211service.com
AI vindt de manier waarop we uitvinden opnieuw uit
Het kantoor van Regina Barzilay aan het MIT biedt een duidelijk beeld van de Novartis Institutes for Biomedical Research. Amgen's drug discovery-groep is een paar blokken verder. Tot voor kort had Barzilay, een van 's werelds toonaangevende onderzoekers op het gebied van kunstmatige intelligentie, niet veel nagedacht over deze nabijgelegen gebouwen vol chemici en biologen. Maar toen AI en machine learning steeds indrukwekkendere prestaties begonnen te leveren op het gebied van beeldherkenning en taalbegrip, begon ze zich af te vragen: zou het ook de taak van het vinden van nieuwe medicijnen kunnen veranderen?
Het probleem is dat menselijke onderzoekers slechts een klein deel van wat mogelijk is kunnen onderzoeken. Naar schatting zijn er maar liefst 1060 potentieel medicijnachtige moleculen - meer dan het aantal atomen in het zonnestelsel. Maar het doorkruisen van schijnbaar onbeperkte mogelijkheden is waar machine learning goed in is. Getraind op grote databases van bestaande moleculen en hun eigenschappen, kunnen de programma's alle mogelijke verwante moleculen verkennen.
Dit verhaal maakte deel uit van ons nummer van maart 2019
- Zie de rest van het nummer
- Abonneren
Het ontdekken van medicijnen is een enorm duur en vaak frustrerend proces. Medicinale chemici moeten raden welke verbindingen goede medicijnen kunnen zijn, gebruikmakend van hun kennis van hoe de structuur van een molecuul de eigenschappen ervan beïnvloedt. Ze synthetiseren en testen talloze varianten, en de meeste zijn mislukkingen. Nieuwe moleculen bedenken is nog steeds een kunst, omdat je zo'n enorme ruimte aan mogelijkheden hebt, zegt Barzilay. Het vinden van goede kandidaat-geneesmiddelen duurt lang.
Door deze cruciale stap te versnellen, zou deep learning chemici veel meer mogelijkheden kunnen bieden om na te streven, waardoor het ontdekken van medicijnen veel sneller gaat. Eén voordeel: de vaak eigenzinnige verbeelding van machine learning. Misschien gaat het een andere kant op dan een mens zou gaan, zegt Angel Guzman-Perez, een geneesmiddelenonderzoeker bij Amgen die samenwerkt met Barzilay. Het denkt er anders over.
Anderen gebruiken machine learning om nieuwe materialen voor cleantech-toepassingen te bedenken. Tot de items op de verlanglijst behoren verbeterde batterijen voor het opslaan van stroom op het elektriciteitsnet en organische zonnecellen, die veel goedkoper zouden kunnen zijn dan de huidige omvangrijke op silicium gebaseerde batterijen.
Dergelijke doorbraken zijn moeilijker en duurder geworden omdat chemie, materiaalwetenschap en het ontdekken van geneesmiddelen verbijsterend complex zijn geworden en verzadigd zijn met gegevens. Zelfs nu de farmaceutische en biotech-industrie geld in onderzoek steken, is het aantal nieuwe geneesmiddelen op basis van nieuwe moleculen de afgelopen decennia gelijk gebleven. En we zitten nog steeds met lithium-ionbatterijen die dateren uit het begin van de jaren negentig en ontwerpen voor siliciumzonnecellen die ook tientallen jaren oud zijn.
De complexiteit die de voortgang op deze gebieden heeft vertraagd, is waar deep learning uitblinkt. Zoeken in de multidimensionale ruimte om met waardevolle voorspellingen te komen, is de sweet spot van AI, zegt Ajay Agrawal, een econoom aan de Rotman School of Management in Toronto en auteur van de bestseller Voorspellingsmachines: de eenvoudige economie van kunstmatige intelligentie .
