В то время как языковые модели все лучше справляются с такими задачами, как написание стихов и электронных писем, Джампер надеется увидеть эру, когда ИИ будет решать проблемы, которые люди никогда не смогут решить самостоятельно.

Дисклеймер : это вольный перевод интервью издания Forbes. Перевод подготовила редакция «Технократии». Чтобы не пропустить анонс новых материалов подпишитесь на «Голос Технократии» — мы регулярно рассказываем о новостях про AI, LLM и RAG, а также делимся полезными мастридами и актуальными событиями.

Обсудить пилот или задать вопрос об LLM можно здесь.

Когда в начале этого месяца Джон Джампер получил звонок от Королевской шведской академии наук с известием о присуждении ему Нобелевской премии, он едва не пропустил его. Будучи директором Google DeepMind, одного из ведущих исследовательских центров в области искусственного интеллекта, Джон увидел на экране своего смартфона телефонный код Швеции и замер, не в силах поверить в происходящее.

Однако 9 октября Джон Джампер стал лауреатом Нобелевской премии по химии. Вместе с соучредителем DeepMind Демисом Хассабисом он разделил эту награду за создание AlphaFold — ИИ-модели, способной предсказывать структуру белков на основе их химической последовательности.

«Я действительно не думал, что это произойдет», — сказал Джампер Forbes.

Два ученых из Google разделили награду с Дэвидом Бейкером, профессором Университета Вашингтона. В своей работе они использовали программное обеспечение для создания нового белка.

Ранее в этом году Бейкер, основавший Институт дизайна белков в 2012 году, в интервью Forbes поделился своими впечатлениями о том, как сильно продвинулась эта область за последние годы. Он отметил, что когда-то это казалось ему чем-то невероятным и далеким от основной науки.

На протяжении более полувека сворачивание белков представляло собой одну из самых сложных и многообещающих задач в современной науке. Предсказание формы и структуры белков является основой для понимания их взаимодействия с окружающей средой, что открывает двери для создания новых лекарств и разработки инновационных материалов.

Компания DeepMind использовала генеративный ИИ для прогнозирования миллионов схем сворачивания белков с помощью AlphaFold. Этот метод позволяет выполнять вычисления гораздо быстрее и дешевле, чем при традиционном подходе.

Джампер, который присоединился к DeepMind в 2017 году, является самым молодым лауреатом Нобелевской премии по химии за последние более 70 лет. Он побеседовал с Forbes о получении награды, ландшафте искусственного интеллекта и создании AlphaFold.

Ричард Ниева: Прежде всего, поздравляю с этим достижением. Я слышал в интервью, которое вы дали сразу после объявления, что считали свои шансы на победу всего 10%. Как вы узнали, что выиграли, и что у вас тогда было в голове?

Джон Джампер: Это как 10% шанс выиграть в лотерею, не правда ли? Это самые высокие шансы, которые может предоставить лотерея. Но несмотря на это, я был очень взволнован и не мог уснуть в ночь перед объявлением. Я старался заснуть, но моя цель была — проснуться и узнать, выиграл я или нет.

Но, несмотря на это, я продолжал сидеть и ждать. Я предполагал, что звонок должен поступить примерно за час до этого. Примерно за час до объявленного времени я обратился к своей жене и сказал: «Ну, думаю, в этом году не получится». И через 30 секунд на моём телефоне появился номер со шведским кодом.

Не уверен, что помню всё точно, но, по словам моей жены, я какое-то время просто смотрел на этот номер, пока она не закричала, чтобы я ответил на звонок. Я действительно не ожидал, что это произойдёт.

Ниева: Как вы отпраздновали?

Джампер: Я знал, что команда AlphaFold собирается вместе, чтобы посмотреть объявление, но они ещё не знали результата. Поэтому я очень спешил подключиться к просмотру. Все уже были в офисе, а я ещё не пришёл.

Я подключился к трансляции и увидел, как они узнают о победе, и это было очень весело. Когда я наконец пришёл в офис, то обнаружил, что кто-то уже сходил в магазин неподалёку и купил все бутылки игристого вина, которые смог найти. У нас была спонтанная офисная вечеринка.

Я пришёл около полудня, и мы были просто в объятиях друг друга. Это было невероятно, что такое произошло, и было здорово разделить эту радость с коллегами. И большинство команды всё ещё были там.

