Το 1997, όταν ο Ντέμης Χασάμπης ήταν φοιτητής στο Κέιμπριτζ, το Deep Blue –πρόγραμμα της ΙΒΜ για σκάκι– νίκησε τον grandmaster Γκάρι Κασπάροφ: ήταν η πρώτη φορά που υπολογιστής νικούσε κάτοχο κορυφαίου σκακιστικού τίτλου σε συνθήκες τουρνουά. Η στιγμή εκείνη αποδείχθηκε καθοριστική για τον Χασάμπη, που ήταν παιδί-θαύμα ο ίδιος στο σκάκι και είχε μάλιστα χρησιμοποιήσει τα έσοδα από τα βραβεία του σε τουρνουά για να αγοράσει τον πρώτο του υπολογιστή.

Γιατί όμως; Εκείνο που τον εντυπωσίασε περισσότερο ήταν το γεγονός ότι ο άνθρωπος έχασε το παιχνίδι, όχι ότι το κέρδισε η μηχανή. «Ο Κασπάροφ δεν μπορούσε απλώς να παίζει σκάκι λίγο πολύ στο ίδιο επίπεδο με εκείνο το μηχάνημα με τη τρομακτική υπολογισμική δύναμη», εξηγεί ο Χασάμπης. «Μπορούσε επίσης να κάνει ποδήλατο, να μιλάει αρκετές ξένες γλώσσες, να ασχολείται με την πολιτική, όλα αυτά… Ο Deep Blue, παρόλο που είχε εξαιρετικές δεξιότητες στο σκάκι, δεν μπορούσε να κάνει τίποτε άλλο. Κάτι έλειπε από το σύστημα, που θα μπορούσαμε να θεωρήσουμε ευφυΐα».

Έκτοτε, την καριέρα του Ντέμη Χασάμπη τη διαμόρφωσε η αναζήτηση για αυτή την ευφυΐα – η οποία έλειπε. 

Ξεκίνησε ως έφηβος να σχεδιάζει βιντεοπαιχνίδια που γίνονταν επιτυχίες (και όπως είχε κάνει και με τα κέρδη του από το τουρνουά στο σκάκι, χρησιμοποίησε και πάλι αυτά τα έσοδα προκειμένου να χρηματοδοτήσει πλέον τις σπουδές του στο Κέιμπριτζ). Το 2010, λίγα χρόνια αφότου απέκτησε το διδακτορικό του στις γνωστικές νευροεπιστήμες, έγινε συνιδρυτής της DeepMind. Ο στόχος του ήταν να δημιουργήσει γενική τεχνητή νοημοσύνη (AGI) και να την αξιοποιήσει έτσι ώστε να έχει τον ευρύτερο κοινωνικό αντίκτυπο.

Το 1972, στo πλαίσιo της τελετής βράβευσής του με το Νόμπελ Χημείας, ο Κρίστιαν Άνφινσεν είχε διατυπώσει την πρόκληση που δεν άργησε να γίνει γνωστή ως «πρόβλημα της αναδίπλωσης των πρωτεϊνών». Οι πρωτεΐνες αποτελούν τον θεμέλιο λίθο της ζωής. Κάθε ένζυμο και κάθε ορμόνη στο σώμα αποτελείται από πρωτεΐνη. Οι πρωτεΐνες ευθύνονται για όλα – από την πέψη και τις νευρολογικές λειτουργίες μέχρι την ανάπτυξη, την αποκατάσταση και την αναπαραγωγή.

Οι πρωτεΐνες –όπως και το DNA– αποτελούνται από αλυσίδες αμινοξέων. Καθεμία απ’ αυτές συμβάλλει στον καθορισμό της δομής της πρωτεΐνης, όπως αυτή αλληλεπιδρά κινητικά με άλλες. Όπως ένας μαγνήτης, έτσι και κάθε αλυσίδα –μόνη ή σε συνδυασμό με άλλες– έχει ένα δεδομένο σθένος: όλες μαζί κατευθύνουν την πρωτεΐνη να αποκτήσει την τελική της τρισδιάστατη μορφή. Τότε μόνον, αφού δηλαδή η αναδιπλωμένη πρωτεΐνη έχει τοποθετήσει σωστά τους διάφορους διαύλους, υποδοχείς και θέσεις σύνδεσης, μπορεί να λειτουργήσει. Τυχόν αστοχίες σε αυτή τη διαδικασία υπονοούν διάφορες ασθένειες όπως ο καρκίνος, ο διαβήτης ή το Αλτσχάιμερ.