In een recent artikel betoogden economen van MIT, Harvard en Boston University dat AI's grootste economische impact zou kunnen komen van zijn potentieel als een nieuwe uitvindingsmethode die uiteindelijk de aard van het innovatieproces en de organisatie van R&D hervormt.
Iain Cockburn, een BU-econoom en co-auteur van het artikel, zegt: Nieuwe uitvindingsmethoden met brede toepassingen komen niet vaak voor, en als onze gok klopt, zou AI de kosten van het doen van R&D op veel verschillende gebieden drastisch kunnen veranderen. Veel innovatie bestaat uit het maken van voorspellingen op basis van data. Bij dergelijke taken, voegt Cockburn toe, zou machine learning in orde van grootte veel sneller en goedkoper kunnen zijn.
Met andere woorden, de belangrijkste erfenis van AI zijn misschien niet auto's zonder bestuurder of het zoeken naar afbeeldingen of zelfs het vermogen van Alexa om bestellingen aan te nemen, maar het vermogen om met nieuwe ideeën te komen om zelf innovatie te stimuleren.
Ideeën worden duur
Eind vorig jaar won Paul Romer de Nobelprijs voor de economie voor het werk dat eind jaren tachtig en begin jaren negentig werd verricht en dat aantoonde hoe investeringen in nieuwe ideeën en innovatie robuuste economische groei stimuleren. Eerdere economen hadden het verband tussen innovatie en groei opgemerkt, maar Romer gaf een voortreffelijke verklaring voor hoe het werkt. In de decennia daarna waren de conclusies van Romer de intellectuele inspiratiebron voor velen in Silicon Valley en helpen ze verklaren hoe het zulke rijkdom heeft bereikt.
Maar wat als onze pijplijn van nieuwe ideeën opdroogt? De economen Nicholas Bloom en Chad Jones van Stanford, Michael Webb, een afgestudeerde student aan de universiteit, en John Van Reenen van het MIT hebben het probleem onderzocht in een recent artikel genaamd Worden ideeën moeilijker te vinden? (Hun antwoord was ja.) Kijkend naar de ontdekking van geneesmiddelen, halfgeleideronderzoek, medische innovatie en inspanningen om de oogstopbrengsten te verbeteren, vonden de economen een gemeenschappelijk verhaal: investeringen in onderzoek nemen sterk toe, maar de uitbetalingen blijven constant.
Vanuit het perspectief van een econoom is dat een productiviteitsprobleem: we betalen meer voor een vergelijkbare hoeveelheid output. En de cijfers zien er slecht uit. Onderzoeksproductiviteit - het aantal onderzoekers dat nodig is om een bepaald resultaat te produceren - daalt jaarlijks met ongeveer 6,8% voor de taak om de wet van Moore uit te breiden, wat vereist dat we manieren vinden om steeds meer en kleinere componenten op een halfgeleiderchip te verpakken om blijf computers sneller en krachtiger maken. (Er zijn tegenwoordig meer dan 18 keer zoveel onderzoekers nodig om de chipdichtheid te verdubbelen als in het begin van de jaren zeventig, zo ontdekten ze.) Voor het verbeteren van zaden, gemeten aan de hand van gewasopbrengsten, daalt de onderzoeksproductiviteit met ongeveer 5% per jaar. Voor de Amerikaanse economie als geheel daalt deze met 5,3%.
De stijgende prijs van grote ideeën
Volgens economen van Stanford en MIT zijn er meer onderzoekers en geld nodig om productieve nieuwe ideeën te vinden. Dat is een waarschijnlijke factor in de algehele trage groei in de VS en Europa in de afgelopen decennia. De onderstaande grafiek toont het patroon voor de algemene economie, waarbij de totale factorproductiviteit in de VS wordt benadrukt (per decenniumgemiddelde en voor 2000-2014) - een maatstaf voor de bijdrage van innovatie - versus het aantal onderzoekers. Soortgelijke patronen gelden voor specifieke onderzoeksgebieden.
bron: bloom, jones, van reenen en webb
Elk negatief effect van deze daling is tot nu toe gecompenseerd door het feit dat we meer geld en mensen in onderzoek steken. We verdubbelen dus nog steeds elke twee jaar het aantal transistors op een chip, maar alleen omdat we veel meer mensen aan het probleem wijden. We zullen onze investeringen in onderzoek en ontwikkeling de komende 13 jaar moeten verdubbelen om alleen maar watertrappelen te blijven.
