Para escuchar a Silicon Valley decirlo, el fin de la enfermedad está en camino. No por la investigación oncológica o alguna solución a los de Estados Unidos en curso escasez de physician, pero por (¿qué más?) Avances en la IA generativa.
Demis Hassabis, un premio Nobel para su investigación de IA y CEO de Google Deepmind, dicho El domingo, espera que AI pueda resolver importantes problemas científicos y ayudar a “curar toda la enfermedad” en cinco a ten años. A principios de este mes, Openai liberado Nuevos modelos y promocionar su capacidad para “generar y evaluar críticamente hipótesis” en biología, entre otras disciplinas. (Anteriormente, el CEO de Operai, Sam Altman dijo El presidente Donald Trump, “veremos que las enfermedades se curan a un ritmo sin precedentes” gracias a la IA). Dario Amodei, cofundador de Anthrope, escribió El otoño pasado que espera que la IA produzca la “eliminación de la mayoría del cáncer”.
Estos son todos los ejecutivos que comercializan sus productos, obviamente, pero ¿hay incluso un núcleo de posibilidad en estas predicciones? Si la IA generativa pudiera contribuir en lo más mínimo a tales descubrimientos, como se ha prometido desde el comienzo del auge de la IA, ¿dónde comenzarían la tecnología y los científicos que usan incluso?
He pasado las últimas semanas hablando con científicos y ejecutivos en universidades, principales empresas e instituciones de investigación, incluidos Pfizer, Moderna y el Centro de Cáncer Memorial Sloan Kettering, en un intento de comprender lo que la tecnología puede (y no puede) hacer para avanzar en su trabajo. Ciertamente, hay mucha hipérbole proveniente de las compañías de IA: incluso si, mañana, un modelo Operai o Google propuso un medicamento que parecía capaz de curar un solo tipo de cáncer, el medicamento requeriría años de ensayos de laboratorio y humanos para demostrar su seguridad y eficacia en un entorno del mundo actual, cuyos programas de IA son No hay nada cerca capaz de simular. “Hay señales de tráfico” para el desarrollo de fármacos, “y están allí por una buena razón”, me dijo Alex Zhavorsonkov, CEO de InsiliCo Medication, una compañía de biotecnología que es pionera en el diseño de medicamentos impulsado por la IA.
Sin embargo, InsiliCo también ha utilizado IA para ayudar a diseñar múltiples medicamentos que hayan despejado Pruebas tempranas. Los modelos AI que hicieron de Hassabis un laureado Nobel, conocidos como Alfafold, son ampliamente utilizados por investigadores farmacéuticos y biomédicos. La IA generativa, he aprendido, tiene mucho que contribuir a la ciencia, pero es poco possible que sus aplicaciones sean tan amplias como a sus creadores les gusta sugerir, más related a un motor más rápido que un automóvil autónomo.
En common, hay dos tipos de IA generativa que actualmente están contribuyendo al descubrimiento científico y matemático. Los primeros son esencialmente chatbots: herramientas que buscan, analizan y sintetizan la literatura científica para producir informes útiles. El sueño es eventualmente poder preguntar a dicho programa, en lenguaje sencillo, sobre una enfermedad rara o un teorema no probado y recibir concepts transformadoras. No estamos allí, y puede que nunca lo estemos. Pero incluso los bots que existen hoy, como los productos separados de “investigación profunda” de OpenAi y Google, tienen sus usos. “Los científicos usan las herramientas que existen para el procesamiento y el resumen de la información”, me dijo Rafael Gómez-Bombarelli, químico del MIT que aplica IA al diseño de materiales. En lugar de buscar en Google y leer 10 artículos, puede solicitar una investigación profunda. “Todos hacen eso; esa es una victoria establecida”, dijo.
Los buenos científicos saben revisar el trabajo de la IA. Andrea Califano, bióloga computacional de Columbia que estudia cáncer, me dijo que buscó la ayuda de ChatGPT y Deepseek mientras trabajaba en un manuscrito reciente, que ahora es una práctica regular para él. Pero esta vez, “se les ocurrieron una lista increíble con referencias, personas, autores en el documento, publicaciones, and so forth., y ninguno de ellos existió”, dijo Califano. OpenAi tiene encontró Que sus modelos más avanzados, O3 y O4-Mini, son en realidad dos o tres veces más Es possible que afirme con confianza falsedades, o “alucinar”, que su predecesor, O1. (Esto se esperaba para O4-Mini, porque estaba entrenado en menos datos, pero OpenAi escribió en un informe técnico que “se necesita más investigación para entender” por qué O3 alucina a un ritmo tan alto). Incluso cuando los agentes de investigación de IA trabajan perfectamente, su fuerza es resumida, no novedad. “Lo que no creo que haya funcionado” para estos bots, Gómez Bombarelli dijo: “Es cierto, el nuevo razonamiento para las concepts”. Estos programas, en cierto sentido, pueden fallar doblemente: capacitados para sintetizar los datos e concepts existentes, inventan; pidió inventar, luchan. (El atlántico tiene una asociación corporativa con OpenAI).
