Si po e përdorin shkencëtarët Inteligjencën Artificiale. Kjo teknologji po e bën kërkimin më të shpejtë, më të mirë dhe më produktiv, shkruan The Economist. Në vitin 2019, shkencëtarët në Institutin e Teknologjisë në Massachusetts (MIT) bënë diçka të pazakontë në mjekësinë moderne, ata zbuluan një antibiotik të ri, me emrin halicin.
Në maj të këtij viti, një ekip tjetër zbuloi një antibiotik të dytë, i quajtur abaucin. Ajo që i bën të veçantë dy antibiotikët nuk ishte vetëm potenciali për t’u përdorur kundër dy prej baktereve më të rrezikshme që janë rezistente ndaj antibiotikëve, por edhe mënyra se si u zbuluan. Në të dyja rastet, studiuesit kishin përdorur një model të Inteligjencës Artificiale për të kërkuar me miliona përbërës të ndryshëm, me qëllimin për të gjetur ata që do të funksiononin më mirë kundër çdo mikrobi. Modeli i Inteligjencës Artificiale ishte trajnuar mbi strukturat kimike të disa mijëra antibiotikëve të njohur dhe mund të krahasonte sa mirë kishin vepruar ata kundër baktereve në laborator.
Gjatë këtij trajnimi, modeli në fjalë kishte përpunuar lidhjet midis strukturave kimike dhe suksesit në vrasjen e baktereve. Pasi morën listën e shkurtër të përbërësve më premtues nga Inteligjenca Artificiale, shkencëtarët i vunë ata në provë në laborator dhe zbuluan antibiotikët që u nevojiteshin.
“Nëse zbulimi i barnave të reja është si kërkimi i një gjilpëre në kashtë, atëherë Inteligjenca Artificiale vepron si një detektor metali”, – thotë Regina Barzilay, shkencëtare kompjuterike në Universitetin MIT, e cila ndihmoi për të gjetur antibiotikët abaucin dhe halicin. Për të marrë barnat e mundshme nga laboratori në klinikë, do të duhen shumë vite prova mjekësore.
Por nuk ka dyshim se Inteligjenca Artificiale e përshpejtoi pjesën fillestare të provës ku zakonisht kryhen shumë gabime. Kjo teknologji ndryshon atë çfarë është e mundur, thotë doktor Barzilay.
Me Inteligjencën Artificiale “lloji i pyetjeve që do të bëjmë në të ardhmen, do të jetë shumë i ndryshëm nga pyetjet që po bëjmë sot”. Fusha e zbulimit të ilaçeve nuk është e vetmja që është shkundur nga potenciali i Inteligjencës Artificiale.
Studiuesit që trajtojnë shumë nga problemet më të ndërlikuara dhe më të rëndësishme në botë, nga parashikimi i motit, deri te kërkimi i materialeve të reja për bateritë dhe panelet diellore dhe kontrolli i reaksioneve të shkrirjes bërthamore, po u drejtohen inteligjencës artificiale për të rritur ose përshpejtuar përparimin në këto fusha. Potenciali është i madh. “Inteligjenca Artificiale mund të sjellë rilindje të re në fushën e zbulimit, duke vepruar si një shumëzues për zgjuarsinë njerëzore” – argumenton Demis Hassabis, bashkëthemelues i Google DeepMind, laborator i Inteligjencës Artificiale me seli në Londër.
Ai e ka krahasuar Inteligjencën Artificiale me teleskopin, një teknologji thelbësore që do t’i lejojë shkencëtarët të shohin më larg dhe të kuptojnë më shumë sesa thjesht me sy të lirë.
Ku ka qenë më parë?
Megjithëse ka qenë pjesë e mjeteve shkencore që nga vitet 1960, në pjesën më të madhe të ekzistencës së saj, Inteligjenca Artificiale ka qenë e kufizuar brenda disiplinave ku kërkohej aftësi në kod kompjuterik, si fizika e grimcave, ose matematika. Megjithatë, deri në vitin 2023, më shumë se 99% e fushave kërkimore po jepnin rezultate të lidhura me Inteligjencën Artificiale, sipas agjencisë australiane CSIRO (shih grafikun).
