В ближайшем будущем самым многообещающим применением искусственного интеллекта, особенно глубокого обучения, в научных исследованиях может стать открытие новых химических соединений. Подобно тому как система AlphaGo, созданная DeepMind, работает с практически бесконечным игровым пространством — количество возможных комбинаций в игре го превышает число атомов во Вселенной, — так и «химическое пространство», охватывающее практически все мыслимые конфигурации молекул, с практической точки зрения является бесконечным. Чтобы обнаружить в этом пространстве полезные молекулы, требуется многомерный поиск ошеломляющей сложности. Необходимо учесть такие факторы, как трехмерный размер и форма молекулярной структуры, а также множество других параметров, в частности полярность, растворимость и токсичность[104]. Для химика или специалиста по материаловедению перебор вариантов — это трудозатратный процесс экспериментирования методом проб и ошибок. Обнаружение по-настоящему полезного нового химического вещества может занять большую часть профессиональной карьеры. Например, литий-ионные батареи, сегодня широко использующиеся в наших электронных устройствах и электромобилях, родились из исследования, начатого еще в 1970-е годы, но коммерческое применение возникшей на его основе технологии стало возможно лишь в 1990-х годах. Искусственный интеллект обещает чрезвычайно ускорить этот процесс. Поиск новых молекул во многих отношениях идеальная задача для глубокого обучения; можно обучить алгоритмы на характеристиках молекул, полезность которых известна, или в некоторых случаях на законах, управляющих конфигурацией и взаимодействием молекул[105].
На первый взгляд это может показаться относительно узким применением. Однако поиск полезных новых химических веществ затрагивает практически все стороны обновления. Ускорение этого процесса обещает дать инновационные высокопрочные материалы для машин и инфраструктуры, химически активные вещества для более эффективных батарей и солнечных панелей, фильтрующие или поглощающие материалы, способные уменьшить загрязнение, и новые лекарства, которые, возможно, совершат переворот в медицине.
Университетские исследовательские лаборатории и растущее число стартапов с энтузиазмом обратились к технологии машинного обучения и уже совершили важные прорывы благодаря действенным методам на основе ИИ. В октябре 2019 года ученые из Дельфтского технического университета в Нидерландах объявили, что сумели создать совершенно новый материал исключительно с помощью алгоритма машинного обучения без проведения реальных лабораторных экспериментов. Новое вещество является прочным и долговечным, но в то же время сверхсжимаемым, если на него действует сила выше определенного предела. Это означает, что материал фактически можно сжать до малой доли его первоначального объема. По словам Мигеля Бесса, одного из ведущих исследователей в этом проекте, когда-нибудь благодаря материалам с подобными свойствами «самые обычные предметы вроде велосипедов, обеденных столов и зонтов смогут поместиться в кармане»[106].
Для участия в таких проектах исследователи должны обладать серьезной технической подготовкой в области искусственного интеллекта. Однако команды из других университетов разрабатывают более доступные инструменты на основе ИИ, способные в скором времени открыть новые химические соединения. Например, ученые из Корнеллского университета работают над проектом SARA («научный автономный интеллектуальный агент» — Scientific Autonomous Reasoning Agent), который, как надеются, «резко, на порядки, ускорит поиск и разработку новых материалов»[107]. Исследователи Техасского сельскохозяйственного и политехнического университета также работают над программной платформой для автоматического поиска прежде неизвестных веществ[108]. Оба проекта частично финансируются Министерством обороны США, особенно заинтересованным в инновациях. Такие разработки играют ту же роль во многих областях научных исследований, что и облачные инструменты, предлагаемые Amazon и Google, которые делают машинное обучение более доступным для использования во многих приложениях для бизнеса. Это позволит, скажем, химикам и материаловедам применять ИИ, даже если они не являются экспертами в машинном обучении. Иными словами, искусственный интеллект превращается в общедоступный ресурс, который можно использовать все более творчески и целенаправленно.