Οι αλυσίδες αμινοξέων των πρωτεϊνών δεν ήταν άγνωστες στους ερευνητές. Ως εκ τούτου, εξηγούσε ο Άνφινσεν, οι επιστήμονες θα έπρεπε να μπορούν να συμπεράνουν από αυτές το τρισδιάστατο σχήμα που μπορεί να πάρει μια δεδομένη πρωτεΐνη. Ως ιδέα, αυτή η προσέγγιση φαινόταν αρκετά απλή. στην πράξη όμως σήμαινε αναμέτρηση με σχεδόν αδιανόητη περιπλοκότητα. Το πρόβλημα της αναδίπλωσης των πρωτεϊνών κατέληξε να προβληματίζει τους επιστήμονες τις επόμενες πέντε δεκαετίες, όπως ένα Τελευταίο Θεώρημα του Φερμά για τη βιολογία.

Aπό τα 200 εκατομμύρια πρωτεΐνες που υπάρχουν στη φύση, οι επιστήμονες είχαν κατορθώσει να καταγράψουν αργά και σχολαστικά – τη δομή περίπου 150.000 από αυτές. Χρησιμοποιώντας αυτό το σύνολο δεδομένων, η DeepMind ξεκίνησε το 2016 να εκπαιδεύει το σύστημα AI AlphaFold προκειμένου αυτό να προβλέπει τη δομή των υπόλοιπων. «Θέλησα να εφαρμόσω πλήρως το ΑΙ σε τομείς που έχουν να κάνουν με τον πραγματικό κόσμο», είχε πει ο Χασάμπης στο Scientific American το 2022. «Η αναδίπλωση των πρωτεϊνών ήταν εκεί και με περίμενε, ήδη από τη δεκαετία του 1990». Η πρώτη φορά που λειτούργησε αυτή η τεχνολογία, όπως κυκλοφόρησε τον Νοέμβριο του 2020, δεν έφθασε το απαιτούμενο «ατομικό» επίπεδο ακρίβειας. Όμως, το AlphaFold 2 με πολύπλοκη αρχιτεκτονική 32 αλγόριθμων συσταστικών στοιχείων έλυσε ουσιαστικά το πρόβλημα της αναδίπλωσης των πρωτεϊνών. Μέχρι τον Ιούλιο του 2022, η βάση δεδομένων της DeepMind περιελάμβανε πλέον το σύνολο των 200 εκατομμυρίων γνωστών πρωτεϊνών. Όπως έγραψε ένας αρθρογράφος του Forbes, «το AlphaFold 2 είναι το σημαντικότερο επίτευγμα του ΑΙ που υπήρξε ποτέ».

Συναντήσαμε τον Ντέμη Χασάμπη για να τον ρωτήσουμε σχετικά με τις τρέχουσες, αλλά και τις μέλλουσες εφαρμογές αυτής της ανατρεπτικής τεχνολογίας, αλλά και για μερικά ακόμη ζητήματα που προκύπτουν σχετικά με την ιδιωτικότητα, την ασφάλεια και τη δεοντολογία του θέματος. Ακολουθεί η συζήτησή μας, επεξεργασμένη και συνοψισμένη για λόγους σαφήνειας.

Η επίλυση του προβλήματος της αναδίπλωσης πρωτεϊνών

Η επιστήμη χρειάστηκε πάνω από 50 χρόνια μέχρι να λύσει αυτό το πρόβλημα. Γιατί η επίλυση του ζητήματος της αναδίπλωσης των πρωτεϊνών ήταν τόσο δύσκολη; Και τι ακριβώς σημαίνει το ότι λύθηκε; Με άλλα λόγια, πόσο γρήγορα έχει την ικανότητα το AlphaFold να απαριθμήσει τους πιθανούς σχηματισμούς που μπορεί να λαμβάνει μία πρωτεΐνη σήμερα;