Ниева: Вы работаете в DeepMind с 2017 года. Очевидно, что сейчас мы живём в эпоху, когда искусственный интеллект повсюду и является частью всего. Чем текущий момент для ИИ отличается от предыдущих?

Джампер: Я думаю, что сейчас происходит как минимум два события одновременно. В некотором смысле мне лично очень интересно наблюдать невероятные результаты чат-ботов и генерации изображений, которые действительно пробуждают мир к осознанию того, насколько мощны эти технологии. Но это во многом отражает то, что происходило в научном сообществе с AlphaFold. Я считаю, что мы действительно видим, что эти модели теперь очень эффективны в решении сложных задач, которые иначе мы не знаем, как решить.

Есть момент с чат-ботами, когда они могут делать удивительные вещи — писать поэзию, суммировать электронные письма — они способны выполнять множество задач, которые выполняют люди, но мы не имели представления, как запрограммировать компьютеры для этого.

В науке, я думаю, происходит что-то иное. Это действительно момент, когда возникают проблемы, которые мы не могли решить, и которые не смог бы решить ни один человек. Речь идёт не столько о том, чтобы учиться у людей, сколько о том, чтобы учиться на экспериментальных данных и предсказывать, например, для AlphaFold, год экспериментов за пять минут. Эти технологии становятся мощными одновременно, но это почти отдельный процесс.

Ньева: Это интересно. Вы работаете в компании, которая разрабатывает обе эти технологии. Как они объединяются в вашем мире? Или это вообще является целью?

Джампер: Думаю, на этот вопрос два ответа. Первый заключается в том, что с технологической точки зрения они обмениваются довольно большим количеством информации. Наука об обучении на данных улучшается невероятно быстро. Уроки, извлечённые из чат-ботов, применяются в научной работе. Уроки из научной работы могут быть использованы в чат-ботах. И всё это взаимовлияние происходит на уровне техник и компьютерного оборудования.

Возникает интересный вопрос о том, насколько они объединяются или, по крайней мере, насколько чат-боты повлияют на научную сторону. Конечно, мы показали некоторые результаты, например, использование чат-ботов для поиска, суммирования или извлечения фактов из научных статей. Но мы ещё не знаем, будут ли, например — и я думаю, что Демис уже немного говорил об этом — [технологии] предиктивными. Когда первые предиктивные экспериментальные результаты появятся в технологиях обработки английского языка или других? Мы не знаем. И мы не знаем, будет ли это в далеком или в ближайшем будущем. Так что, думаю, вопрос о том, объединятся ли они таким образом, является интересным.

Ньева: Вы выпустили AlphaFold 3 в марте, интегрировав диффузионную модель в технологию. Как вы планируете внедрять другие типы базовых моделей по мере дальнейшего развития AlphaFold?

Джампер: В целом, уроки, полученные в процессе обучения этих моделей, их управления и масштабирования, будут иметь значение для науки. Однако наука имеет свои особенности. Наши данные невероятно ограничены. Нет данных в масштабе Интернета, описывающих, как выглядят белки. И даже если бы они были, всё это знание в действительности основано примерно на 200 000 структурах, которые у нас есть от научного сообщества. Таким образом, мы сталкиваемся с проблемами ограниченных данных. Я думаю, что, вероятно, мы увидим, что по мере того как люди всё больше будут думать о переносном обучении, возможных методах рассуждения и других подходах, это действительно начнёт применяться.

Ниева: Когда мы говорим об искусственном интеллекте, мы часто обсуждаем вопросы безопасности и предохранительных мер. Какие у вас самые большие опасения относительно того, как люди могут использовать AlphaFold?

Джампер: Стоит отметить, что мы уделяем много времени оценке этого перед выпуском, и это важный аспект нашей работы до получения результатов. Например, для AlphaFold 2 мы консультировались примерно с 30 экспертами по биобезопасности и спрашивали: «Какими способами это может быть использовано недобросовестными лицами для нанесения вреда? В каких аспектах это может происходить?» И подавляющее большинство пришло к выводу, что существенных рисков нет. Риски низкие, а релиз оказался очень полезным. Поэтому, думаю, мы постоянно обсуждаем этот вопрос.

