo fascinujúceho výskumu, ale nikto z nás nemá čas ten neustály príval informácií sledovať, nieto ich všetky syntetizovať, do hĺbky pochopiť a hľadať medzi nimi skryté súvislosti. Práve v tom vidím nezastupiteľnú úlohu systémov umelej inteligencie. Zatiaľ čo my jeme, spíme alebo trávime čas s rodinou, AI môže neúnavne prechádzať tisíce vedeckých štúdií. Dokáže z nich vytiahnuť tie najpodstatnejšie poznatky a potom nás upozorniť: „Pozrite sa, tu sa črtá veľmi nečakané spojenie.“
Ako si proces, ktorý sa v modeli odohráva, predstaviť?
Je to postavené na jednoduchej logike: v jednom odbore vidíme, že platí vzťah medzi A a B, v úplne inom narazíme na súvislosť medzi B a C. Systém potom dokáže vyvodiť, že by mohlo platiť aj spojenie medzi A a C. Dokáže jednoducho prepájať poznatky naprieč disciplínami. Či je to dobré, alebo zlé, ľudská veda sa historicky vyvíjala cestou extrémnej špecializácie. Aby sme sa stali expertmi, musíme ísť v danej téme veľmi, veľmi hlboko. Inak to pri šírke našich znalostí ani nejde.
Na strane ľudí je teda problém, že je takmer nemožné byť úplná špička v dvoch rôznych odboroch?
Je to tak, minimálne je to veľmi vzácne. Všimnite si jednu vec: v súčasnosti sme svedkami toho, že k tým najväčším inováciám dochádza práve na rozhraní rôznych disciplín. Napokon, aj väčšina nedávnych Nobelových cien bola udelená práve za výskum na pomedzí odborov, napríklad za prepojenie umelej inteligencie a medicíny. Vezmite si napríklad editáciu génov a technológiu CRISPR. Aj v tomto prípade išlo o výsledok stretnutia mnohých rôznych vedeckých smerov a disciplín. Dnes už jednoducho vieme, že tá skutočná vedecká mágia sa odohráva práve na pomedzí odborov. Otázkou teda zostáva, ako tento proces podporiť? Ako zabezpečiť, aby k týmto medziodborovým prelomom dochádzalo oveľa častejšie a rýchlejšie?
AI co-scientist by mal teda pôsobiť ako most medzi rôznymi odbormi?
Ideálne áno, je to niečo, čo pomôže vyplniť prázdne miesta. Predstavte si to takto: ako vedec idete v jednom mieste veľmi hlboko pod povrch, ale všade okolo vás sa rozprestiera neprostupný les informácií. Úlohou AI je vytvoriť spojenie a v pravý moment k vám prisunúť presne tú časť lesa, ktorú práve potrebujete, aby ste mohli urobiť ďalší objav.
Povedzme, že na základe všetkých našich nazbieraných dát musíme stále odhaliť určitú časť súvislostí, že naše vedomosti nie sú kompletné tak, ako by mohli byť. Viete to kvantifikovať? Je to napríklad dvadsať percent? Môžeme pri správne prepojených dátových setoch objaviť dvadsať percent nových vedomostí?
Dvadsať percent sa mi zdá stále veľmi málo, podľa mňa je to mnohonásobne viac.
Tak napríklad dvakrát toľko?
Pravdepodobne aj desaťkrát toľko. Len čo totiž začnete prepájať rôzne vedecké disciplíny, priestor pre nové objavy začne explozívne narastať kombinatorickým radom. Viem si predstaviť neuveriteľné veci, ale je tu jeden háčik: nie každé nové spojenie je v praxi užitočné. Keď spolupracujete s tými najlepšími svetovými vedcami, rýchlo zistíte, že o dobré nápady nemajú núdzu.
Venujú sa svojim témam desaťročia a ich intuícia je obrovská. Čo im však kriticky chýba, je čas. Sú vyťažení konferenciami, vedením študentov a prácou v laboratóriách. Ak im teda chceme ponúknuť AI ako rovnocenného partnera, musíme zabezpečiť, aby výstupy, ktoré im systém predkladá, mali mimoriadnu hodnotu a boli pre nich skutočne podnetné.