Πρόκειται για αστρονομικό αριθμό δυνητικών σχημάτων που θα μπορεί να λάβει μια πρωτεΐνη, αναδιπλούμενη. ορισμένες εκτιμήσεις κάνουν λόγο για 10 εις την 300ή δύναμη (δηλαδή 1 ακολουθούμενο από 300 μηδενικά), μέγεθος που θα απαιτούσε χρόνο μεγαλύτερο από την ηλικία του σύμπαντος αν ήταν να διερευνηθεί πλήρως. Και όμως, στη φύση οι πρωτεΐνες καταλήγουν να αναδιπλώνονται αυτόματα από μόνες τους μέσα σε κλάσματα δευτερολέπτου. Αυτό ονομάζεται «παράδοξο του Levinthal», και αυτή ακριβώς η πολυπλοκότητα κάνει τόσο δύσκολη την επίλυση του προβλήματος.

Συχνά, ένας μεταπτυχιακός φοιτητής αφιερώνει όλο το διδακτορικό του για να καθορίσει πειραματικά τη δομή μιας και μόνο πρωτεΐνης. Γι’ αυτό άλλωστε εδώ και δεκαετίες οι επιστήμονες δεν μπόρεσαν να καθορίσουν τις δομές παρά μόνον 150.000 πρωτεϊνών πειραματικά. Αυτό το πρόβλημα επιδιώξαμε να λύσουμε με το ΑΙ του AlphaFold, καθιστώντας εφικτή τη γρήγορη και ακριβή πρόβλεψηπροβλεψη της δομής των πρωτεϊνών απευθείας με βάση την αλληλουχία των αμινοξέων (θα μπορούσαμε να πούμε από τη γενετική αλληλουχία της πρωτεΐνης).

Πάντως, αυτή η ταχύτητα δεν αποτελεί μόνο εκπληκτικό τεχνολογικό επίτευγμα. Έχει και σημαντικές επιπτώσεις για τις εφαρμογές του AlphaFold στον πραγματικό κόσμο. Για παράδειγμα, οι περιορισμοί που υπάρχουν, τόσο σε ανθρώπινο δυναμικό όσο και σε χρόνο, έχουν δυσκολέψει αισθητά την έρευνα όσον αφορά ενδεχόμενες θεραπείες για παραμελημένες ασθένειες. Τι σημαίνει η δυνατότητα πρόσβασης στη βάση δεδομένων, παράλληλα με την ταχύτητα, την ακρίβεια και το αμελητέο κόστος του AlphaFold για την έρευνα σε ενδεχόμενες θεραπείες για τέτοιες παραμελημένες ασθένειες;

Υπάρχουν κάποιες ασθένειες που έχουν δυσανάλογα μεγάλη επίπτωση σε κοινότητες ανθρώπων στις λιγότερο εύπορες περιοχές του πλανήτη, όπου υπάρχουν και πιο περιορισμένοι πόροι για τη διενέργεια έρευνας για νέες θεραπείες. Με το να καθιστούμε τις προβλέψεις του AlphaFold διαθέσιμες δωρεάν σε οποιονδήποτε δραστηριοποιείται σε επιστημονικό περιβάλλον, είναι κάτι που φέρνει ήδη σημαντικό αποτέλεσμα. Πάνω από 1 εκατομμύριο ερευνητές σε 190 χώρες έχουν πλέον αποκτήσει πρόσβαση στη βάση δεδομένων δομής πρωτεϊνών του AlphaFold. Πολλοί από αυτούς τους ερευνητές δεν θα είχαν πρόσβαση σε ακριβές εγκαταστάσεις πειραματικής έρευνας οι οποίες απαιτούνται για τον καθορισμό της δομής των πρωτεϊνών που υπάρχουν στις ασθένειες που μελετούν.

Μία πρωτοβουλία που υιοθέτησε από νωρίς το AlphaFold, η DNDi (Πρωτοβουλία για τις παραμελημένες ασθένειες), τη χρησιμοποίησε προκειμένου να προχωρήσει η έρευνα σε ασθένειες όπως η λεϊσμανίαση ή η τρυπανοσωμίαση (νόσος Chagas), που ασκεί δυσανάλογη επιρροή στις φτωχότερες περιοχές του κόσμου. Στηρίξαμε επίσης την Παγκόσμια Ημέρα Παραμελημένων Τροπικών Ασθενειών, με τη δημιουργία δομημένων προβλέψεων για οργανισμούς τους οποίους ο Παγκόσμιος Οργανισμός Υγείας έχει επισημάνει ως υψηλής προτεραιότητας για την έρευνα. Αυτή η έρευνα βοηθά τη μελέτη ασθενειών όπως η λέπρα ή η σχιστοσωμίαση, δηλαδή ασθένειες που πλήττουν πάνω από 1 δισεκατομμύριο ανθρώπους ανά την υφήλιο.

