Лауреатами Нобелевской премии по химии 2024 года стали Дэвид Бейкер, Демис Хассабис и Джон Джампер за исследование структур белков. Бейкер занимался компьютерным дизайном белков, а Хассабис и Джампер разработали ИИ-модель для предсказания их сложной структуры. Кто больше заслужил премию — химики или искусственный интеллект, «Эксперту» объяснил Валентин Анаников, академик РАН, доктор химических наук, член Европейской академии наук и руководитель лаборатории Института органической химии им. Н.Д. Зелинского РАН (ИОХ РАН).

— Премия по химии вручена за исследования по биологии, не ошибка ли это?

— Присуждение Нобелевской премии по химии за исследования, связанные с биологическими объектами, происходит уже не в первый раз и вызывает острые дискуссии и критику. Некоторые учёные считают, что такие работы ближе к биологии, чем к «чистой» химии. Однако я придерживаюсь другого мнения. Нобелевский комитет, присуждая премии за такие исследования, фактически расширяет наше понимание химии.

Когда Комитет награждает работы, связанные с биологическими системами, он говорит нам: «Смотрите, это тоже химия».

Работы, которые были отмечены Нобелевской премией этого года, — предсказание структуры белков с помощью ИИ и создание новых белков — не просто биологические исследования. Это исследования, которые используют глубокие химические принципы и фундаментальные знания для решения задач, стоящих на стыке наук. И в этом их сила. Они не ограничены одной областью, а открывают огромные перспективы для химии будущего.

— Можно ли сказать, что премия присуждена фактически за IT-решения, обработку ранее доступных научных данных или это всё же упрощение?

— Для того чтобы дать полноценный ответ, важно глубже понять, за какие именно достижения были удостоены премии лауреаты и как это связано с химией как наукой. Половина премии была присуждена Демису Хассабису и Джону Джамперу за разработку системы искусственного интеллекта (ИИ) AlphaFold2, которая смогла решить многолетнюю проблему предсказания трёхмерных структур белков на основе их аминокислотных последовательностей. Это была одна из самых сложных задач в биохимии, решение которой требовало не только мощных вычислительных ресурсов, но и глубокого понимания химических процессов.

Белки — это макромолекулы, играющие ключевую роль во всех биохимических процессах. Они служат строительными блоками для тканей, ферментами для катализа реакций, транспортными агентами для молекул, и выполняют множество других функций. Хассабис и Джампер решили фундаментальную химическую задачу — как по аминокислотной последовательности предсказать трёхмерную структуру белка, от которой зависит его функция.

Вторая половина премии присуждена Дэвиду Бейкеру за достижения в вычислительном дизайне белков. Бейкер разработал методы создания белков с нуля (de novo дизайн), что позволяет создавать структуры, которые не встречаются в природе, но могут выполнять уникальные функции. Это открытие открывает перспективы для медицины, материаловедения и биотехнологий, так как при успешном развитии позволит создавать белки для борьбы с болезнями, разработки вакцин, создания новых наноматериалов и более экологически чистых химических процессов. С определённой точки зрения работа Дэвида Бейкера открывает новую эру в химии белков, и новые возможности в создании химических инструментов и материалов, которые могут выполнять задачи, недоступные природным белкам. Это реальная химия в действии.

— Является ли это только IT-решением?

— Хотя разработка AlphaFold2, безусловно, опирается на методы искусственного интеллекта и вычислительных алгоритмов, рассматривать это открытие только как IT-решение было бы упрощением. Важно отметить, что проблема сворачивания белков — это фундаментальная химическая проблема, решение которой требует глубокого понимания химии белков, их взаимодействий и структурных особенностей. Создание успешной модели, такой как AlphaFold2, стало возможным только благодаря десятилетиям накопленных знаний в области биохимии, а не просто благодаря применению ИИ.

Успех ИИ в данном случае сводится не только к обработке ранее доступных данных. Эта система может активно обучаться на миллионах известных белковых структур, извлекая и обобщая принципы, которые учёные годами пытались формализовать вручную. Такой подход — это синтез химических знаний и вычислительных технологий, а не просто автоматизация научного процесса.

— Обе премии, по физике и химии, вручены за исследования, так или иначе связанные с ИИ, — это совпадение или можно увидеть в этом тренд?

— Методы и инструменты ИИ являются неотъемлемой частью современных научных исследований и даже окружающего нас мира. Внедрение ИИ является отчётливым трендом. Автоматизация, ускорение и другие преимущества являются движущей силой процесса «ИИ-зации» окружающего мира.