“Demokratizimi po e shkakton këtë lulëzim”, thotë Mark Girolami, kryeshkencëtar në Institutin Alan Turing në Londër. Ajo që dikur kërkonte një diplomë në shkenca kompjuterike dhe njohuri në gjuhët misterioze të programimit, tani mund të realizohet me mjete të Inteligjencës Artificiale që janë të përshtatshme për përdoruesit e thjeshtë. Kështu, shkencëtarët kanë qasje të lehtë në atë që në thelb është një asistent kërkimor mbinjerëzor, që zgjidh ekuacionet dhe analizon pa u lodhur grumbuj të mëdhenj të dhënash, për të kërkuar ndonjë model apo korrelacion brenda tyre.
Për shembull, në shkencën e materialeve, problemi është i ngjashëm me atë në zbulimin e ilaçeve, në kuptimin që ka një numër shumë të madh përbërjesh të mundshme. Kur studiuesit në Universitetin e Liverpool-it po kërkonin materiale që do të kishin vetitë e nevojshme për të ndërtuar bateri më të mira, ata përdorën një model të Inteligjencës Artificiale, të njohur si një “auto-kodues”, për të kërkuar nëpër 200,000 përbërjet e njohura kristalore të qëndrueshme në bazën e të dhënave Inorganik Crystal Structure, që është depoja më e madhe në botë e këtij lloji.
Inteligjenca Artificiale ishte trajnuar më parë me vetitë fizike dhe kimike më të rëndësishme që janë të nevojshme për të ndërtuar materialin e ri të baterive dhe i kishte zbatuar këto kushte në procesin e kërkimit. Ajo e zvogëloi me sukses grupin e materialeve kandidate që shkencëtarët duhej të testonin në laborator, nga disa mijëra në vetëm pesë, duke kursyer kështu kohë dhe para. Kandidati i fundit, një material që ndërthur litium, kallaj, squfur dhe klor, ishte i ri, megjithëse është shumë herët për të thënë nëse do të funksionojë apo jo nga ana komerciale. Sidoqoftë, Inteligjenca Artificiale po përdoret nga studiuesit për të zbuluar lloje të reja materialesh.
Realizimi i ëndrrave
Inteligjenca Artificiale mund të përdoret edhe për të parashikuar. Format në të cilat proteinat përdridhen pasi formojnë një qelizë, janë jetike për t’i bërë ato të funksionojnë. Shkencëtarët nuk e dinë ende se si palosen proteinat.
Por në vitin 2021, Google DeepMind zhvilloi AlphaFold, një model që parashikon strukturën e një proteine, duke u nisur vetëm nga sekuenca e saj e aminoacideve. Që kur u publikua, AlphaFold ka prodhuar një bazë të dhënash me më shumë se 200 milionë struktura proteinike, e cila tashmë është përdorur nga mbi 1.2 milionë studiues. Për shembull, Matthew Higgins, biokimist në Universitetin e Oksfordit, përdori AlphaFold për të kuptuar formën e një proteine te mushkonjat, që është e rëndësishme për parazitin e malaries që mbartin shpesh këto insekte.
Më pas, ai mundi të ndërthurte parashikimet nga AlphaFold, për të gjetur se cilat pjesë të proteinës do të ishin më të lehta për t’u shënjestruar me një ilaç. Një ekip tjetër përdori AlphaFold për të gjetur në vetëm 30 ditë, strukturën e një proteine që ndikon në mënyrën se si përhapet një lloj kanceri i mëlçisë, duke hapur kështu derën për të krijuar një kurë të re të shënjestruar.
AlphaFold ka kontribuar gjithashtu në kuptimin e disiplinave të tjera të biologjisë. Për shembull, bërthama e një qelize, ka porta nga ku transportohen materiale për të prodhuar proteina. Disa vite më parë, shkencëtarët e dinin se këto porta ekzistonin, por nuk kishin shumë dijeni mbi strukturën e tyre. Duke përdorur AlphaFold, ata parashikuan strukturën dhe kuptuan më mirë mekanizmat e brendshëm të një qelize.