Η ελεύθερη διάθεση του AlphaFold

Οι ερευνητές χρησιμοποιούν επίσης το AlphaFold προκειμένου να προχωρήσουν σε έναν ιδιαίτερα ενδιαφέροντα σχεδιασμό πρωτεϊνών από το μηδέν, που θα έχουν εφαρμογή πέραν του ανθρώπινου σώματος. Δημιουργούν έτσι πρωτεΐνες που δεν υπάρχουν στη φύση, και τούτο για σκοπούς κλιματικούς και περιβαλλοντικούς. Πείτε μας ορισμένες από αυτές τις εφαρμογές και τις κοινωνικές επιπτώσεις τους…

Βλέπουμε ερευνητές να χρησιμοποιούν το AlphaFold προκειμένου να μελετήσουν τον σχεδιασμό πρωτεϊνών, κυρίως ενζύμων, που θα μπορούσαν να αποδειχθούν πολύτιμα για την επιδίωξη ενός περισσότερο βιώσιμου μέλλοντος. Για παράδειγμα, μια ομάδα από το Πανεπιστήμιο του Πόρτσμουθ χρησιμοποιεί το AlphaFold για την ανακάλυψη και την παραγωγή προηγμένων ενζύμων, τα οποία θα μπορούσαν να χρησιμοποιηθούν σε μεγάλη κλίμακα για τη διάσπαση ορισμένων από τα πλέον ρυπαντικά πλαστικά μίας χρήσης. Γνωρίζουμε επίσης ότι ορισμένοι επιστήμονες χρησιμοποιούν το AlphaFold για την εξερεύνηση τεχνολογιών δέσμευσης και αποθήκευσης άνθρακα.

Η DeepMind αποφάσισε να καταστήσει δημόσια διαθέσιμο τον κώδικα του AlphaFold και να ανεβάσει στο νέφος, δωρεάν σε όποιον θέλει πρόσβαση, την τεράστια βάση δεδομένων της δομής των πρωτεϊνών, ως «δώρο από εμάς προς την επιστημονική κοινότητα», όπως είπατε. Μέχρι σήμερα, 500.000 ερευνητές έχουν χρησιμοποιήσει τη βάση αυτή, αριθμός που πιστεύετε ότι είναι η πλειοψηφία των βιολόγων στον κόσμο. Πριν όμως δώσει σε ελεύθερη χρήση αυτά τα δεδομένα, η DeepMind συμβουλεύτηκε 30 βιοηθολόγους όσον αφορά την ασφάλεια μιας τέτοιας κίνησης. Ποιες ανησυχίες διατυπώθηκαν από αυτούς τους ειδικούς; Και τι κάνατε προκειμένου να τις αντιμετωπίσετε; 

Προτού δώσουμε ελεύθερη πρόσβαση στο AlphaFold συμβουλευτήκαμε ένα ευρύτατο φάσμα ειδικών, συμπεριλαμβανομένων βιοηθολόγων, αλλά και ειδικών μηχανικής των πρωτεϊνών καθώς και βιοασφάλειας. Έφτασαν στο συμπέρασμα ότι ο κίνδυνος από την ελεύθερη διάθεση του AlphaFold ήταν χαμηλός και ότι τα οφέλη ξεπερνούσαν τους κινδύνους. Έχουμε σε λειτουργία ένα πολύ αυστηρό πρόγραμμα, ώστε να διασφαλίσουμε ότι η τεχνολογία μας αναπτύσσεται και εφαρμόζεται με τρόπο ασφαλή, υπεύθυνο και ηθικό, σε συνεργασία με ειδικούς της βιοασφάλειας.