Para ayudar a templar, y aprovechar, la tendencia a alucinar, los nuevos sistemas de IA más nuevos se están posicionando como herramientas de colaboración que pueden ayudar a juzgar las concepts. Uno de esos sistemas, anunciado por los investigadores de Google en febrero, se llama “Co-Cientista de IA”: una serie de modelos de lenguaje de IA ajustados para investigar un problema, ofrecer hipótesis y evaluarlas de una manera algo análoga a cómo lo haría un equipo de científicos humanos, Vivek Natarajan, un investigador de IA de Google y un autor principal en el documento que presenta el Co-Scientista, me dijo. Related a cómo los programas de IA que juegan el ajedrez mejoraron jugando contra ellos mismos, dijo Natarajan, el co-cientista presenta hipótesis y luego usa un “torneo de concepts” para clasificar que son de la más alta calidad. Su esperanza es dar a los científicos humanos “superpoderes”, o al menos una herramienta para idear y experimentar más rápidamente.
La utilidad de esas clasificaciones podría requerir meses o años para verificar, y el co-científico de IA, que todavía está siendo evaluado por científicos humanos, se limita por ahora a la investigación biomédica. Pero algunos de sus resultados ya han mostrado prometedor. Tiago Costa, un investigador de enfermedades infecciosas en el Imperial Faculty London, me contó sobre una prueba reciente que realizó con el co-científico de IA. Costa y su equipo habían hecho un avance sobre una pregunta sin resolver sobre la evolución bacteriana, y aún no habían publicado los hallazgos, por lo que no podría estar en los datos de entrenamiento del co-científico de IA. Se preguntó si el sistema de Google podría llegar al avance en sí. Costa y sus colaboradores proporcionaron al co-científico de IA un breve resumen del problema, algunas citas relevantes y la pregunta central que habían tratado de responder. Después de funcionar durante dos días, el sistema devolvió cinco hipótesis relevantes y comprobables, y la mejor clasificada coincidió con los resultados experimentales clave del equipo humano. La IA parecía haber propuesto el mismo descubrimiento genuino que habían hecho.
El sistema desarrolló su hipótesis principal con una lógica easy, atrajo un vínculo con otra área de investigación y llegó a una conclusión a la que el equipo humano había tardado años en llegar. Los humanos habían sido “sesgados” por suposiciones de larga knowledge sobre este fenómeno explicit, José Penadés, un microbiólogo de ICL que dirigió la investigación con Costa con Costa. Pero el co-científico de IA, sin tal visión del túnel, había encontrado la thought al dibujar conexiones directas de investigación. Si hubieran tenido esta herramienta e hipótesis hace cinco años, dijo, la investigación habría procedido significativamente más rápido. “Es bastante frustrante para mí darme cuenta de que fue una respuesta muy easy”, dijo Penadés. El sistema no inventó un nuevo paradigma o noción inaudita, simplemente consideró eficientemente una gran cantidad de información, que resultó ser lo suficientemente buena. Con los científicos humanos que ya han producido, y produciendo continuamente, enormes cantidades de conocimiento, tal vez la IA más útil no automatizará esa capacidad tanto como complementarla.
El segundo tipo de IA científica apunta, en cierto sentido, hablar el lenguaje de la biología. Alfafold y programas similares están capacitados no en el texto de Web sino en datos experimentales, como la estructura tridimensional de las proteínas y la expresión génica. Estos tipos de modelos aplican rápidamente patrones extraídos de más datos de los que incluso un gran equipo de investigadores humanos podría analizar en la vida. Los algoritmos más tradicionales de aprendizaje automático se han utilizado, por supuesto, de esta manera durante mucho tiempo, pero la IA generativa podría sobrealimentar estas herramientas, permitiendo a los científicos encontrar formas de reutilizar un medicamento más antiguo para una enfermedad diferente, o identificar nuevos receptores prometedores en el cuerpo para apuntar con una terapia, nombrar dos ejemplos. Estas herramientas podrían aumentar sustancialmente tanto la “eficiencia del tiempo como la probabilidad de éxito”, me dijo Sriram Krishnaswami, jefe de asuntos científicos de Pfizer Oncology. Por ejemplo, Pfizer ha utilizado una herramienta de IA interna para identificar dos de estos objetivos que podrían ayudar a tratar el cáncer de seno y próstata, que actualmente se están probando.