Говоря о трендах и дальнейшем развитии ИИ, я могу предсказать, что искусственный интеллект со временем получит Нобелевскую премию по литературе. Хоть это и кажется пока невероятным, но имеет основания в современном развитии технологий. Уже сегодня ИИ-модели, такие как GPT, создают тексты, которые порой сложно отличить от произведений, написанных людьми. Эти системы способны не только генерировать грамматически правильные предложения, но и встраивать в них эмоции, символику, метафоры и даже строить сюжетные линии, характерные для определённых литературных жанров.

Если ИИ продолжит развиваться с той же скоростью, он сможет выйти на новый уровень креативности, где его работы будут восприняты как уникальные литературные достижения. Уже сейчас некоторые эксперименты с ИИ показывают способность алгоритмов к созданию поэзии и прозы, которые даже вызывают у читателей эмоциональный отклик. Возможно, через несколько десятилетий литературные произведения, созданные ИИ, будут восприниматься не просто как экспериментальные тексты, а как полноценные художественные работы, способные конкурировать с произведениями людей.

Кроме того, такие работы могут предложить новый взгляд на литературу, сочетая элементы различных культур, стилей и эпох, что добавит оригинальности и новаторства. Таким образом, вручение Нобелевской премии по литературе ИИ может стать символом новой эпохи.

— Все три лауреата не только учёные, но и очень успешные бизнесмены. Можно ли из этого сделать вывод о том, что как минимум в современной химии прикладные исследования или исследования с очевидной прикладной значимостью выигрывают у более фундаментальных?

— У современных исследований, связанных с искусственным интеллектом, действительно есть такая особенность — значительная их часть ведётся не только в академических институтах, но и в частных компаниях. Примером этого являются работы Демиса Хассабиса и Джона Джампера в Google DeepMind. В отличие от классических фундаментальных исследований, которые традиционно ассоциируются с университетами, развитие ИИ-технологий и их применение часто требуют доступа к огромным вычислительным мощностям и данным, которыми располагают крупные корпорации.

Однако для многих других отраслей химии и науки в целом это скорее исключение, чем правило. Фундаментальные исследования, направленные на раскрытие новых принципов или явлений, по-прежнему в основном ведутся в университетах и государственных лабораториях, где цели и подходы менее завязаны на коммерческую прибыль.

В России успешным примером использования искусственного интеллекта является разработка языковой модели GigaChat от Сбера. Это большая языковая модель, созданная для обработки естественного языка, она способна выполнять разнообразные задачи, включая сложные запросы, генерацию текста, анализ данных и многое другое. GigaChat разрабатывался в рамках инициативы Сбера по продвижению технологий ИИ. Этот проект демонстрирует, как крупные коммерческие компании в России могут успешно вести передовые исследования и разработки в области искусственного интеллекта, одновременно решая как прикладные, так и фундаментальные задачи в IT.

— Какая ещё проблематика может изучаться с применением ИИ? Связанные с ним инструменты так или иначе применяются или будут применяться повсеместно?

— Искусственный интеллект и связанные с ним вычислительные инструменты открывают новые горизонты для многих научных и технических областей, включая химию, биологию, медицину и материалы. Эти методы не только облегчают работу с огромными объёмами данных, но и позволяют решать задачи, которые ранее казались нерешаемыми. Вот несколько примеров, где ИИ уже применяется или имеет перспективы.

Разработка новых материалов. ИИ уже активно используется для поиска новых материалов с заранее заданными свойствами, таких как сверхпроводники, полимеры, сплавы и наноматериалы. С помощью методов машинного обучения можно ускорить моделирование материалов, которые могут иметь уникальные оптические, магнитные или механические свойства. Это применимо в таких областях, как электроника, энергетика и строительство.

Биотехнологии и медицинские исследования. ИИ играет ведущую роль в разработке новых лекарств и персонализированной медицине. Использование ИИ в обработке геномных данных, анализе метаболомики и протеомики позволяет искать новые биомаркеры и разрабатывать целевые лекарственные средства.

Климатические исследования и экология. ИИ может анализировать большие объёмы данных о климате и окружающей среде, помогая предсказывать глобальные изменения: повышение температуры, изменение уровня океана или утраты биоразнообразия. Также ИИ может применяться для мониторинга загрязнения и оценки воздействия различных промышленных процессов на окружающую среду.

Химический катализ. Катализаторы играют важную роль в химической промышленности, и ИИ помогает искать новые катализаторы для более эффективного и экологически чистого производства. Машинное обучение может предсказать активность катализаторов и предложить новые методы в каталитической химии.

Уверен, что в ближайшее время мы увидим множество интереснейших разработок на базе ИИ. Но нельзя забывать и о рисках внедрения ИИ-технологий, об этических аспектах и правовом регулировании применения ИИ. Требуется серьёзная и комплексная проработка этих вопросов.

Текст: Александр Турунцев.
Источник: «Эксперт».