"Чудо-решение" или маркетинг: как Google создает иллюзию объективности для продвижения технологий

The Atlantic Magazine и его маркетинговая студия Re:think в сотрудничестве с Google запустили издание Dialogues: On AI, Society, and What Comes Next , в котором обсуждаются изменения, вызванные развитием искусственного интеллекта, а также прогнозируется его влияние на будущее. Издание выходит ежеквартально и позиционирует себя как площадка для взвешенного обсуждения — между "некритическим оптимизмом" и "антиутопическим страхом". Однако на практике содержание Dialogues больше напоминает продвижение ИИ, чем объективный анализ его возможностей и ограничений.

Одним из центральных материалов нового выпуска стала статья "The AI-Powered Future of Drug Discovery", посвященная влиянию ИИ на фармацевтику и биологию, в частности, на проблему предсказания структуры белков. В публикации подчеркиваются успехи ИИ, но практически не рассматриваются его ограничения. Особенно акцентируется роль AlphaFold — системы, разработанной DeepMind (принадлежащей Google), которая позиционируется как революционный инструмент для предсказания трехмерных структур белков на основе их аминокислотной последовательности. Однако, несмотря на громкие заявления, возможности этой технологии далеко не безграничны.

Белковая свертка и ее сложность

Белки — это ключевые молекулы, обеспечивающие жизнедеятельность клеток. Их функция определяется трехмерной структурой, которая формируется в результате сворачивания аминокислотной цепи в специфическую пространственную конфигурацию. Определение этой структуры представляет собой сложную научную задачу, известную как проблема белковой свертки.

Традиционные методы определения структуры белков включают:

• Рентгеновскую кристаллографию — метод, при котором белки кристаллизуются, а затем подвергаются рентгеновскому излучению, чтобы по дифракционному узору вычислить их трехмерную структуру. Этот процесс может занимать годы и требует значительных ресурсов, а некоторые белки вообще не поддаются кристаллизации.
• Криоэлектронную микроскопию (cryo-EM) — метод, при котором белки замораживаются в их естественной среде, после чего сканируются с помощью электронного микроскопа. Этот подход позволяет изучать структуры, которые невозможно кристаллизовать, но он также дорог и требует высокой квалификации специалистов для интерпретации данных.

Эти методы, хотя и трудоемки, обеспечивают чрезвычайно высокую точность результатов, что особенно важно для разработки лекарств и изучения биохимических процессов.

ИИ и его влияние на предсказание структуры белков

На фоне трудоемкости классических методов ИИ-системы, такие как AlphaFold, кажутся настоящим прорывом. AlphaFold использует методы глубокого обучения для предсказания трехмерных структур белков, и в ряде случаев его результаты сравнимы с данными, полученными с помощью лабораторных методов. Это позволило существенно ускорить процесс изучения белков и открыло новые возможности для медицины, биотехнологий и фармацевтики.

Однако подход AlphaFold имеет ряд существенных ограничений:

1. Зависимость от данных. Как и все системы машинного обучения, AlphaFold обучается на уже известных структурах белков. Если данных недостаточно или они содержат систематические ошибки, предсказания могут оказаться неточными.
2. Невозможность моделирования динамики. Белки в клетке не существуют в статическом состоянии — они меняют форму, взаимодействуют с другими молекулами, подвергаются модификациям. AI-модели пока не способны учитывать все эти факторы.
3. Ограниченная применимость к сложным белковым комплексам. Многие биологически значимые белки функционируют не отдельно, а в составе сложных многокомпонентных комплексов. AlphaFold с трудом предсказывает структуры таких систем.
4. Отсутствие понимания механизмов. ИИ может дать ответ, но не объяснит, почему именно эта структура оказалась наиболее вероятной. В фундаментальной науке важно не просто знать, но и понимать принципы формирования структур.

Как СМИ продвигают ИИ, игнорируя реальность

В публикации Dialogues AlphaFold подается как инструмент, способный в корне изменить биологию и медицину. Однако это представление игнорирует тот факт, что даже самые продвинутые ИИ-алгоритмы не могут заменить экспериментальные методы и человеческую экспертизу.

Подобные тенденции характерны не только для Dialogues, но и для многих других публикаций, освещающих ИИ. Журналист Meredith Broussard в своей книге Artificial Unintelligence: How Computers Misunderstand the World указывает, что искусственный интеллект часто преподносится как "чудо-решение", способное заменить экспертов, автоматизировать сложные процессы и обеспечить точные результаты. Однако на практике ИИ строго ограничен качеством данных, на которых он обучается, а его предсказания далеки от абсолютной точности.

Что дальше?

Несмотря на значительный прогресс, проблема белковой свертки остается нерешенной. AlphaFold и другие ИИ-системы — это мощные инструменты, но они не заменяют традиционные методы, а лишь дополняют их. В биологии, как и в других науках, критическое мышление и осторожный подход к новым технологиям остаются необходимыми.

Проблема в том, что медиа, такие как Dialogues, склонны сосредотачиваться на позитивных аспектах технологий, игнорируя их ограничения. Это создает искаженное восприятие, заставляя общество верить, что сложные научные вопросы уже решены, когда на самом деле работы еще очень много.