“Ne nuk e kuptojmë plotësisht se si Inteligjenca Artificiale e krijoi këtë themel”, thotë Pushmeet Kohli, një nga shpikësit e AlphaFold që tani drejton ekipin “AI for Science” nga Google DeepMind. “Por pas krijimit të themelit, i gjithë komuniteti shkencor mund të ndërtojë duke u mbështetur mbi të”.
Inteligjenca Artificiale gjithashtu po tregohet e dobishme në përshpejtimin e simulimeve të ndërlikuara kompjuterike. Për shembull, modelet e parashikimit të motit, mbështeten në ekuacione matematikore që përshkruajnë gjendjen e atmosferës së Tokës, në çdo kohë të caktuar.
Megjithatë, superkompjuterët që parashikojnë motin janë tepër të shtrenjtë, konsumojnë shumë energji dhe kërkojnë shumë kohë për të kryer llogaritjet e duhura. Dhe modelet duhet të përditësohen vazhdimisht për të ndjekur fluksin e paprerë të të dhënave që vijnë nga stacionet e motit anembanë botës.
Prandaj, shkencëtarët e klimës dhe kompanitë private, kanë filluar të përdorin Inteligjencën Artificiale për t’i shpejtuar gjërat. Për shembull, Pangu-Weather, një Inteligjencë Artificiale e krijuar nga kompania kineze Huawei, mund të parashikojë motin një javë përpara, disa mijëra herë më shpejt dhe më lirë se standardi aktual dhe afërsisht me të njëjtën saktësi.
FourCastNet, një model i Inteligjencës Artificiale i ndërtuar nga prodhuesi amerikan i çipave Nvidia, mund të bëjë parashikime të tilla në më pak se dy sekonda dhe është modeli i parë i Inteligjencës Artificiale që parashikon me saktësi shiun me rezolucion të lartë hapësinor, një informacion i rëndësishëm për parashikimin e fatkeqësive natyrore, si përmbytjet e shpejta. Të dyja këto modele të Inteligjencës Artificiale janë trajnuar për të parashikuar motin, duke mësuar nga të dhënat e vëzhgimit, ose rezultatet e simulimeve të superkompjuterëve.
Dhe ky është vetëm fillimi. Nvidia ka njoftuar tashmë planet për të ndërtuar një binjak dixhital të Tokës, të quajtur “Earth-2”, një model kompjuterik që kompania shpreson se do të jetë në gjendje të parashikojë ndryshimet klimatike në një nivel më rajonal, disa dekada më parë. Ndërkohë, fizikanët që po përpiqen të shfrytëzojnë fuqinë e shkrirjes bërthamore, kanë përdorur Inteligjencën Artificiale për të kontrolluar disa pjesë të ndërlikuara të hulumtimeve.
Një qasje për kërkimin e shkrirjes bërthamore përfshin krijimin e një plazme hidrogjeni (një gaz i mbinxehur, me ngarkesë elektrike), brenda një ene në formë rrumbullake, të quajtur tokmak. Kur nxehet mjaftueshëm, në rreth 100 m°C, grimcat në plazmë fillojnë të shkrihen dhe të lëshojnë energji. Por nëse plazma prek muret e enës tokmak, ajo do të ftohet dhe nuk do të funksionojë më, prandaj fizikanët e përmbajnë gazin brenda një kafazi magnetik.
Gjetja e konfigurimit të duhur të fushave magnetike është jashtëzakonisht e vështirë dhe për kontrollimin e tyre nevojitet hartimi i ekuacioneve të ndërlikuara matematikore për të parashikuar se çfarë do të bëjë plazma dhe më pas duhen bërë me mijëra rregullime të vogla çdo sekondë, në rreth dhjetë mbështjellje të ndryshme magnetike.
Në të kundërt, një sistem kontrolli i Inteligjencës Artificiale, i ndërtuar nga shkencëtarët në Google DeepMind dhe EPFL në Lausanne, Zvicër, i lejoi shkencëtarët të provonin forma të ndryshme për plazmën në një simulim kompjuterik dhe më pas Inteligjenca Artificiale përpunoi se si mund të arrinin më mirë qëllimin e dëshiruar.