Musíte, rovnako ako pri lekároch a pacientoch, vedieť špecificky hovoriť aj s vedcami?
V jadre je to stále ten istý princíp: schopnosť systému priznať si a pomenovať neistotu. AI asistent musí vedieť jasne definovať, že toto už vieme, toto, naopak, treba objaviť a takto by sme pri tom hľadaní mohli postupovať. To je kľúč k vedeckej metóde. Ak sa nám podarí viesť komunikáciu správnym spôsobom, som presvedčený, že sa tieto systémy dočkajú vo vedeckej komunite obrovského ohlasu.
Ako zaručíte, že vám bude systém produkovať nielen správne, ale hlavne originálne hypotézy? Veľké jazykové modely predsa stavajú na tom, čo už vieme. Ako ich prinútite byť kreatívne?
To je veľmi dobre mierená otázka a popravde sa v tomto smere stále učíme. Existujú rôzne druhy kreativity. Existuje však jeden špecifický druh kreativity, ktorý považujem za skutočný motor modernej inovácie: je to schopnosť nachádzať nečakané a skryté súvislosti. Ide o akúsi interpoláciu, teda vypĺňanie prázdnych miest v mape našich doterajších znalostí. V tom je sila umelej inteligencie úplne výnimočná. Skvelým príkladom, ktorý sme už verejne prezentovali, je objav, že jeden už existujúci a schválený liek na rakovinu by mohol byť vysokoúčinný pri liečbe fibrózy pečene.
To sa mimochodom stalo ako?
Špecialista na fibrózu pečene logicky nemusí uvažovať v intenciách onkológie. Pre neho ide o dve úplne odlišné diagnózy. Umelá inteligencia je však schopná medzi nimi nájsť skrytý most a upozorniť, že obe ochorenia zdieľajú rovnaké biologické dráhy. V podstate sa vedca pýtate: „Prečo neskúsite tento prístup?“ Na prvý pohľad sa to nemusí zdať ako prevratný vedecký objav, ale v praxi je to nesmierne dôležité.
Existuje totiž obrovské množstvo takto skrytých súvislostí, ktoré môžu reálne pomôcť pacientom. Očakávam, že podobných prípadov interpolácie a prepájania nepreskúmaných ciest bude pribúdať, no pre mňa osobne tá skutočná, hlboká kreativita spočíva ešte v niečom inom. V takzvanom out-of-the-box myslení. Hovorím o veciach, pri ktorých môžeme s istotou povedať, že by ich človek sám od seba nikdy nedokázal.
O chvíľach, keď stroj prekoná aj ľudskú intuíciu?
Áno. Klasickým príkladom je legendárny ťah 37 herného systému AlphaGo. Tento stroj vtedy v partii go zahral ťah, ktorý sa v šesťstoročnej histórii tejto hry nikdy neobjavil. Bolo to absolútne nečakané, geniálne a úplne mimo ľudského uvažovania. Záblesk čistej kreativity. Presne tak. Podobné záblesky poznáme z ľudských dejín, spomeňte si na to, čo objavil Albert Einstein alebo ďalší velikáni vedy. Našou ambíciou a konečným cieľom je doviesť systémy umelej inteligencie práve na túto úroveň objavovania a tvorivého myslenia. Musím však byť úprimný: tam ešte zďaleka nie sme.
Nechávate AI agentov, aby spolu viedli vedeckú disputáciu?
Zase budem obšírnejší. Naším cieľom je vyvíjať systémy umelej inteligencie, ktoré budú schopné skutočného uvažovania. A, samozrejme, úplne nezávisle. Nejde o ten typ intuitívneho a bleskového myslenia, ktoré poznáme ako „systém jeden“ a s ktorým sa dnes bežne stretávate pri modeloch ako Gemini alebo ChatGPT. Tieto modely, hoci sú veľmi pokročilé, vám zvyčajne vygenerujú odpoveď počas niekoľkých sekúnd a potom sa ich proces skončí. Poskytujú veľmi intuitívne odpovede, ale takto veda ani medicína nefungujú. Lekári trávia hĺbkovým premýšľaním obrovské množstvo času.
