Svaka nekoliko desetljeća netko objavi da je znanost dosegla svoj kraj. Godine 1903. cijenjeni fizičar Albert Michelson napisao je da su “činjenice fizičke znanosti otkrivene”. U 1980-ima, Stephen Hawking predvidio je da bi teorijska fizika mogla završiti do kraja stoljeća. S eksplozivnim dolaskom umjetne inteligencije, to se osjećanje ponovno javlja—ovog puta uz Nobelovu nagradu.
Godine 2024., Demis Hassabis i John Jumper iz Google DeepMind-a dobili su dio Nobelove nagrade za kemiju za svoju neuronsku mrežu AlphaFold, koja predviđa trodimenzionalne strukture proteina učeći iz tisuća eksperimentalno mjerenih oblika. Ovaj zagonetan problem odolijevao je sustavnim naporima pola stoljeća; AlphaFold se činio da ga je riješio jednom zauvijek, a svijet se fokusirao na obećanje njegove metode. Hassabis i njegov tim nazvali su AlphaFold “predloškom za to kako AI može ubrzati svu znanost do digitalne brzine.”
Val startupa koji razvijaju temeljne modele za biologiju, kemiju i otkriće materijala prikupio je milijarde dolara, potaknut uspjehom DeepMind-a. AlphaFold je pokazao da kombinacija AI-a i dovoljno podataka može dovesti do revolucionarnih otkrića (čak i ako nismo razumjeli osnovne mehanizme), i ponovno se činilo da je put kroz ostatak znanosti jasno postavljen ispred nas.
Međutim, iako će AI donijeti izvanredne promjene u znanosti, sve je jasnije da AlphaFold, i slične tehnologije, možda nisu najbolji predložak za tu metamorfuzu. Iako je to dubok uspjeh, uvjeti koji su stvorili AlphaFold su rijetki, a vrijeme koje će biti potrebno za ispunjavanje tih uvjeta u drugim područjima mjerit će se u desetljećima, a ne godinama. Umjesto toga, ubrzanje znanosti doći će zahvaljujući drugom pristupu: agentima umjetne inteligencije.
Primarni uvjet za uspjeh AlphaFold-a bila je postojanje Protein Data Bank-a, skupa podataka od otprilike 170.000 eksperimentalno potvrđenih struktura proteina na kojima je tim DeepMind-a mogao obučiti svoj model. Kreiranje Protein Data Bank-a nije bilo jednostavno: trajalo je 53 godine međunarodne znanstvene suradnje i, prema nedavnoj procjeni, otprilike 21 milijardu dolara eksperimentalnog rada. Napori te razmjere su poznato teški za financiranje, gotovo nemogući za koordinaciju i izuzetno vremenski zahtjevni za provedbu; često su bili neuspješni kao rezultat.
Ali čak i u područjima s potrebnom kohezijom i resursima, i gdje relevantni podaci nisu neosvojivi zbog komercijalnog vlasništva, postoji još jedna prepreka koja se premalo raspravlja: znanstvena nemogućnost generiranja usporedivih podataka. U slučaju struktura proteina, ključna eksperimentalna tehnika—kristalografija proteina—je izuzetno ponovljiva i pouzdana metoda, toliko da se na njoj oslanja više od 25 Nobelovih nagrada. No, u većini eksperimentalne znanosti, rezultati variraju češće nego ne. Stvaranje mjerljivih skupova podataka koji bi bili dovoljno dosljedni, točni i precizni za obuku modernih neuronskih mreža u biologiji ili većini kemije zahtijevat će nove vrste mjerenja i nove standardizirane pristupe—ništa od toga neće biti spremno uskoro.
