Британское агентство ARIA выделило дополнительное финансирование стартапам и университетам, создающим ИИ-ученых для автоматизации лабораторных исследований. Эти системы способны самостоятельно выдвигать гипотезы, проводить эксперименты и анализировать результаты, меняя облик науки.
Ряд стартапов и университетов, разрабатывающих ИИ-ученых для проектирования и проведения лабораторных экспериментов, включая роботов-биологов и химиков, недавно получили дополнительное финансирование от британского государственного агентства, занимающегося финансированием прорывных НИОКР. Конкурс, организованный ARIA (Агентство передовых исследований и изобретений), наглядно демонстрирует, как быстро развивается эта технология: агентство получило 245 заявок от исследовательских групп, которые уже создают инструменты, способные автоматизировать растущий объем лабораторной работы.
ARIA определяет ИИ-ученого как систему, способную выполнять весь научный рабочий процесс: выдвигать гипотезы, проектировать и проводить эксперименты для их проверки, а затем анализировать результаты. Во многих случаях система может затем возвращать эти результаты в себя и повторять цикл снова и снова. Человеческие ученые становятся надзирателями: они формулируют первоначальные исследовательские вопросы, а затем позволяют ИИ-ученому выполнять основную рутинную работу.
«Есть более достойное применение для аспиранта, чем сидеть в лаборатории до трех часов ночи, чтобы убедиться, что эксперимент завершен», — говорит Ант Роустрон, технический директор ARIA.
ARIA отобрала для финансирования 12 проектов из 245 поданных заявок, удвоив запланированный объем финансирования из-за большого количества и высокого качества представленных работ. Половина команд из Великобритании; остальные — из США и Европы. Некоторые команды представляют университеты, другие — промышленность. Каждая получит около 500 000 фунтов стерлингов (около 675 000 долларов США) на покрытие 9 месяцев работы. По истечении этого срока они должны будут продемонстрировать, что их ИИ-ученый смог прийти к новым открытиям.
Среди команд-победителей — американская компания Lila Sciences, которая разрабатывает систему, называемую ИИ-научный нанотехнолог (AI NanoScientist). Эта система будет проектировать и проводить эксперименты для определения наилучших способов создания и обработки квантовых точек — полупроводниковых частиц нанометрового масштаба, используемых в медицинской визуализации, солнечных панелях и QLED-телевизорах.
«Мы используем средства и время, чтобы доказать свою правоту», — говорит Рафа Гомес-Бамбарелли из Lila Sciences: «Грант позволяет нам создать реальный роботизированный цикл ИИ вокруг сфокусированной научной проблемы, собрать доказательства его работоспособности и задокументировать руководство, чтобы другие могли его воспроизвести и развить».
Другая команда из Ливерпульского университета (Великобритания) разрабатывает робота-химика, который одновременно проводит множество экспериментов и использует модель зрения и языка для помощи в устранении неполадок, когда робот допускает ошибку.
А лондонский стартап Humanis AI разрабатывает ИИ-ученого под названием ThetaWorld, который использует большие языковые модели (LLM) для проектирования экспериментов по изучению физических и химических взаимодействий, важных для производительности аккумуляторов. Эксперименты затем будут проводиться в автоматизированной лаборатории Национальных лабораторий Сандия в США.
Измерение температуры
По сравнению с проектами на 5 миллионов фунтов стерлингов, рассчитанными на 2–3 года, которые ARIA обычно финансирует, 500 000 фунтов — это мелочь. Но в этом и заключалась идея, говорит Роустрон: это эксперимент и со стороны ARIA. Финансируя ряд проектов на короткий срок, агентство измеряет температуру на переднем крае науки, чтобы определить, как и насколько быстро меняется способ проведения исследований. Полученные знания станут основой для финансирования будущих крупномасштабных проектов.
Роустрон признает наличие большого ажиотажа, особенно теперь, когда большинство ведущих ИИ-компаний имеют команды, сфокусированные на науке. Когда результаты публикуются в пресс-релизах, а не проходят рецензирование, бывает трудно понять, что на самом деле может и чего не может делать эта технология. «Это всегда проблема для исследовательского агентства, стремящегося финансировать передовые разработки», — говорит он. «Чтобы делать что-то на переднем крае, мы должны знать, где этот край находится».
На данный момент передовой край включает агентные системы, которые вызывают в реальном времени другие существующие инструменты. «Они используют такие вещи, как большие языковые модели для генерации идей, а затем применяют другие модели для оптимизации и проведения экспериментов», — говорит Роустрон. «А затем они возвращают результаты обратно по циклу».
Роустрон видит технологию, выстроенную по уровням. На самом нижнем уровне находятся ИИ-инструменты, разработанные людьми для людей, такие как AlphaFold. Эти инструменты позволяют ученым пропустить медленные и кропотливые этапы научного процесса, но для верификации результатов все равно могут потребоваться месяцы лабораторной работы. Идея ИИ-ученого состоит в том, чтобы автоматизировать и эту работу.
ИИ-ученые занимают уровень выше этих созданных человеком инструментов и вызывают их по мере необходимости, говорит Роустрон. «Но наступит момент — и я не думаю, что это произойдет через десятилетие, — когда этот уровень ИИ-ученого скажет: „Мне нужен инструмент, которого не существует“, и он фактически создаст что-то вроде AlphaFold просто по пути к решению другой проблемы. Вся эта нижняя зона будет просто автоматизирована».
Но до этого еще далеко, отмечает он. Все проекты, которые сейчас финансирует ARIA, включают системы, вызывающие существующие инструменты, а не создающие новые.
Существуют также нерешенные проблемы с агентными системами в целом, которые ограничивают время, в течение которого они могут работать самостоятельно, не сбиваясь с пути и не допуская ошибок. Например, в исследовании под названием «Почему LLM еще не ученые» (опубликованном онлайн на прошлой неделе) исследователи из индийской ИИ-лаборатории Lossfunk сообщили, что в эксперименте по заставлению агентов LLM довести научный рабочий процесс до конца система давала сбой в 3 случаях из 4. По словам исследователей, причины сбоев LLM включали изменение первоначальной спецификации и «чрезмерное воодушевление, заявляющее об успехе, несмотря на очевидные неудачи».
«Очевидно, что в настоящее время эти инструменты находятся на довольно ранней стадии своего цикла, и их развитие может замедлиться», — говорит Роустрон. «Я не ожидаю, что они получат Нобелевскую премию».
«Но есть мир, где некоторые из этих инструментов заставят нас работать намного быстрее. И если мы окажемся в этом мире, нам крайне важно быть готовыми».
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – technologyreview.com