Het kan natuurlijk zijn dat vakgebieden als gewaswetenschap en halfgeleideronderzoek oud worden en de mogelijkheden voor innovatie verschrompelen. De onderzoekers ontdekten echter ook dat de algehele groei, gekoppeld aan innovatie in de economie, traag was. Alle investeringen in nieuwe gebieden en alle uitvindingen die ze hebben gegenereerd, hebben het algemene verhaal niet veranderd.
De daling van de onderzoeksproductiviteit lijkt een decennialange trend te zijn. Maar het is vooral zorgwekkend voor economen nu, omdat we sinds het midden van de jaren 2000 een algemene vertraging van de economische groei hebben gezien. In een tijd van briljante nieuwe technologieën zoals smartphones, auto's zonder bestuurder en Facebook, is de groei traag, en het deel ervan dat wordt toegeschreven aan innovatie - de totale factorproductiviteit genoemd - was bijzonder zwak.
De aanhoudende effecten van de financiële ineenstorting van 2008 zouden de groei kunnen belemmeren, zegt Van Reenen, en dat geldt ook voor aanhoudende politieke onzekerheden. Maar de sombere onderzoeksproductiviteit levert ongetwijfeld een bijdrage. En hij zegt dat als de daling doorzet, dit ernstige schade kan toebrengen aan toekomstige welvaart en groei.
Het is logisch dat we al veel hebben geplukt van wat sommige economen graag het laaghangende fruit in termen van uitvindingen noemen. Zou het kunnen dat de enige overgebleven vrucht een paar verschrompelde appels zijn aan de verste takken van de boom? Robert Gordon, een econoom aan de Northwestern University, was een groot voorstander van die opvatting. Hij zegt dat het onwaarschijnlijk is dat we de bloei van de ontdekking zullen evenaren die de late 19e en vroege 20e eeuw markeerde, toen uitvindingen zoals elektrisch licht en stroom en de verbrandingsmotor leidden tot een eeuw van ongekende welvaart.
Als Gordon gelijk heeft, en er zijn minder grote uitvindingen over, dan zijn we gedoemd tot een sombere economische toekomst. Maar weinig economen denken dat dat het geval is. Het is eerder logisch dat er grote nieuwe ideeën zijn; het wordt alleen maar duurder om ze te vinden naarmate de wetenschap steeds complexer wordt. De kans dat de volgende penicilline ons zomaar in de schoot geworpen wordt, is klein. We zullen steeds meer onderzoekers nodig hebben om de oprukkende wetenschap op gebieden als scheikunde en biologie te begrijpen.
Het is wat Ben Jones, een econoom bij Northwestern, de last van kennis noemt. Onderzoekers worden steeds gespecialiseerder, waardoor het nodig is om grotere en duurdere teams te vormen om problemen op te lossen. Uit het onderzoek van Jones blijkt dat de leeftijd waarop wetenschappers hun maximale productiviteit bereiken omhoog gaat: het duurt langer voordat ze de expertise opdoen die ze nodig hebben. Het is een aangeboren bijproduct van de exponentiële groei van kennis, zegt hij.
Veel mensen zeggen dat onze bevindingen deprimerend zijn, maar zo zie ik het niet, zegt Van Reenen. Innovatie is misschien moeilijker en duurder, maar dat wijst volgens hem gewoon op de noodzaak van beleid, inclusief fiscale prikkels, dat investeringen in meer onderzoek aanmoedigt.
