چرا انویدیا، گوگل و مایکروسافت میلیارد‌ها دلار بر روی آینده هوش مصنوعی شرط بندی می‌کنند؟


فرارو– “جنسن هوانگ” مدیر عامل انویدیا در کنفرانس مراقبت های بهداشتی JPMorgan در ژانویه سال جاری میلادی در سنفرانسیسکو که بزرگترین رویداد فناوری در حوزه سلامت سال محسوب می شد از سرمایه گذاری ۵۰ میلیون دلاری شرکت انویدیا برای ساخت دارو خبر داد. هوانگ از زیست شناسی دیجیتال به عنوان “انقلاب شگفت انگیز بعدی” در عرصه فناوری یاد کرده است.

به گزارش فرارو به نقل از فوربس، از آنجایی که رونق هوش مصنوعی سیلیکون ولی را فرا گرفته انویدیا بیش از ۶۰ میلیارد دلار در سال کسب و کار ایجاد کرده و تابستان گذشته به یکی از معدود شرکت هایی تبدیل شد که ارزش بازار آن به تریلیون ها دلار می رسد. انویدیا در حوزه سلامت و بایوتکنولوژی (زیست فناوری) فرصت های بیش تری برای تقویت رشد خود می بیند. “کیمبرلی پاول” معاون بهداشت و درمان انویدیا به “فوربس” می گوید:”اعلام شده که ما کسب ‌و کار چند میلیارد دلاری بعدی انویدیا هستیم. این شرکت قصد دارد تراشه‌ ها، زیرساخت‌ های ابری و سایر ابزارها را برای شرکت‌ های فعال بیش تری در عرصه زیست فناوری فراهم کند”.

اکنون که مدل‌ های زبان بزرگی مانند چت جی پی تی و جمینی هوش مصنوعی مولد را به جریان انداخته‌ اند چندین شرکت فناوری قدرتمند جهان به دنبال زیست فناوری به عنوان مرز بعدی در حوزه هوش مصنوعی هستند مرزی که در آن هوش مصنوعی در محدوده سرودن اشعار خنده دار از یک دستور باقی نمی ماند بلکه کار مهم تری انجام خواهد داد: ساخت داروی نجات بخش بعدی.

در انویدیا که احتمالا ستون فقرات انقلاب هوش مصنوعی به دلیل تراشه‌های GPU قدرتمندی که می سازد خواهد بود عمده سرمایه ‌گذاری‌ها در بازوی سرمایه‌ گذاری ریسک پذیر آن شرکت در دو سال اخیر در زمینه کشف دارو بوده است. در “دیپ مایند” (Deep Mind) مدل “آلفا فولد” (Alpha Fold) آزمایشگاه هوش مصنوعی گوگل و ابزاری پیشگامانه برای پیش ‌بینی ساختارهای پروتئینی توسط محققان دانشگاهی در سال گذشته به منظور توسعه یک سرنگ مولکولی برای تزریق مستقیم دارو به سلول ‌ها و تحقیق در مورد محصولاتی که کم تر به آفت کش ها وابسته هستند مورد استفاده قرار گرفته است. علاقه به زیست فناوری در عرصه صنعت گسترده است: مایکروسافت، آمازون و حتی سِلز فورس پروژه های طراحی پروتئین نیز دارند. اگرچه استفاده از هوش مصنوعی در کشف دارو دقیقا یک روند جدید نیست. دیپ مایند برای اولین بار در سال ۲۰۱۸ میلادی از آلفا فولد رونمایی کرد. مدیران دیپ مایند و انویدیا به فوربس گفتند که آن یک لحظه پیشرفت است و به لطف تلاقی سه مورد یعنی انبوه داده های آموزشی که اکنون در دسترس است، انفجار منابع محاسباتی و پیشرفت در الگوریتم های هوش مصنوعی میسر شده است. پاول می گوید:”این سه عنصر برای نخستین بار در اینجا هستند. این کار پنج سال پیش میسر نبود”.