Automatizimi dhe përshpejtimi i eksperimenteve fizike dhe i punës laboratorike është një fushë tjetër me mjaft interes. “Laboratorët vetëdrejtues” mund të planifikojnë një eksperiment, ta zbatojnë atë duke përdorur një krah robotik dhe më pas të analizojnë rezultatet. Automatizimi mund të zbulojë përbërje të reja, ose të gjejë mënyra për të përmirësuar përbërje të vjetra, deri në një mijë herë më shpejt.
Ky është vetëm fillimi
Inteligjenca Artificiale gjeneruese, që u përhap gjerësisht në publik me krijimin e aplikacionit ChatGPT në vitin 2022, por me të cilën shkencëtarët janë marrë për shumë kohë më gjatë, ka dy përdorime kryesore shkencore.
Së pari, mund të përdoret për të gjeneruar të dhëna. Modelet e Inteligjencës Artificiale me “super-rezolucion”, mund të përmirësojnë imazhet e lira të marra me mikroskop elektronik me rezolucion të ulët, në ato me rezolucion të lartë, që përndryshe do të ishin shumë të shtrenjta për t’u regjistruar. Inteligjenca artificiale krahason një zonë të vogël të një materiali ose një kampioni biologjik në rezolucion të lartë, me të njëjtën gjë të regjistruar në një rezolucion më të ulët. Modeli mëson ndryshimin midis dy rezolucioneve dhe më pas mund të bëjë përkthime mes tyre.
Modelet
Dhe ashtu si një model i madh gjuhësor (LLM) mund të gjenerojë fjali të rrjedhshme, duke parashikuar fjalën e ardhshme më të përshtatshme në një sekuencë të caktuar, edhe modelet gjeneruese molekulare, janë në gjendje të ndërtojnë molekula, atom për atom, lidhje pas lidhje.
Modelet e mëdha gjuhësore përdorin një përzierje të statistikave autodidakte dhe triliona fjalëve në tekste të nxjerra nga interneti, për të shkruar në mënyra që imitojnë në mënyrë të besueshme një njeri. Duke u trajnuar mbi bazat e të dhënave të barnave të njohura dhe vetive të tyre, modelet për “dizajn molekular de novo” mund të kuptojnë se cilat struktura molekulare kanë më shumë gjasa të bëjnë cilat gjëra dhe më pas ato ndërtojnë blloqe në përputhje me rrethanat.
Verseon, kompani farmaceutike me seli në Kaliforni, ka krijuar disa ilaçe të mundshme në këtë mënyrë, disa prej të cilave tani janë duke u testuar te kafshët. Ashtu si antibiotikët e rinj dhe materialet e baterive të identifikuara nga Inteligjenca Artificiale, edhe kimikatet e modeluara nga algoritmet, gjithashtu duhet t’u nënshtrohen provave të zakonshme, përpara se të vlerësohet efikasiteti i tyre.
Igor Grossmann, psikolog në Universitetin Waterloo parashikon një përdorim tjetër për Inteligjencën Artificiale. Nëse modelet e mëdha gjuhësore mund të trajnohen në ngjarje të mirëfillta (ose të sajuara), në mënyrë që të pasqyrojnë me saktësi atë që thonë njerëzit, ata teorikisht mund të zëvendësojnë grupet e fokusit, ose të përdoren si agjentë në kërkimin ekonomik.
Modelet e mëdha gjuhësore mund të trajnohen me personalitete të ndryshme dhe sjellja e tyre më pas mund të përdoret për të simuluar eksperimente, rezultatet e të cilave, nëse janë interesante, më vonë mund të konfirmohen nga njerëzit. Modelet e mëdha gjuhësore po i bëjnë shkencëtarët më efikasë.
Sipas firmës GitHub, përdorimi i mjeteve si “Copilot”, mund t’i ndihmojë koduesit të shkruajnë një softuer 55% më shpejt. Për të gjithë shkencëtarët, leximi i gjithë literaturës së sfondit të kërkimit në një fushë të caktuar përpara se të fillojnë një projekt mund të jetë një detyrë e frikshme, sepse shkalla e plotë e literaturës moderne shkencore është shumë e madhe për t’u menaxhuar nga një person. Elicit, një mjet falas online i Inteligjencës Artificiale i krijuar nga Ought, një laborator kërkimor jofitimprurës amerikan, mund të ndihmojë në këtë drejtim, duke përdorur një model të madh gjuhësor për të shqyrtuar literaturën e pafund dhe për të përmbledhur pjesët më të rëndësishme të saj, shumë më shpejt se një njeri.