Το «πρόβλημα της ευθυγράμμισης» και οι μεγάλες προκλήσεις 

Την ίδια στιγμή, όμως, η τεχνολογία δεν φαίνεται να λειτουργεί με διαφανή τρόπο. Το ΑΙ έχει περιγραφεί ως «μαύρο κουτί»: η λογική του είναι ακατανόητα περίπλοκη και αδιαφανής, πράγμα που σημαίνει ότι δεν μπορούμε να κάνουμε με αντίστροφη φορά προς τα πίσω τα βήματα που κάνει για να καταλήξει στα συμπεράσματά της. Αν δεν γνωρίζουμε πώς φτάνειφθάνει σε συμπεράσματα, ενδεχομένως δεν μπορούμε να γνωρίζουμε και ποια θα είναι τα συμπεράσματασυμπερέσματα αυτά. Και ίσως αυτά τα συμπεράσματα να μην είναι φιλικά προς τους ανθρώπους. Στη χειρότερη περίπτωση, που έχουν περιγράψει οργανισμοί όπως το MIRI (Ινστιτούτο Ερευνών για τη Μηχανική Ευφυΐα), θα μπορούσε η ίδια η ανθρωπότητα να κινδυνεύει από ένα υπερ-ευφυές ΑΙ. Πολλοί επιστήμονες προειδοποιούν ότι προτού λοιπόν αυτή η τεχνολογία αποκτήσει αισθήματα θα πρέπει να έχουμε επιλύσει το ονομαζόμενο «πρόβλημα της ευθυγράμμισης», δηλαδή θα πρέπει να μπορούμε να εκπαιδεύουμε τις μηχανές κατά τρόπο που τα δικά τους συμφέροντα και τα δικά μας να είναι άρρηκτα ευθυγραμμισμένα.

Τα συστήματα ΑΙ δεν είναι στην πραγματικότητα «μαύρα κουτιά». Σε αντίθεση με ό,τι συμβαίνει με τον ανθρώπινο εγκέφαλο, έχουμε κατ’ αρχήν τη δυνατότητα να επιθεωρούμε κάθε στοιχείο και κάθε λειτουργία ενός συστήματος ΑΙ. Η αλήθεια όμως είναι ότι η εκπληκτική πολυπλοκότητα των νευρωνικών δικτύων σημαίνει ότι ακόμα και με τις σημερινές προόδους της επιστήμης στην ερμηνευσιμότητα, έχουμε πολύ δρόμο μπροστά μας προτού τα κατανοήσουμε αληθινά.

Το ΑΙ αποτελεί μια μηχανική επιστήμη: πρέπει πρώτα να δημιουργούμε ένα σύστημα ΑΙ, προτού το αποσυναρμολογήσουμε και το μελετήσουμε. Οι πρόοδοι που επιτελούνται στο ΑΙ αυξάνουν τις προκλήσεις οι οποίες προκύπτουν από πλευράς ασφάλειας, ταυτόχρονα, όμως, μπορούν και να διευρύνουν την ικανότητά μας να προωθούμε έρευνες για την ασφάλεια του ΑΙ, καθώς έχουμε στη διάθεσή μας για μελέτη πιο προηγμένα συστήματα, αλλά και για υποβοήθηση των προσπαθειών μας.

Καθώς αρχίζουμε να κατασκευάζουμε όλο και πιο ισχυρά και γενικής εφαρμογής συστήματα, μία πολλά υποσχόμενη ιδέα θα ήταν να τα δοκιμάζαμε πρώτα σε καταστάσεις απαιτητικής προσομοίωσης και ύστερα μόνον έπειτα να τα εφαρμόζουμε στον πραγματικό κόσμο, όταν πλέονπλεόν θα έχουμε πειστεί για την ασφαλή λειτουργία τους. Για τον λόγο αυτό θα χρειαστεί να προχωρήσουμε στην επιστήμη της κλιμακούμενης ευθυγράμμισης, δηλαδή σε εφαρμογή μεθόδων που θα εκπαιδεύουν τα μοντέλα ΑΙ να κάνουν εκείνο που εμείς επιθυμούμε και μόνο έπειτα απ’ αυτό θα κλιμακώνεται η αυξανόμενη ικανότητά τους. Σε τελευταία ανάλυση, αυτή η κλιμακούμενη ευθυγράμμιση θα είναι κρίσιμης σημασίας προκειμένου να ξεκλειδώσουν τα ευρύτατα πλεονεκτήματα του προχωρημένου ΑΙ στην υγεία, την επιστημονική έρευνα και την ανθρώπινη ευημερία.

