Cercetarea trece într-o nouă etapă: știința la viteză digitală. Într-o dezbatere despre intersecția dintre inovația tehnologică și cercetarea fundamentală, Demis Hassabis, CEO Google DeepMind, și Paul Nurse, biolog și laureat Nobel, au ajuns la o concluzie mai puțin plăcută: tehnologia evoluează mult mai rapid decât capacitatea noastră de a o înțelege.
Știința la viteză digitală
Demis Hassabis vede prezentul ca pe o tranziție spre aplicarea vitezei caracteristice din tech în ariile de cercetare fundamentală.
„Această expresie pe care o folosesc, știința la viteză digitală, am inventat-o după ce am văzut AlphaFold. Am petrecut aproximativ un an pliind toate cele 200 de milioane de proteine cunoscute științei și atunci m-a lovit faptul că foloseam tipurile de tehnici și metode din zonele tehnologice și de inginerie, dar acum acesta era un subiect științific la care le aplicam.”
Sistemul AlphaFold de la DeepMind a reușit predicția formei tridimensionale a peste 200 de milioane de proteine (peste tot ce era indexat de știință), reușită care i-a și adus lui Hassabis Premiul Nobel în Chimie.
Hassabis face o predicție curajoasă despre transformarea pieței și apariția asistenților complet autonomi.
„Mă aflam la marele eveniment anual Google de săptămâna trecută și am lansat această expresie, că ne aflăm în zorii singularității, ceea ce a stârnit o mică agitație, dar chiar cred asta. Dacă vom privi înapoi peste 10 ani, cred că vom începe să simțim această perioadă de acum... această eră agentică... va fi monumentală această schimbare.”
Ingineria bate Știința
Există un paradox al progresului: construim unelte uimitoare, dar comercializarea lor lasă în urmă adevărata fundamentare teoretică.
„Mi-ar plăcea ca știința să prindă din urmă ingineria. Ar fi mai bine dacă am înțelege detaliile profunde ale modului în care funcționează sistemele, să nu fie doar niște cutii negre... Evident, acum AI a devenit o tehnologie comercială, cu chatboți și LLM-uri, ceea ce a adăugat combustibil pe foc în ceea ce privește ritmul progresului ingineriei înaintea științei”, spune Hassabis.
Rețelele neurale mari și LLM-urile sunt recunoscute în industrie ca fiind sisteme tip „black-box”. Chiar și inginerii care le-au creat nu pot descrie matematic fiecare pas logic urmat de AI pentru a ajunge la un anumit output, domeniu cunoscut drept Mechanistic Interpretability.
Plictiseala din laboratoare
Paul Nurse povestește din realitatea de zi cu zi a cercetătorului „cu halat”, arătând că munca grea e deseori extrem de anostă.
„Primul lucru pe care trebuie să-l realizăm este că a face cercetare într-un wet lab este enorm de plictisitor. Ne petrecem cea mai mare parte a timpului transferând mici volume de lichid dintr-un tub în altul și nu există nicio modalitate de a entuziasma intelectul cuiva... Ceea ce trebuie să păstrăm și să dezvoltăm este gândirea creativă, așadar focusul aici ar trebui să fie pe cum putem transforma aceste unelte ca să asiste ființa umană să fie mai creativă în gândire”, spune Nurse.
Seducția periculoasă
Semnalul de alarmă vine din tentația de a aduna cantități infinite de date fără un brief clar.
„Tehnologia a devenit periculos de seducătoare în unele privințe. Dacă mă uit la unele dintre jurnalele noastre de profil înalt, inventează o modalitate de a privi o problemă și acumulează o mulțime de date, este inteligent, este scump, așadar doar o mână de oameni o pot face, dar nu ajung efectiv la concluzii ferme despre nimic de interes... Obiectivul tuturor acestor lucruri este să înțelegem lumea, nu doar să colectăm date”, spune Nurse.
Deși AI aduce o nouă etapă în știință, motivația fundamentală a cercetătorilor va rămâne aceeași, arată discuția: curiozitatea umană în fața necunoscutului.