Ky sistem përdoret nga studentë dhe shkencëtarë të rinj, të cilët kanë nevojë për punime për t’u cituar ose për të përcaktuar një drejtim kërkimi. Modelet e mëdha gjuhësore madje mund të ndihmojë në nxjerrjen e informacionit të strukturuar, nga miliona dokumente.
Me Inteligjencën Artificiale mund të zgjerohet edhe qasja në njohuri brenda disiplinave të caktuara. Çdo detektor në përplasësin e grimcave, të quajtur Large Hydron Collider, në qendrën CERN në Gjenevë, kërkon ekipe të posaçme të operatorëve dhe analistëve. Për të ndërthurur dhe për të krahasuar të dhënat nga secili detektor, fizikanët duhet të mblidhen së bashku për të ndarë ekspertizën. Kjo nuk është gjithmonë e realizueshme për fizikanët teorikë, të cilët duan të vënë në provë shpejt idetë e reja.
Miguel Arratia, fizikan në Universitetin e Kalifornisë, ka propozuar përdorimin e Inteligjencës Artificiale për të integruar matjet nga eksperimentet e shumta themelore të fizikës (dhe madje edhe vëzhgimet kozmologjike), në mënyrë që fizikanët teorikë të mund të shqyrtojnë, ndërthurin dhe ripërdorin shpejt të dhënat. Modelet e Inteligjencës Artificiale kanë treguar se mund të përpunojnë të dhëna dhe të automatizojnë llogaritje dhe disa punë laboratorike (shih tabelën).
Por doktor Girolami paralajmëron se, megjithëse Inteligjenca Artificiale mund të jetë e dobishme për t’i ndihmuar shkencëtarët të plotësojnë boshllëqet në njohuri, këto modele ende nuk kanë arritur të shkojnë përtej skajeve të atyre gjërave që tashmë njihen dhe dihen. Sistemet e Inteligjencës Artificiale janë të mira për lidhjen e pikave, por jo për të përfytyruar se ku mund të shkojë pika e ardhshme.
Dhe ka disa probleme të vështira me të cilat përballen edhe sistemet më të suksesshme të Inteligjencës Artificiale. Për shembull, AlphaFold, nuk i përcakton saktë të gjitha proteinat gjatë gjithë kohës. Jane Dyson, biologe në Institutin Kërkimor Scripps në La Jolla, Kaliforni, thotë se parashikimet e Inteligjencës Artificiale janë pothuajse pa vlerë për proteinat “e çrregullta”, të cilat janë veçanërisht të rëndësishme për kërkimin e saj. “Nuk është një revolucion që i bën të pavlefshëm të gjithë shkencëtarët tanë”. Dhe AlphaFold nuk shpjegon ende pse proteinat palosen në mënyra të caktuara. Ose ndoshta Inteligjenca Artificiale “ka një teori që ne thjesht nuk e kemi kuptuar ende”, thotë Dr Kohli.
Pavarësisht këtyre kufizimeve, biologët ende mendojnë se AlphaFold e ka bërë punën e tyre më efikase. Baza e të dhënave e mbushur me parashikimet e proteinave të AlphaFold, i lejon shkencëtarët të përpunojnë strukturën e mundshme të një proteine, në vetëm pak sekonda, në krahasim me vite të tëra kohë dhe dhjetëra mijë dollarë që mund të ishin shpenzuar.
Dhe përshpejtimi i ritmit të kërkimit dhe zbulimit shkencor, duke sjellë efikasitet kudo që të jetë e mundur, ka shumë premtime për të ardhmen.
Në një raport të fundit mbi Inteligjencën Artificiale në shkencë, grupi OECD, i përbërë kryesisht nga shtete të pasura, tha se “ndërsa Inteligjenca Artificiale po depërton në të gjitha fushat dhe fazat e shkencës, potenciali i plotë i saj nuk është arritur ende”.