Το ΑΙ είναι πολύ πιθανόν να αποδειχθεί το ισχυρότερο εργαλείο που δημιούργησε ποτέ η ανθρωπότητα και βρίσκεται κατά μεγάλο μέρος στα χέρια του ιδιωτικού τομέα. Νωρίτερα φέτος είχατε συνυπογράψει μια δήλωση αποτελούμενη από 22 λέξεις μαζί με πολλούς από τους πιο επιφανείς ερευνητές, ακαδημαϊκούς και μελετητές της ηθικής ανά τον κόσμο και ανάμεσά τους ήταν και κάποιοι από τους συναδέλφους σας στην Google. Αυτή η δήλωση αναφέρει: «Ο περιορισμός του κινδύνου εξαφάνισης λόγω του ΑΙ θα πρέπει να αποτελέσει παγκόσμια προτεραιότητα, παράλληλα προς άλλους κινδύνους σε κοινωνική κλίμακα, όπως οι πανδημίες και ο πυρηνικός πόλεμος». Ακολούθησαν πολλές συζητήσεις για τη δημιουργία ενός κώδικα ηθικής συμπεριφοράς προκειμένου να κατευθύνει τις εργασίες επί του ΑΙ, όπως γνωρίζετε. Μέχρι ποιο σημείο θα έπρεπε λοιπόν να ανησυχούμε για τις προθέσεις ορισμένων επιχειρηματιών της Silicon Valley όσον αφορά το ΑΙ; Και μάλιστα αν σκεφτεί κανείς τα τεράστια, ενδεχομένως αδιανόητα, κέρδη που θα υπάρξουν από πλευράς τόσο ισχύος όσο και χρημάτων;

Πιστεύουμε ότι ο σωστός τρόπος να χειριστούμε, σ’ αυτή τη φάση, το ΑΙ είναι να δείξουμε συγκρατημένη αισιοδοξία με σαφή έλεγχο στα αδιανόητα οφέλη που θα μπορούσε να δημιουργήσει, αλλά και με ψύχραιμη συνειδητοποίηση των αμεσότερων, και πιο μακροπρόθεσμων, προκλήσεων για τα οποία θα πρέπει να είμαστε προετοιμασμένοι.

Το ΑΙ μάς υπόσχεται εκπληκτικές νέες δυνατότητες και ευκαιρίες προκειμένου να βοηθηθούμε στην επίλυση ορισμένων από τις μεγαλύτερες προκλήσεις των καιρών μας. Έχει τη δυνατότητα να μας βοηθήσει να θεραπεύσουμε ασθένειες, να δημιουργήσουμε ένα πιο βιώσιμο μέλλον για τον κόσμο, να ξεκλειδώσουμε μια νέα εποχή μεγαλύτερης ευημερίας και καλύτερων ευκαιριών για την ανθρωπότητα. Δίπλα σε αυτές τις απίστευτες δυνατότητες, το ΑΙ προφανώς και θα δημιουργήσει ορισμένες μεγάλες προκλήσεις. Πάντοτε δεσμευόμαστε να προχωράμε μπροστά με ασφάλεια και με αίσθημα ευθύνης, έχουμε δε δημιουργήσει πρωτοποριακά για τον κλάδο προγράμματα τεχνικής ασφάλειας, δεοντολογίας και εταιρικής διακυβέρνησης. Όλα αυτά θα συνεχίσουν να αποτελούν για μας σημαντικές προτεραιότητες. Εργαζόμαστε όμως και στην κατεύθυνση της γενίκευσης πρωτοβουλιών σε όλο τον τεχνολογικό τομέα, στις κυβερνήσεις και στην κοινωνία, ώστε και οι άλλοι καινοτόμοι και ηγετικοί παράγοντες να ετοιμαστούν για το μέλλον με υπεύθυνο τρόπο.