Našou úlohou je tento štruktúrovaný proces uvažovania preniesť do systémov umelej inteligencie. A teraz už k diskusiám AI agentov. Zistili sme, že najlepšou cestou je verne simulovať to, ako skutočne pracujú vedci. Tí totiž neustále vedú debaty: niekedy sami so sebou, inokedy so svojimi kolegami. Tie najlepšie nápady potom kryštalizujú po týždňoch či mesiacoch diskusií. Presne to sa teraz snažíme replikovať v digitálnom svete: vytvárame rôznych AI agentov s odlišnými rolami a odbornosťou a nechávame ich medzi sebou nepretržite debatovať. Navzájom si svoje hypotézy kritizujú, brúsia ich a vylepšujú. Fascinujúce na tom je, že sa tieto systémy dokážu učiť a adaptovať neuveriteľne rýchlo, a to prostým zadaním v prirodzenom jazyku.
Čo vám to vo výskume prináša?
V podstate simulujeme spôsob, akým sa učíme my ľudia. Znamená to, že kedykoľvek dáte modelu spätnú väzbu, dokáže sa okamžite prispôsobiť, bez toho, aby sme museli zložito meniť jeho vnútorné parametre. Keď tento proces necháme fungovať čisto na báze výpočtového výkonu – niekedy aj niekoľko dní alebo celý týždeň –, vidíme fascinujúcu vec: kvalita generovaných nápadov sa neustále zvyšuje, a to je na tom to najzaujímavejšie. Vzali sme princípy vedeckého uvažovania a preniesli ich do sveta kremíka, do našich AI agentov.
Kam to môže viesť v najbližších rokoch?
Myslím si, že sa budeme posúvať smerom k systémom, ktoré nebudú len pasívne odpovedať na otázky, ale budú schopné dlhodobo spolupracovať s človekom na zložitých problémoch. Dnes sme ešte často vo fáze, keď položíte otázku a dostanete odpoveď. Budúcnosť však vidím v tom, že AI sa stane partnerom pri premýšľaní. Bude si pamätať kontext, sledovať dlhodobé ciele, navrhovať ďalšie kroky a priebežne korigovať vlastné závery podľa nových dát.
Vo vede to môže znamenať zrýchlenie objavov v rozsahu, aký sme doteraz nepoznali. V medicíne zasa schopnosť priebežne sledovať zdravotný stav človeka, včas zachytiť riziká a odporučiť personalizované zásahy ešte skôr, než sa problém naplno rozvinie.
Znie to, akoby AI mala byť všadeprítomným spolupracovníkom.
Do istej miery áno. Nemyslím si však, že ide o nahradenie ľudí. Skôr o rozšírenie našich schopností. Ľudia budú stále určovať smer, hodnoty a konečné rozhodnutia. AI môže priniesť analytickú silu, neúnavnosť a schopnosť pracovať s obrovským množstvom informácií.
Keď sa pozriete na históriu technológií, tie najúspešnejšie zvyčajne nefungovali tak, že odstránili človeka, ale že mu umožnili robiť veci lepšie, rýchlejšie a vo väčšom rozsahu. Myslím si, že presne to čaká aj umelú inteligenciu.
A čo vás osobne na tom všetkom fascinuje najviac?
Asi to, že sme na začiatku niečoho veľmi veľkého. Máte pocit, že sa pozeráte na nástroj, ktorý môže zásadne zmeniť spôsob, akým sa učíme, liečime, robíme vedu aj riešime problémy spoločnosti. Také momenty sa v histórii neobjavujú často.
Zároveň si však myslím, že s tým prichádza aj veľká zodpovednosť. Ak vytvárate technológiu s takýmto vplyvom, musíte veľmi premýšľať nad tým, ako ju navrhnete, komu bude slúžiť a aké dôsledky môže mať. Nestačí len to, že niečo funguje. Musí to byť aj prospešné.
Ste teda optimista?
Áno, som optimista. Ale optimista, ktorý verí, že dobrá budúcnosť nevznikne sama od seba. Musíme ju aktívne vybudovať.
Článok vyšiel na forbes.cz.