Еще более смелый подход заключается во встраивании программного обеспечения на базе ИИ, предназначенного для открытия химических веществ, в роботов, способных проводить эксперименты в реальной лаборатории. В этом направлении движется, например, небольшая компания Kebotix из Кембриджа в штате Массачусетс, стартап, отпочковавшийся от ведущей гарвардской лаборатории материаловедения и создавший, по словам его участников, «первую в мире самоуправляемую лабораторию для открытия новых материалов». Роботы этой компании могут ставить эксперименты самостоятельно, пользуясь лабораторным оснащением, скажем пипетками для переноса и смешивания жидкостей, и управляя установками для проведения химического анализа. Затем результаты экспериментов анализируются алгоритмами искусственного интеллекта, которые выбирают лучшее направление действий и инициируют дальнейшие эксперименты. В результате возникает повторяющийся самосовершенствующийся процесс, по утверждению представителей компании, резко ускоряющий выявление полезных новых молекул[109].
Многие наиболее многообещающие и хорошо финансируемые возможности на стыке химии и искусственного интеллекта связаны с разработкой новых лекарств. По одному отчету, на апрель 2020 года насчитывалось не менее 230 стартапов, использовавших ИИ для поиска новых лекарственных средств[110]. Дафна Коллер, профессор Стэнфорда и сооснователь онлайновой образовательной платформы Coursera, — один из ведущих мировых экспертов по применению машинного обучения в биологии и биохимии. Коллер также является основателем и гендиректором insitro, стартапа из Кремниевой долины, основанного в 2018 году и привлекшего более $100 млн на поиск новых лекарств с помощью машинного обучения. Повсеместное замедление технологических инноваций, поразившее американскую экономику в целом, особенно очевидно в фармакологии. Коллер сказала мне следующее:
Проблема в том, что создание новых лекарств постоянно усложняется: уровень успешности клинических испытаний находится ближе к середине 10 %-ного диапазона; затраты на исследования до уплаты налогов при разработке нового лекарственного средства (с учетом неудачных попыток) превышают $2,5 [млрд]. Рентабельность инвестиций в создание лекарств линейно уменьшается с каждым годом и, по некоторым оценкам, станет нулевой еще до 2020 года. Одна из причин заключается в том, что разработка лекарств принципиально усложнилась: многие (если не все) «низко висящие плоды» — иными словами, лекарства, значимые для больших популяций, — уже сорваны. Поэтому на следующем этапе разработки лекарств нам придется сосредоточиться на более специализированных препаратах, действенность которых может зависеть от конкретных условий и которые предназначаются лишь определенной подгруппе пациентов[111].
insitro и его конкуренты рассчитывают с помощью искусственного интеллекта быстро выявлять перспективные рецептуры, которые могут стать новыми лекарствами, и таким образом сильно снизить затраты на разработку. По словам Коллер, открытие лекарственного средства — это «долгий путь, на котором вас ждет множество развилок» и «99 % дорог ведут в тупик». Если искусственный интеллект будет «более-менее верным компасом, это невероятно повысит шансы на успешное завершение процесса»[112].
Применение подобного подхода уже окупается. В феврале 2020 года исследователи из МТИ объявили об открытии с помощью глубокого обучения эффективного нового антибиотика. Созданная исследователями ИИ-система способна перелопатить информацию о свойствах сотни с лишним миллионов химических соединений за несколько дней. Новый антибиотик — ученые назвали его «галицин» в честь HAL, искусственного интеллекта из фильма «Космическая одиссея 2001 года», — оказался смертельным практически для всех видов бактерий, на которых его испытывали, включая штаммы, резистентные к существующим препаратам[113]. Это принципиально важно, поскольку медицинское сообщество давно предупреждает о скором кризисе, вызванном лекарственно-устойчивыми бактериями — эдакими «супербактериями», которые уже стали бичом многих больниц. Из-за высокой стоимости создания и относительно низкой прибыли очень мало антибиотиков находится сейчас в процессе разработки. Новые лекарства, которым все же удается проходить через сложные и дорогостоящие процессы испытаний и одобрения регулирующими органами, представляют собой в основном разновидности существующих антибиотиков. В отличие от них, галицин воздействует на бактерии принципиально иным образом и, судя по результатам экспериментов, может быть менее чувствительным к мутациям, из-за которых антибиотики утрачивают со временем свою эффективность. Иными словами, искусственный интеллект нашел нестандартное решение, что критически важно для значимой инновации.
Еще одно достижение, о котором также было объявлено в начале 2020 года, принадлежит британскому стартапу Exscientia, использовавшему машинное обучение при поиске новых лекарств для лечения обсессивно-компульсивного расстройства. По сообщению компании, начальный этап разработки занял всего год (что примерно в пять раз меньше, чем при использовании традиционных методов), и это первое открытое ИИ лекарственное средство, проходящее клинические испытания