Ο στόχος της κατασκευής ενός εικονικού κυττάρου

Έχετε πει ότι δημιουργήσαμε την DeepMind με πρότυπο την Bell Labs, το ένδοξο εκείνο τμήμα έρευνας και ανάπτυξης της ΑΤ&Τ, ερευνητές του οποίου έχουν κερδίσει οκτώ Βραβεία Νόμπελ σε διάφορους τομείς. Η αποστολή της DeepMind, εξηγείτε, περιγράφεται ως εξής: «Πρώτο βήμα: λύνουμε το θέμα της ευφυίας. Δεύτερο βήμα: τη χρησιμοποιούμε για να λύσουμε όλα τα υπόλοιπα». Τι σημαίνει αυτό; Πού οδηγεί αυτό τις φιλοδοξίες της DeepMind; Πώς σας επηρεάζει και ποια προβλήματα επιλέγετε να προσεγγίσετε (συμπεριλαμβανομένου του προβλήματος της αναδίπλωσης πρωτεϊνών);

Όταν δημιουργήσαμε την DeepMind, εμπνεύστηκα για την ερευνητική μας κουλτούρα από πολλές καινοτόμες οργανώσεις, συμπεριλαμβανομένης της Bell Labs ή του προγράμματος «Απόλλων» (της NASA), αλλά και από τη δημιουργική κουλτούρα οργανισμών όπως η (κινηματογραφική) Pixar. Θεμελιώδης επιδίωξή μας ήταν να δημιουργήσουμε τεχνολογίες ΑΙ που να μπορούν να βοηθήσουν να κατανοήσουμε καλύτερα τον κόσμο γύρω μας και να λύσουμε, όπως είπα, πολλά σημαντικά προβλήματα που αντιμετωπίζει η κοινωνία, από τη θεραπεία ασθενειών μέχρι τη δημιουργία ενός βιώσιμου μέλλοντος ή την προώθηση προϊόντων τα οποία εμπλουτίζουν τη ζωή εκατομμυρίων ανθρώπων στην καθημερινότητά τους. Αυτή η κλίμακα και αυτό το είδος επιρροής είναι που κατευθύνουν τις προσπάθειές μας.

Αν κοιτάξετε προς το μέλλον (ενδεχομένως το πιο μακρινό), ποιο τεράστιο πρόβλημα που σήμερα φαίνεται άλυτο, επιστημονικό, τεχνολογικό, κοινωνικό ή άλλο, θεωρείτε ότι θα μπορούσε να βρει λύση με τη βοήθεια του ΑΙ;

Στη λίστα μου έχω πολλά μεγάλα επιστημονικά και μαθηματικά προβλήματα προς επίλυση (ένα από αυτά ήταν, ακριβώς, η αναδίπλωση των πρωτεϊνών). Ένα από τα όνειρά μου ήταν, εδώ και πολύ καιρό, η κατασκευή ενός μοντέλου για εικονικό κύτταρο. Αν μπορούσε να δημιουργήσει κανείς με τη χρήση ΑΙ μια προσομοίωση υψηλής πιστότητας για ένα κύτταρο με την ικανότητα διενέργειας χρήσιμων προβλέψεων, τότε αυτό θα ήταν εκπληκτικά χρήσιμο για την κατανόηση της βιολογίας, αλλά και για εφαρμογές όπως η ανακάλυψη φαρμάκων. Πλήθος πειραμάτων θα μπορούσαν να γίνονται γρήγορα και φθηνά στο εικονικό αυτό κύτταρο, ενώ μόνον στο τελευταίο στάδιο θα χρειαζόταν η επαλήθευση των προβλέψεων σε πραγματικό εργαστήριο.

Κάτι τέτοιο θα έφερνε πραγματική επανάσταση σε διαδικασίες όπως η ανακάλυψη φαρμάκων. Σήμερα χρειάζονται περίπου 10 χρόνια από την αναγνώριση ενός στόχου στη δημιουργία ενός υποψήφιου φαρμάκου. Με ένα εικονικό κύτταρο, θα μπορούσαμε να πετύχουμε εξαιρετικά μεγάλη μείωση αυτών των χρονικών περιθωρίων, διερευνώντας το πεδίο των ενδεχόμενων φαρμακευτικών σκευασμάτων.

Πιστεύω ότι η κατασκευή ενός εικονικού κυττάρου μπορεί να προκύψει μέσα στην ερχόμενη δεκαετία και αυτό πραγματικά με συναρπάζει.

©The Atlantic/Atlantic Rethink, Google, Dialogues. Μεταφράστηκε και δημοσιεύθηκε από την Economia Media Α.Ε., έπειτα από ειδική άδεια. Το πρωτότυπο αγγλικό κείμενο βρίσκεται στο www.theatlantic.com