Sir Demis Hassabis descubrió que había ganado el Premio Nobel de Química esta semana cuando su esposa, también investigadora científica, recibió varias llamadas por Skype para solicitarle urgentemente su número de teléfono.
“Mi mente estaba completamente agotada, lo que casi nunca sucede. Fue . . . casi como una experiencia extracorporal”, dijo Hassabis, cofundador y director ejecutivo de Google DeepMind, la división de inteligencia artificial del gigante de las búsquedas de Silicon Valley.
El Nobel de Química, que Hassabis compartió con su colega John Jumper y el bioquímico estadounidense David Baker, se ganó por resolver un problema imposible en biología que había permanecido sin resolver durante 50 años: predecir la estructura de cada proteína conocida por la humanidad, utilizando un software de inteligencia artificial conocido. como AlphaFold.
Habiendo superado ese desafío de larga data, con implicaciones generalizadas en la ciencia y la medicina, Hassabis tiene la vista puesta en el cambio climático y la atención médica. “Quiero que ayudemos a resolver algunas enfermedades”, dijo al Financial Times.
Su equipo está trabajando en seis programas de desarrollo de fármacos con los fabricantes de medicamentos Eli Lilly y Novartis, que se centran en áreas de enfermedades como el cáncer y el Alzheimer. Hassabis dijo que espera tener un fármaco candidato en ensayos clínicos dentro de dos años.
Sus otras grandes áreas de interés son el uso de la IA para modelar el clima con mayor precisión y cruzar la última frontera en la investigación de la IA: inventar inteligencia artificial a la par de la inteligencia humana.
“Cuando miremos atrás dentro de 10 años, espero [AI] Habrá anunciado una nueva era dorada de descubrimientos científicos en todos estos diferentes dominios”, dijo Hassabis, quien anteriormente fue neurocientífico y diseñador de videojuegos. “Eso es lo que me llevó a la IA en primer lugar. Lo veo como la herramienta definitiva para acelerar la investigación científica”.
El dúo DeepMind fue reconocido el miércoles, un día después de que el ex colega de Google y veterano científico de inteligencia artificial Geoffrey Hinton ganara el premio de física junto con el físico John Hopfield por su trabajo en redes neuronales, la tecnología fundamental para los sistemas modernos de inteligencia artificial que sustentan la atención médica, las redes sociales y la autoevaluación. -conducir automóviles y el propio AlphaFold.
El reconocimiento de los avances en IA resalta una nueva era en la investigación, enfatizando la importancia de las herramientas informáticas y la ciencia de datos para resolver problemas científicos complejos en escalas de tiempo mucho más cortas, en todos los ámbitos, desde la física hasta las matemáticas, la química y la biología.
“Obviamente es interesante que el [Nobel] El comité ha decidido hacer una declaración como esta reuniendo a los dos”, dijo Hassabis.
Los premios también resumen las promesas y los posibles obstáculos de la IA.
Hopfield y Hinton fueron pioneros en la disciplina a principios de los años 1980. Hinton, que tiene 76 años y dejó Google el año pasado, dijo que no planeaba realizar más investigaciones. En cambio, tiene la intención de abogar por el trabajo sobre la seguridad de los sistemas de IA y por que los gobiernos lo faciliten.
Por el contrario, la pareja DeepMind ganó por trabajos presentados principalmente en los últimos cinco años y siguen siendo extremadamente optimistas sobre su impacto social.
“El impacto de [AI] “En particular, en la ciencia, pero también en el mundo moderno en general, ahora está muy, muy claro”, dijo Maneesh Sahani, director de la unidad Gatsby del University College de Londres, un instituto de investigación centrado en el aprendizaje automático y la neurociencia teórica. Hinton fue el director fundador de Gatsby en 1998, mientras que Hassabis trabajó como investigador postdoctoral allí en 2009, y finalmente creó DeepMind del instituto UCL en 2010.
“El aprendizaje automático está apareciendo por todas partes, desde personas que analizan textos antiguos en idiomas olvidados hasta radiografías y otras imágenes médicas. Ahora tenemos un conjunto de herramientas que impulsará la ciencia y las disciplinas académicas en todo tipo de direcciones diferentes”, dijo Sahani, quien también es profesor de neurociencia.