Zolang je middelen in R&D steekt, kun je een gezonde productiviteitsgroei behouden, zegt Van Reenen. Maar we moeten bereid zijn geld uit te geven om het te doen. Het komt niet gratis.
Wetenschap opgeven
Kan AI op creatieve wijze het soort problemen oplossen dat voor dergelijke innovatie nodig is? Sommige experts zijn er nu van overtuigd dat het kan, gezien het soort vooruitgang dat wordt getoond door de game-playing machine AlphaGo.
AlphaGo beheerste het oude spel Go en versloeg de regerend kampioen door de bijna onbeperkte mogelijke zetten te bestuderen in een spel dat al duizenden jaren wordt gespeeld door mensen die sterk afhankelijk zijn van intuïtie. Daarbij kwam het soms met winnende strategieën die geen enkele menselijke speler had gedacht te proberen. Evenzo gaat het denken, diepgaande leerprogramma's die zijn getraind op grote hoeveelheden experimentele gegevens en chemische literatuur, kunnen nieuwe verbindingen opleveren die wetenschappers zich nooit hadden kunnen voorstellen.
Zou een AlphaGo-achtige doorbraak de groeiende legers van onderzoekers kunnen helpen die zich verdiepen in de steeds groter wordende wetenschappelijke gegevens? Kan AI fundamenteel onderzoek sneller en productiever maken, en gebieden die te duur zijn geworden voor bedrijven nieuw leven inblazen?
De afgelopen decennia hebben we een enorme omwenteling gezien in onze R&D-inspanningen. Sinds de tijd dat Bell Labs van AT&T en PARC van Xerox wereldveranderende uitvindingen produceerden, zoals de transistor, zonnecellen en laserprinten, hebben de meeste grote bedrijven in de VS en andere rijke economieën het basisonderzoek opgegeven. Ondertussen bleven de Amerikaanse federale O&O-investeringen vlak, vooral voor andere domeinen dan biowetenschappen. Dus terwijl we het aantal onderzoekers in het algemeen blijven vergroten en stapsgewijze vooruitgang omzetten in commerciële kansen, hebben gebieden die langdurig onderzoek vereisen en een basis in de basiswetenschap nodig, een klap gekregen.
Vooral de uitvinding van nieuwe materialen is een commercieel opstuwing geworden. Dat heeft de nodige innovaties op het gebied van schone technologie tegengehouden, zoals betere batterijen, efficiëntere zonnecellen en katalysatoren om brandstoffen rechtstreeks uit zonlicht en koolstofdioxide te maken (denk aan kunstmatige fotosynthese). Hoewel de prijzen van zonnepanelen en batterijen gestaag dalen, is dat grotendeels te wijten aan verbeteringen in de productie en schaalvoordelen, in plaats van fundamentele vooruitgang in de technologieën zelf.
Zou een AlphaGo-achtige doorbraak de groeiende legers van onderzoekers kunnen helpen die zich verdiepen in de steeds groter wordende wetenschappelijke gegevens?
Het duurt gemiddeld 15 tot 20 jaar om met een nieuw materiaal te komen, zegt Tonio Buonassisi, een werktuigbouwkundig ingenieur aan het MIT die samen met een team van wetenschappers in Singapore werkt om het proces te versnellen. Dat is veel te lang voor de meeste bedrijven. Het is zelfs voor veel academische groepen onpraktisch. Wie wil er jaren aan een materiaal besteden dat wel of niet werkt? Dit is de reden waarom door durfkapitaal gesteunde startups, die een groot deel van de innovatie op het gebied van software en zelfs biotech hebben voortgebracht, de schone technologie al lang hebben opgegeven: durfkapitalisten moeten over het algemeen binnen zeven jaar of eerder terugverdiend zijn.