هوش مصنوعی به دلیل پیچیدگی محض آن از ظرفیت بالقوه بالایی در عرصه زیست فناوری برخوردار است. صرفا مسئله ای که آلفا فولد هدف قرار داده را در نظر بگیرید. پروتئین ها ماشین آلات اساسی بدن شما هستند که عملکردهای متنوعی را مدیریت می کنند. تمام آن عملکردها به شکل سه بعدی پروتئین بستگی دارد. هر پروتئین از دنباله ای از اسیدهای آمینه تشکیل شده و برهمکنش بین آن اسیدهای آمینه و محیط خارجی تعیین می کند که پروتئین چگونه اصطلاحا تا می شود که شکل نهایی آن را دیکته می کند. توانایی پیش ‌بینی شکل یک پروتئین بر اساس توالی‌ های اسید آمینه آن مورد علاقه شرکت‌ های فعال در عرصه زیست فناوری است که می توانند از آن بینش ها برای طراحی همه چیز از داروهای جدید گرفته تا محصولات بهبود یافته تا پلاستیک ‌های زیست تخریب‌ پذیر استفاده کنند. اینجاست که یادگیری عمیق وارد می‌شود: آموزش مدل‌ های هوش مصنوعی بر روی صدها میلیون توالی پروتئین مختلف و ساختارهای زیربنایی آن ها به آن مدل ها کمک می ‌کند تا الگوهای زیست ‌شناسی را بدون نیاز به انجام محاسبات گران‌ قیمت مورد نیاز شبیه‌ سازی دینامیک مولکولی واقعی کشف کنند. شبیه سازی کامل پروتئین ها به محاسبات شدیدی نیاز دارد که باعث شده موسسات ابررایانه هایی را به طور خاص برای رسیدگی به این نوع مشکلات مانند Anton 2 در مرکز ابر محاسبات پیتسبورگ طراحی کرده و بسازند.

رونق فناوری کشف دارو از سوی غول های فناوری هوش مصنوعی چشمگیر بوده است.. بر اساس گزارش Pitch book از سال ۲۰۲۱ میلادی ۲۸۱ معاملعه سرمایه گذاری ریسک پذیر در سراسر جهان در استارت آپ های کشف داروی هوش مصنوعی انجام شده که ۷.۷ میلیارد دلار سرمایه گذاری را شامل می شود. بزرگ ترین جهش در سال ۲۰۲۱ میلادی با پاندمی کووید رخ داد زمانی که ۱۰۵ معامله انجام شد. این در حالی بود که یک سال پیش از آن ۶۵ معامله صورت گرفته بود و در سال ۲۰۲۳ به ۶۷ معامله کاهش یافت. در گزارشی که در اوایل ماه جاری متتشر شد آن شرکت تحلیلگر خاطر نشان ساخت که هنوز هم سطح بالایی از اشتیاق برای شرکت هایی که در مراحل اولیه ادغام هوش مصنوعی در کشف و توسعه دارو قرار دارند وجود دارد. “دیوید بیکر” مدیر موسسه طراحی پروتئین در دانشگاه واشنگتن می گوید که ظهور هوش مصنوعی مولد نیز باعث افزایش علاقمندی به این حوزه شده است. بیکر می گوید:”معمولا این گونه مسائل حاشیه ای، دیوانه ور و بسیار خارج از جریان اصلی قلمداد می شدند. با این وجود، اکنون همگان درباره آن صحبت می کنند”. بیکر می گوید از از زمان تاسیس موسسه طراحی پروتئین در سال ۲۰۱۲ میلادی بیش از ۲۰ استارت آپ از دل آن بیرون آمده اند. ده مورد از آن استارت آپ ها از جمله Archon Biosciences  که نانو مواد را برای پزشکی احیاکننده و سرطان توسعه می‌ دهد و Lila که درمان بیماری‌های فیبروتیک را ایجاد می ‌کند از سال ۲۰۲۱ میلادی وارد عرصه شده اند.