Las recientes iteraciones de AlphaFold tienen “ramificaciones en toda la medicina, la biología y muchas otras áreas” porque son fundamentales para los organismos vivos, dijo Charlotte Deane, profesora de bioinformática estructural en la Universidad de Oxford.
“Muchos se mostraron escépticos cuando comenzaron, pero muy rápidamente su programa superó a todos los demás programas para predecir estructuras de proteínas”, dijo Venki Ramakrishnan, un biólogo que ganó el Premio Nobel de Química en 2009 por su trabajo relacionado con la síntesis de proteínas. “Realmente cambió dramáticamente el campo”.
AlphaFold ha sido utilizado por más de 2 millones de científicos, entre otras cosas, para analizar el parásito de la malaria para desarrollar una vacuna, mejorar la resistencia de las plantas al cambio climático y estudiar la estructura del poro nuclear, uno de los complejos proteicos más grandes del ser humano. cuerpo.
Rosalyn Moran, profesora de neurociencia en el King’s College de Londres y directora ejecutiva de la nueva empresa de inteligencia artificial Stanhope AI, dijo: “La construcción de herramientas es un trabajo científico manual. . . A menudo son los héroes anónimos de la ciencia. Para mí esa fue la parte más emocionante del premio”.
AlphaFold todavía tiene deficiencias, como informaron sus creadores a principios de este año, incluidas “alucinaciones” de “orden estructural espurio” en regiones celulares que en realidad están desordenadas. Otro desafío al que se enfrenta el uso de la IA para la investigación científica es que algunos campos de investigación importantes pueden ser menos ricos en datos experimentales que el análisis de proteínas.
En el Nobel de física, el trabajo de Hinton y Hopfield utilizó conceptos fundamentales de la física y la neurociencia para desarrollar herramientas de inteligencia artificial que pueden procesar patrones en grandes redes de información.
La máquina de Boltzmann, que inventó Hinton, podía aprender de ejemplos específicos en lugar de instrucciones. Luego, la máquina pudo reconocer nuevos ejemplos de categorías en las que había sido entrenada, como imágenes de gatos.
Este tipo de software de aprendizaje, conocido como redes neuronales, forma ahora la base de la mayoría de las aplicaciones de inteligencia artificial, como el software de reconocimiento facial y los grandes modelos de lenguaje, la técnica que sustenta ChatGPT y Gemini de Google. Uno de los antiguos alumnos de Hinton, Ilya Sutskever, fue cofundador y científico jefe de OpenAI, creador de ChatGPT.
“Yo diría que soy alguien que realmente no sabe en qué campo está, pero le gustaría entender cómo funciona el cerebro”, dijo Hinton, científico informático y psicólogo cognitivo, durante una conferencia de prensa esta semana. “Y en mis intentos por comprender cómo funciona el cerebro, he ayudado a crear una tecnología que funciona sorprendentemente bien”.
Los premios de IA también han puesto de relieve la naturaleza interconectada de los descubrimientos científicos y la necesidad de compartir datos y experiencia, un fenómeno cada vez más raro en la investigación de IA que ocurre dentro de empresas comerciales como OpenAI y Google.
Se utilizaron principios de neurociencia y física para desarrollar los modelos de IA actuales, mientras que los datos generados por los biólogos ayudaron a inventar el software AlphaFold.
“Los científicos como yo tradicionalmente hemos resuelto las formas de las proteínas utilizando laboriosos métodos experimentales que pueden llevar años”, dijo Rivka Isaacson, profesora de biofísica molecular en el King’s College de Londres, quien fue una de las primeras en probar la versión beta de AlphaFold. “Sin embargo, fueron estas estructuras resueltas, que el mundo experimental deposita para uso público, las que se utilizaron para entrenar AlphaFold”.
Añadió que la técnica de IA había permitido a científicos como ella “avanzar para investigar más profundamente la función y la dinámica de las proteínas, planteando diferentes preguntas y potencialmente abriendo áreas de investigación completamente nuevas”.
En última instancia, la IA (al igual que la microscopía electrónica o la cristalografía de rayos X) sigue siendo una herramienta analítica, no un agente independiente que realiza investigaciones originales. Hassabis insiste en que la tecnología no puede reemplazar el trabajo de los científicos.
“El ingenio humano entra en juego: al hacer la pregunta, la conjetura, la hipótesis, nuestros sistemas no pueden hacer nada de eso”, dijo. “[AI] simplemente analiza los datos ahora mismo”.