Ведётся более широкое обсуждение того, какие факторы могут привести к рискам. И, конечно, мы много думаем о том, как недобросовестные лица могут использовать AlphaFold вместе с другими биотехнологиями для причинения вреда. Я считаю, что многие риски связаны также с вирусами. С помощью AlphaFold можно получить определённую информацию, но многое зависит от более сложных свойств, таких как вирулентность и способность к передаче. AlphaFold действительно работает на низком уровне, предоставляя атомные детали всех этих процессов, и это существенно отличается. Но мы активно занимаемся этими вопросами. И перед каждым релизом мы проводим оценку этих аспектов, что является частью нашей работы на протяжении многих лет.

Ниева: В прошлом году DeepMind объединилась с Google Brain. Изменило ли это каким-либо образом ваш подход к исследованиям или разработке продуктов?

Джампер: Я могу говорить только от имени научной команды. Конечно, есть множество аспектов, связанных с Gemini и тем, как они работают вместе. Но с точки зрения науки, я бы сказал, что почти ничего не изменилось. Или, по крайней мере, улучшилось. Мы интегрировали несколько отличных команд из Google Brain в научное подразделение, например, команду Люси Колвелл, исследователя из Google, которая работала над функциями белков и другими вопросами. В целом, я считаю, что это прошло довольно хорошо. Но для научного подразделения у нас остается та же миссия. Возможно, у нас расширились возможности. Мы можем больше обсуждать, как мы это внедряем. У нас больше возможностей в этом плане.

Ниева: Один интересный момент сейчас заключается в том, что крупные лаборатории на переднем крае ИИ привлекают массу внимания. Есть Google DeepMind, OpenAI, Anthropic и другие. Думая о конкурирующих лабораториях, ощущается ли большее давление?

Джампер: По крайней мере, в научной сфере я не испытываю такого чувства. Я больше думаю о других экспериментальных методах, которые с нами конкурируют. Среди них есть множество замечательных стартапов и специалистов, работающих в области вычислительной биологии.

Для меня это междисциплинарная область, и я считаю, что у нас есть значительное преимущество, заключающееся в сложности задач. Нельзя просто так войти в науку. Даже в рамках Google DeepMind я помню, как в начале люди говорили: «Предсказание структуры белка — это задача последовательность-в-последовательность. Отойдите, я знаю, как решать такие задачи». Затем они пробовали свои идеи, но они неизбежно не работали.

И тогда понимаешь, что нужно работать на стыке научной дисциплины и машинного обучения. Я думаю, что это одна из главных сильных сторон Google DeepMind, и она останется такой. Конечно, есть и другие отличные лаборатории. Существует множество действительно выдающихся лабораторий искусственного интеллекта, которые занимаются другими вещами, но мы проделали отличную работу в области научного машинного обучения.

Ньева: Вы упомянули о двух текущих направлениях в области искусственного интеллекта — чатботах и науке. Gemini и ChatGPT получают много внимания, потому что они являются потребительскими продуктами и доступны для обычных людей. Но как человек, работающий в науке, вы заметили усталость от чатботов?

Джампер: Я так не думаю, по крайней мере, в науке. Во-первых, стоит отметить, что подавляющее большинство GDM не связано с наукой. Большая часть работает над другими задачами, и значительная часть — над чатботами. Кроме того, в науке есть проекты, связанные с LLM (большими языковыми моделями). Я вижу в этом огромную возможность. Думаю, это здорово. Кроме того, я, возможно, больше обеспокоен тем, чтобы заниматься этим без доступа к первоклассным чатботам и экспертам в области LLM, потому что это достаточно специализированная область. Но я не воспринимаю это столько как беспокойство, сколько как возможность. Это пространство получает огромное внимание. Инвестируется много средств в вычислительные мощности, чем я очень рад — все эти инструменты и прочее. Это означает, что мы можем тратить больше времени на изучение научных аспектов.

Ньева: В будущем, какие крупные научные проблемы вас больше всего волнуют и вы хотите их решать?

Джампер: На самом деле, две вещи. Я думаю, во-первых, предсказание структуры белка приведет нас к разработке лекарств, будь то малые молекулы или дизайн белков. Это просто невероятно захватывающе — что в ближайшие несколько лет мы значительно улучшим наши способности решать эти задачи. Вторая вещь — это то, как AlphaFold может использоваться для понимания всё большего количества процессов в клетке. Мы видим такие вещи, как выяснение того, как белки взаимодействуют друг с другом. Мы изучаем всё более сложные системы с помощью AlphaFold и применяем его в действительно креативных областях. Мы будем продолжать это делать, и это приведет нас к действительно глубокому пониманию клетки таким образом, который изменит нашу науку. Это меня действительно воодушевляет.