در “دیپ مایند” تا پیش از زمانی که پاندمی کووید ۱۹ رخ دهد پژوهشگران واقعا ریسک های پژوهش شان را درک نکرده بودند. آنان تقریبا پنج سال برای توسعه آلفا فولد کار کرده بودند و همان طور که در حال آموزش مجدد این مدل برای نسل دوم آن بودند کل جهان به دلیل یک ویروس مرموز شروع به پناه گرفتن در محل خود کرد. “پوشمیت کوهلی” معاون علمی می گوید:”آن وضعیت واقعا اهمیت مسئله را نشان داد”. او با خنده به یاد می آورد که نتیجه کار دیپ مایند آلفا فولد ۲ بود یک مدل پیشگامانه که می‌توانست ساختارهای پروتئینی را به قدری دقیق پیش‌ بینی کند که سازمان‌دهندگان  CASP یک مسابقه تحقیقاتی جهانی برای تاشدن پروتئین با ارسال ایمیلی برای دیپ مایند پرسیدند که آیا آن شرکت مرتکب نوعی تقلب شده است یا خیر. این تلاش به قدری امیدوار کننده بوده که “دمیس حسابیس” یکی از بنیانگذاران شرکت آلفابت براساس پیشرفت های آلفا فولد در سال ۲۰۲۱ میلادی شرکت جداگانه ای را تاسیس کرد. آن استارت آپ که Isomorphic Labs یا آزمایشگاه های ایزومورفیک نام دارد بر کشف دارو متمرکز است و توسط شخص او اداره می شود. برای مثال، در سال جاری میلادی آزمایشگاه‌ های ایزومورفیک قراردادهای تحقیقاتی با لیلی و نوارتیس (Novartis) امضا کرد که در صورت تحقق همه نقاط عطف مجموعا نزدیک به ۳ میلیارد دلار ارزش دارند و حق امتیاز پرسود ناشی از فروش بالقوه دارو که از این مشارکت ها حاصل می شود در محاسبه اعمال نشده است. انویدیا در سال ۲۰۲۲ میلادی از BioNeMo  رونمایی کرد یک پلتفرم مبتنی بر هوش مصنوعی مولد که به توسعه ‌دهندگان کمک می ‌کند تا آموزش، استقرار و مقیاس ‌بندی مدل‌ های زبان بزرگ برای کشف دارو را تسریع کنند. در NVentures بازوی سرمایه‌ گذاری ریسک پذیر سازنده تراشه هفت معامله از ۱۹ معامله کلی آن واحد مربوط به استارت ‌آپ‌ های کشف داروی مبتنی بر هوش مصنوعی از جمله Genesis Therapeutics، Terray و Generate Biomedicines   بوده است. پاول با اشاره به انویدیا و رشد آن در سال گذشته می گوید:”صنعت طراحی به کمک رایانه اولین شرکت تراشه‌های ۲ تریلیون دلاری را ایجاد کرد. ما با خود گفتیم چرا همان صنعت اکتشاف دارو به کمک رایانه شرکت دارویی تریلیون دلاری بعدی را نمی سازد؟ اومی افزاید:”به همین خاطر است که ما به همان شکلی هستیم سرمایه گذاری می کنیم”.

چندین غول فناوری دیگر تلاش ‌های خود را برای تا کردن پروتئین انجام داده اند. در سال گذشته سلز فورس پروژن Salesforce Pro Gen)) یک مدل مبتنی بر هوش مصنوعی تولید کننده پروتئین را معرفی کرد و مایکروسافت Evo Diff یک مدل مشابه اما منبع باز را منتشر کرد. آمازون نیز ابزارهای تاشوندگی و پروتئین را برای Sage Maker پلتفرم یادگیری ماشینی AWS خود منتشر کرد. فوربس در ژانویه گزارش داده بود که حتی “بایت دنس” شرکت مادر تیک تاک نیز به نظر می رسد برای تیم های طراحی علم و دارو در حال استخدام نیرو است.