Raporti doli në përfundimin se përfitimi mund të jetë i madh: “Përshpejtimi i rendimentit në kërkim mund të jetë më i vlefshmi ekonomikisht dhe shoqërisht nga të gjitha përdorimet e Inteligjencës Artificiale”.
Mirë se vini në botën artificiale
Nëse mjetet e Inteligjencës Artificiale arrijnë të rrisin rendimentin në kërkim, bota pa dyshim që do të përfitonte nga maja e zgjuarsisë njerëzore, e ndihmuar nga Inteligjenca Artificiale, parashikon doktor Hassabis.
Por kjo teknologji ka edhe më shumë potencial: ashtu si teleskopët dhe mikroskopët i lejojnë shkencëtarët të shohin më gjerësisht, modelet probabilistike dhe të mbështetura në të dhëna, do t’i lejojnë shkencëtarët të modelojnë dhe të kuptojnë më mirë sistemet e koklavitura.
Fushat si shkenca e klimës dhe biologjia strukturore janë në pikën ku shkencëtarët e dinë se po ndodhin procese të ndërlikuara, por studiuesit deri tani janë përpjekur t’i kuptojnë këto fusha, duke përdorur rregulla, ekuacione dhe simulime nga lart-poshtë.
Inteligjenca Artificiale mund t’i ndihmojë shkencëtarët t’u qasen problemeve nga poshtë-lart, pra të masin së pari një mori të dhënash dhe të përdorin algoritme për të gjetur më vonë rregullat, modelet, ekuacionet dhe kuptimin shkencor.
Nëse gjatë viteve të fundit, shkencëtarët kanë futur vetëm gishtat e këmbëve në ujërat e cekëta të Inteligjencës Artificiale, në dekadat e ardhshme, ata do të zhyten në thellësitë e saj dhe do të notojnë drejt horizontit.
Përdorimi i Inteligjencës Artificiale në fusha të ndryshme
Shumë lloje të Inteligjencës Artificiale po përdoren tashmë në një sërë disiplinash shkencore.
Numërimi i specieve në rrezik zhdukje
Mbrojtja e gjallesave
Rrjetet neutrale identifikojnë nga fotot yjet e detit që janë të dëmshëm dhe numërojnë speciet në rrezik zhdukje nga fotot e marra me dron. Në një studim, klasifikimi automatik i 3.2 milionë imazheve, kurseu 8,4 vjet në punë njerëzore.
Kuptimi i trurit
Neuroshkencë
Mësimi i thellë “gjeometrik” deshifron se si punojnë së bashku grupet e neuroneve. Duke e parë trurin në aspektin e formave, shkencëtarët mund të kuptojnë më mirë sëmundjet dhe funksionimin normal të trurit.
Dallimi i prirjeve të fshehta në nyje
Matematikë
Një rrjet neutral u përdor për të gjetur një lidhje të pazbuluar më parë, midis përfaqësimeve të nyjeve gjeometrike dhe algjebrike. Inteligjenca Artificiale gjithashtu zbuloi aspekte të reja të strukturës së tyre themelore.
Dallimi i anomalive
Fizikë themelore
Përplasja e grimcave të lëndës në sistemin “Large Hadron Collider” në Zvicër nxjerr më tepër të dhëna në një orë të vetme, se sa Facebook në një vit. Inteligjenca Artificiale i ndihmoi shkencëtarët për të përpunuar këto të dhëna dhe për të zbuluar grimcën Higgs boson.
Çkodimi i tingujve të balenave
Linguistikë
Kërkuesit përdorën rrjete gjeneruese për të dalluar se cilët tinguj të balenës janë më të rëndësishëm për kafshët, një hap drejt kuptimit të sistemit të komunikimit të balenave.
Matja sasiore e pasigurisë
Metoda kërkimore
Inteligjenca Artificiale mund të gjurmojë pasiguritë dhe gabimet në një eksperiment të ndërlikuar ose vëzhgim. Për shembull, nga matja fillestare në një teleskop, deri në hapin e fundit të një analize kompjuterike./Monitor