Een versnelling van 10x [in de snelheid van materiaalontdekking] is niet alleen mogelijk, het is noodzakelijk, zegt Buonassisi, die een fotovoltaïsch onderzoekslab leidt aan het MIT. Zijn doel, en dat van een losjes verbonden netwerk van collega-wetenschappers, is om AI en machine learning te gebruiken om dat tijdsbestek van 15 tot 20 jaar terug te brengen tot ongeveer twee tot vijf jaar door de verschillende knelpunten in het laboratorium aan te pakken, te automatiseren zoveel mogelijk van het proces. Een sneller proces geeft de wetenschappers veel meer potentiële oplossingen om te testen, stelt hen in staat doodlopende wegen te vinden in uren in plaats van maanden, en helpt bij het optimaliseren van de materialen. Het verandert hoe we denken als onderzoekers, zegt hij.
Het zou het ontdekken van materialen ook weer een levensvatbare zakelijke bezigheid kunnen maken. Buonassisi wijst op een grafiek die de tijd laat zien die nodig was om verschillende technologieën te ontwikkelen. Een van de kolommen met het label lithium-ionbatterijen toont 20 jaar.
Een andere, veel kortere kolom heet nieuwe zonnecel; bovenaan staat de klimaatdoelstelling voor 2030. Het punt is duidelijk: we kunnen niet nog eens 20 jaar wachten op de volgende doorbraak in clean-tech materialen.
AI-startups in medicijnen en materialen| een Atomisch | twee Kebotix | 3 Diepe genomica | |
|---|---|---|---|
| Wat ze doen | Gebruik neurale netwerken om door grote databases te zoeken om kleine medicijnachtige moleculen te vinden die binden aan gerichte eiwitten. | Ontwikkel een combinatie van robotica en AI om de ontdekking en ontwikkeling van nieuwe materialen en chemicaliën te versnellen. | Gebruik kunstmatige intelligentie om te zoeken naar oligonucleotide-moleculen om genetische ziekten te behandelen. |
| Waarom het uitmaakt | Het identificeren van dergelijke moleculen met gewenste eigenschappen, zoals potentie, is een cruciale eerste stap in de ontdekking van geneesmiddelen. | Het duurt meer dan tien jaar om een materiaal te ontwikkelen. Door die tijd te verkorten, kunnen we problemen zoals klimaatverandering aanpakken. | Oligonucleotide-behandelingen zijn veelbelovend tegen een reeks ziekten, waaronder neurodegeneratieve en metabole aandoeningen. |
Het AI-gedreven lab
Kom naar een vrij land: zo nodigt Alan Aspuru-Guzik tegenwoordig een Amerikaanse bezoeker uit in zijn laboratorium in Toronto. In 2018 verliet Aspuru-Guzik zijn vaste aanstelling als hoogleraar scheikunde aan Harvard en verhuisde met zijn gezin naar Canada. Zijn besluit werd ingegeven door een sterke afkeer van president Donald Trump en zijn beleid, met name dat op het gebied van immigratie. Het deed echter geen pijn dat Toronto snel een mekka wordt voor onderzoek op het gebied van kunstmatige intelligentie.
Aspuru-Guzik is niet alleen hoogleraar scheikunde aan de Universiteit van Toronto, maar heeft ook een functie bij het Vector Institute for Artificial Intelligence. Het is het AI-centrum dat mede is opgericht door Geoffrey Hinton, wiens baanbrekende werk op het gebied van deep learning en neurale netwerken grotendeels wordt toegeschreven aan de snelle start van de huidige hausse in AI.
In een opmerkelijk artikel uit 2012 toonden Hinton en zijn co-auteurs aan dat een diep neuraal netwerk, getraind op een groot aantal foto's, een paddenstoel, een luipaard en een Dalmatische hond kon identificeren. Het was destijds een opmerkelijke doorbraak en luidde snel een AI-revolutie in met behulp van diepgaande algoritmen om grote datasets te begrijpen.