با این وجود، به همان اندازه که کشف داروی مبتنی بر هوش مصنوعی امیدوار کننده و مملو از هیاهوست موانعی نیز در این مسیر وجود دارد.  هنوز تا سال ها به طول خواهد انجامید تا داروها از طریق آزمایش‌های بالینی دریافت شوند و علیرغم آن که سازمان غذا و داروی ایالات متحده آزمایش‌ های بالینی را برای بیش از ۱۰۰ داروی نامزد جدید که از هوش مصنوعی یا یادگیری ماشینی برای توسعه آن استفاده می شود تایید کرده احتمالا سال ها به طول خواهد انجامید تا هر یک از داروها به بازار عرضه شوند.

در برخی موارد مشکلات مرتبط با کشف دارو باعث شده شرکت های بزرگ فناوری آن تحقیقات را کنار بگذارند. برای مثال، آگوست گذشته متا شرکت مادر فیس بوک تیم بررسی تاشوندگی پروتئین خود را منحل کرد. فوربس سال گذشته گزارش داد که محققان آن واحد بعدا به تنهایی شروع به کار کردند و شرکتی به نام Evolutionary Scale را تاسیس نمودند. یکی از تنگناهای مهمی که شرکت های حوزه فناوری باید روی آن تمرکز کنند داشتن داده های آموزشی کافی است. مدل‌های پایه جدیدتر مانند GPT به یادگیری تقویتی متکی هستند روشی که در آن الگوریتم‌ ها می ‌توانند اطلاعات بدون برچسب را از طریق آزمون و خطا پردازش کنند. “آنا ماری واگنر” رئیس هوش مصنوعی شرکت زیست شناسی مصنوعی Ginkgo Bio works به فوربس می گوید که این باعث می شود آنان حتی بیش تر به داده های با کیفیت بالا وابسته شوند. تابستان گذشته شرکت او وارد یک همکاری استراتژیک پنج ساله با Google Cloud شد تا تخصص خود در زمینه هوش مصنوعی با توانایی Ginkgo  برای تولید سریع داده‌های بیولوژیکی در آزمایشگاه‌های خودکار خود هماهنگ سازد تا پس از آن بتوان آن را بلافاصله به عنوان داده ‌های آموزشی جدید در مدل هوش مصنوعی قرار داد. او می گوید که این ترکیب به بهینه سازی بهتر فرآیند کشف کمک می کند.

علاوه بر این او می گوید Ginkgo توانایی اعتبارسنجی سریع پیش ‌بینی‌ های مدل را دارد. این امر باعث می‌شود که مدل‌ های مبتنی بر هوش مصنوعی گاهی اوقات توهم‌ انگیز به نظر برسند که نتایج اشتباه یا گمراه ‌کننده را به دنبال خواهد داشت. البته یک ویژگی نه یک اشکال است زیرا می ‌تواند به اکتشافات جالبی منجر شود که ممکن است برای دانشمندان غیر قابل تصور باشد. “آنا ماری واگنر” می گوید:”ما می ‌خواهیم این مدل چیزهای دیوانه ‌کننده‌ ای را ارائه کند زیرا از اینجاست که شاهد پیشرفت‌های بزرگی هستیم”.

کوهلی درباره مشکل داده با صراحت بیش تری می گوید:”به مثابه زباله درون و زباله بیرون است”. با این وجود، از آنجایی که صنعت برای رفع این مشکلات تلاش می کند او قبلا تاثیر هوش مصنوعی بر تحقیقات بیولوژیکی را مشاهده کرده است. او می گوید:”زمانی که به سمینارها می روم و تغییر در نحوه انجام کار قبلی زیست شناسان و نحوه انجام کار امروز را می ‌بینم متوجه می شوم که این یک تحول شگفت ‌انگیز است”.

 


منبع: fararu.com

پیام بگذارید