Del mismo modo, las herramientas generativas de AI pueden contribuir al diseño de fármacos al ayudar a los científicos a equilibrar de manera más eficiente varios rasgos moleculares, efectos secundarios u otros factores antes de ir a un laboratorio o prueba. El número de configuraciones e interacciones para cualquier posible medicamento es profundamente grande: hay secuencias de 10⁶³² de ARNm que podría Produce la proteína de espiga utilizada en las vacunas covid, Wade Davis, jefe de digital de Moderna para los negocios, incluido el equipo de producto AI, me dijo. Eso es docenas de órdenes de magnitud más allá del número de átomos en el universo. La IA generativa podría ayudar a reducir sustancialmente el número de secuencias que vale la pena explorar.
“Posiblemente nunca habrá una droga que se” descubra “a través de AI”, me dijo Pratyush Tiwary, un físico químico de la Universidad de Maryland que usa métodos de IA. “Hay buenas compañías que están trabajando en ello, pero lo que la IA hará es ayudar a reducir el espacio de búsqueda”, para reducir la cantidad de posibilidades que los científicos necesitan para investigar por su cuenta. Estos modelos de IA son para biólogos como una calculadora gráfica y el software program de redacción es para un ingeniero: puede idear más rápido, pero aún tiene que construir un puente y confirmar que no se desmoronará antes de cruzarlo.
El logro remaining de la IA, entonces, puede ser solo mejorar drásticamente la eficiencia científica, no muy diferente de los chatbots ya utilizados en cualquier número de trabajos de oficina normales. Al considerar “todo el ciclo de vida de desarrollo de fármacos, ¿cómo comprimimos el tiempo?” Anaeze Offodile II, el director de estrategia de MSK, me dijo. Las tecnologías de IA podrían afeitarse años de ese ciclo de vida, aunque aún quedan más años. Offodile imaginó una reducción “de 20 años a unos 15 años”, y Zhavorsonkov, de Insilico, dijo que la IA podría “ayudarlo a reducir tal vez tres años” del proceso complete y aumentar la probabilidad de éxito.
Por supuesto, existen limitaciones sustanciales para las capacidades de estos modelos biológicos. Por ejemplo, aunque la IA generativa ha tenido mucho éxito en la determinación de la estructura de proteínas, los programas similares con frecuencia sugieren estructuras de moléculas pequeñas que en realidad no se pueden sintetizar, dijo Gómez Bombarelli. Quizás el cuello de botella más grande para usar IA generativo para revolucionar las ciencias de la vida, haciendo predicciones útiles no solo sobre el dominio relativamente restringido de cómo una proteína se doblará o se unirá a un receptor específico, sino también la compleja cascada de señales dentro y entre las células de todo el cuerpo a través del cuerpo, es una escasez de datos de entrenamiento de alta calidad recopilados de experimentos biológicos relevantes. “Lo más importante es no diseñar el mejor algoritmo”, dijo Califano. “Lo más importante es hacer la pregunta correcta”. Las máquinas necesitan conocimiento para comenzar que no pueden, al menos en el futuro previsible, generarse por sí mismas.
Pero tal vez puedan con colaboradores humanos. Gómez-Bombarelli es el Director de Ciencias de Materiales en Lila Sciences, una nueva empresa que ha construido un laboratorio con equipos que pueden ser dirigidos por una combinación de científicos humanos y IA generativa, lo que permite que los modelos prueben y refinen las hipótesis en un bucle. Insilico tiene un laboratorio robótico related en China, y Califano es parte de un esfuerzo international dirigido por la iniciativa Chan Zuckerberg para construir una “celda digital” de IA que puede simular cualquier número de procesos biológicos humanos. Generar concepts “novedosas” no es realmente el problema principal. “Las hipótesis son baratas”, dijo Gómez-Bombarelli. Pero “evaluar hipótesis cuesta millones de dólares”.
Lanzar datos a una caja y sacudirla ha arrojado resultados increíbles en el procesamiento del lenguaje humano, pero eso no será suficiente para tratar la enfermedad. Los humanos que diseñan modelos de IA que aumentan la ciencia deben comprender el problema, hacer preguntas apropiadas y curar datos relevantes, luego verificar o refutar experimentalmente las salidas de cualquier sistema de IA resultante. La forma de construir IA para la ciencia, en otras palabras, es hacer algo de ciencia.