Onderzoekers vonden snel manieren om dergelijke neurale netwerken te gebruiken om auto's zonder bestuurder te helpen navigeren en gezichten in een menigte te herkennen. Anderen hebben de deep-learning tools aangepast zodat ze zichzelf konden trainen; onder deze tools zijn GAN's (generatieve adversariële netwerken), die afbeeldingen kunnen maken van scènes en mensen die nooit hebben bestaan.
In een vervolgdocument uit 2015 gaf Hinton aanwijzingen dat deep learning zou kunnen worden gebruikt in chemie en materiaalonderzoek. Zijn paper prees het vermogen van een neuraal netwerk om ingewikkelde structuren in hoogdimensionale gegevens te ontdekken - met andere woorden, dezelfde netwerken die door miljoenen afbeeldingen kunnen navigeren om, laten we zeggen, een hond met vlekken te vinden, kunnen miljoenen moleculen doorzoeken om er een te identificeren met bepaalde gewenste eigenschappen.
Energiek en bruisend van ideeën, Aspuru-Guzik is niet het type wetenschapper dat geduldig twee decennia besteedt aan het uitzoeken of een materiaal zal werken. En hij heeft deep learning en neurale netwerken snel aangepast om te proberen de ontdekking van materialen opnieuw uit te vinden. Het idee is om kunstmatige intelligentie en automatisering toe te voegen aan alle stappen van materiaalonderzoek: het eerste ontwerp en de synthese van een materiaal, het testen en analyseren ervan, en uiteindelijk de meerdere verfijningen die de prestaties optimaliseren.
Op een ijskoude dag begin januari heeft Aspuru-Guzik zijn hoed strak over zijn oren getrokken, maar verder lijkt hij zich niet bewust van het bittere Canadese weer. Hij heeft andere dingen aan zijn hoofd. Om te beginnen wacht hij nog steeds op de levering van een robot van $ 1,2 miljoen, nu op een schip uit Zwitserland, dat het middelpunt zal zijn van het geautomatiseerde, AI-gestuurde laboratorium dat hij voor ogen heeft.
In het lab zullen deep-learning tools zoals GAN's en hun neef, een techniek genaamd autoencoder, veelbelovende nieuwe materialen bedenken en uitzoeken hoe ze kunnen worden gemaakt. De robot maakt dan de verbindingen; Aspuru-Guzik wil een betaalbaar geautomatiseerd systeem maken dat op verzoek nieuwe moleculen kan uitspugen. Als de materialen eenmaal gemaakt zijn, kunnen ze geanalyseerd worden met instrumenten zoals een massaspectrometer. Aanvullende tools voor machine learning zullen die gegevens begrijpen en de eigenschappen van het materiaal diagnosticeren. Deze inzichten zullen vervolgens worden gebruikt om de materialen verder te optimaliseren en hun structuren aan te passen. En dan, zegt Aspuru-Guzik, zal AI het volgende experiment selecteren om te maken, waardoor de lus wordt gesloten.
Het idee is om kunstmatige intelligentie en automatisering toe te voegen aan alle stappen van materiaalonderzoek en medicijnontdekking.
Als de robot eenmaal op zijn plaats is, verwacht Aspuru-Guzik om de twee dagen zo'n 48 nieuwe materialen te maken, gebruikmakend van de inzichten in machine learning om hun structuren te blijven verbeteren. Dat is elk uur een veelbelovend nieuw materiaal, een ongekend tempo dat de productiviteit van het laboratorium volledig zou kunnen veranderen.
Het gaat niet alleen om het bedenken van een magisch materiaal, zegt hij. Om het materiaalonderzoek echt te veranderen, moet je het hele proces aanpakken: wat zijn de knelpunten? Je wilt AI in elk deel van het lab. Als je bijvoorbeeld een voorgestelde structuur hebt, moet je nog bedenken hoe je die kunt maken. Het kan weken tot maanden duren om op te lossen wat chemici retrosynthese noemen - achteruit werken vanuit een moleculaire structuur om de stappen te vinden die nodig zijn om zo'n verbinding te synthetiseren. Een ander knelpunt is het begrijpen van de enorme hoeveelheden gegevens die door analytische apparatuur worden geproduceerd. Machine learning zou elk van die stappen kunnen versnellen.
Wat Aspuru-Guzik motiveert, is de dreiging van klimaatverandering, de noodzaak van verbeteringen in schone technologie en de essentiële rol van materialen bij het produceren van dergelijke vooruitgang. Zijn eigen onderzoek kijkt naar nieuwe organische elektrolyten voor stroombatterijen, die kunnen worden gebruikt om overtollige elektriciteit van elektriciteitsnetten op te slaan en terug te pompen wanneer dat nodig is, en naar organische zonnecellen die veel goedkoper zouden zijn dan op silicium gebaseerde. Maar als zijn ontwerp voor een op zichzelf staand, geautomatiseerd chemisch laboratorium werkt, stelt hij voor, zou het chemie voor bijna iedereen veel toegankelijker kunnen maken. Hij noemt het de democratisering van de ontdekking van materialen.
Hier is de actie, zegt hij. AI's die auto's aandrijven, AI's die medische diagnostiek verbeteren, AI's voor persoonlijk winkelen - de economische groei van AI's die worden toegepast op wetenschappelijk onderzoek kan de economische impact van al die andere AI's samen overspoelen.
Het Vector Institute, de magneet van Toronto voor AI-onderzoek, ligt op minder dan anderhalve kilometer afstand. Vanuit de ramen van de grote open kantoorruimte kijk je uit over het parlementsgebouw van Ontario. De nabijheid van experts op het gebied van AI, scheikunde en het bedrijfsleven bij de regeringszetel van de provincie in het centrum van Toronto is geen toeval. Velen in de stad zijn er sterk van overtuigd dat AI het bedrijfsleven en de economie zal transformeren, en sommigen zijn er steeds meer van overtuigd dat het de manier waarop we wetenschap bedrijven radicaal zal veranderen.
Toch, als het dat doet, is een eerste stap wetenschappers ervan te overtuigen dat het de moeite waard is.
Guzman-Perez van Amgen zegt dat veel van zijn collega's in de medicinale chemie sceptisch zijn. In de afgelopen decennia heeft het veld een reeks zogenaamd revolutionaire technologieën gezien, van computationeel ontwerp tot combinatorische chemie en screening met hoge doorvoer, die de snelle productie en het testen van meerdere moleculen hebben geautomatiseerd. Elk is enigszins nuttig, maar beperkt gebleken. Geen, zegt hij, geeft je op magische wijze een nieuw medicijn.
Het is te vroeg om zeker te weten of deep learning eindelijk de game-changer kan zijn, erkent hij, en het is moeilijk om het tijdsbestek te kennen. Maar hij put moed uit de snelheid waarmee AI de beeldherkenning en andere zoektaken heeft getransformeerd.
Hopelijk kan het gebeuren in de chemie, zegt hij.
We wachten nog steeds op het AlphaGo-moment in de chemie en materialen - op diepgaande algoritmen om de meest ervaren mens te slim af te zijn bij het bedenken van een nieuw medicijn of materiaal. Maar net zoals AlphaGo won met een combinatie van griezelige strategie en een onmenselijke verbeeldingskracht, zouden de nieuwste AI-programma's van vandaag zich snel kunnen bewijzen in het laboratorium.
En daar dromen sommige wetenschappers groot van. Het idee, zegt Aspuru-Guzik, is om AI en automatisering te gebruiken om het lab opnieuw uit te vinden met tools zoals de moleculaire printer van $ 30.000 die hij hoopt te bouwen. Het is dan aan de verbeelding van wetenschappers - en die van AI - om de mogelijkheden te verkennen.