Тиха революция: Как изкуственият интелект помага на лекарите и учените

Докато в социалните мрежи вървят оживени дискусии дали изкуственият интелект ще замени художниците и копирайтърите, в научните лаборатории и в орбитата на Земята се извършва истинска, но тиха революция. Там изкуственият интелект отдавна е престанал да бъде играчка за генериране на видеоклипове с котки и се е превърнал в пълноценен инструмент, способен да променя реалността. Технологията помага в решаването на проблеми, които учените в продължение на десетилетия са смятали за непреодолими. Ето 20 примера за това как от няколко години алгоритмите спасяват човешки животи, помагат за опазването на планетата и придвижват науката напред.

Решаване на „проблема със сгъването на белтъците“

Повече от половин век учените се опитват да предскажат триизмерната структура на белтъците, тъй като именно формата определя тяхната функция в организма. Преди това разшифроването на един протеин можеше да отнеме години лабораторна работа. Системата AlphaFold на DeepMind предсказва триизмерната форма на протеините въз основа на тяхната аминокиселинна последователност, като постига атомна точност със средна грешка от 0,96 ангстрьома (една 10 милионна част от милиметъра), което е сравнимо с експерименталните методи. Сега биолозите разполагат с отворена база данни от близо 200 милиона белтъчни модела, което е почти всички белтъци, известни на науката днес.

Откриване на антибиотика халицин

Изследователи от Масачузетския технологичен институт (MIT) са използвали система с изкуствен интелект за търсене на нови антибиотици, като са я обучили на набор от 2335 молекули, за да идентифицират структурните характеристики на антибактериалната активност срещу E. coli. Като допълнителнa мярка е извършено компютърно моделиране за скрининг на 6000 съединения от базата данни Drug Repurposing Hub, което е позволило да се елиминират човешките постижения в известни химични рамки, включително връзките структура-активност директно от данните.

Алгоритъмът идентифицира като най-добрия кандидат SU-3327 (преименуван на халицин), бивше експериментално лекарство за лечение на диабет. Въпреки успешните предклинични резултати лекарството се оказа неефективно срещу S. aureus и все още не е тествано при хора поради сложния си фармакокинетичен профил, което подчертава необходимостта от оптимизиране на бъдещите AI модели за прогнозиране на параметрите на ADME (абсорбция, разпределение, метаболизъм и екскреция). Интересен факт: самият антибиотик е кръстен на изкуствения интелект Хал от филма „2001“: Космическа одисея.

Ранна диагностика на рака на гърдата

В рентгенологията всеки детайл в изображението е от решаващо значение, но човешкото око има присъщи дефекти и нюанси на възприемане, което води до грешки. AI моделите на Google Health са се научили да анализират мамограми, идентифицирайки най-малките непознати модели, които са невидими дори за опитните лекари. Системата е оценена върху анонимни набори от данни: повече от 25 000 жени от Обединеното кралство и повече от 3000 от САЩ.

AI моделът също така доказа способността си да обобщава: изкуствен интелект, обучен изключително върху данни от Обединеното кралство, успешно надминава човешките експерти върху данни за пациенти от САЩ. В симулиран експеримент използването на AI като независимо „второ мнение“ показа, че системата може да осигури диагностика със същото качество, намалявайки работното натоварване на лекаря с до 12% от сегашния обем. Технологията все още не е внедрена в клиничната практика и се нуждае от проспективни клинични изпитвания.

Невроимпланти за възстановяване на речта

За хората, които са загубили способността си да говорят вследствие на инсулт, общуването често става почти невъзможно. Учените са разработили невроинтерфейсната система Intelligent Throat – преносимо устройство, което съчетава свръхчувствителни текстилни тензометрични датчици и алгоритми с изкуствен интелект. Сензорите засичат микровибрациите на ларингеалните мускули по време на беззвучна артикулация и сигналите на каротидния пулс. Вместо традиционното разпознаване фраза по фраза, системата разделя речевия сигнал на 144 ms токени и използва 1D конволюционна невронна мрежа за непрекъснато декодиране в реално време.

Отделен алгоритъм анализира променливостта на сърдечния ритъм, за да определи емоционалното състояние на пациента (неутрално, облекчено, разочаровано). След това в действие влизат два агента, базирани на голям езиков модел (чрез API на GPT-4o-mini): първият (TSA) сглобява токените в думи и коригира грешките при разпознаване, а вторият (SEA) разширява кратки фрази в пълни изречения по искане на потребителя, като взема предвид декодираната емоция и контекста, например времето или часа. При тестването му върху 5 пациенти с инсулт той постига процент на грешки от само 4,2% на ниво думи и 2,9% на ниво изречения, което осигурява гладка комуникация без забавяния.

„Очи“ за слепите

Be My Eyes представи цифровия визуален асистент Be My AI в помощ на незрящи и хора със отслабено зрение. Този инструмент работи на базата на езиковия модел GPT-4 от OpenAI. Потребителите трябва само да отворят приложението и да направят снимка, след което системата генерира подробно описание на изображението.

Основното предимство на алгоритъма е интерактивността: потребителят може да разговаря с изкуствения интелект и да задава допълнителни уточняващи въпроси за изображението. В случаите, когато алгоритъмът не може да даде отговор или ако резултатът изисква човешка проверка, системата предоставя механизъм за бързо превключване към жив доброволец. Достъпът до инструмента е напълно безплатен за целевата аудитория.

Прогнозиране на наводненията

Наводненията отнемат живота на хиляди хора всяка година, особено в региони с лоша комуникационна инфраструктура. Платформата Flood Hub AI е създадена, за да помогне за по-ефективното прогнозиране на потенциални бедствия. Тя използва комбинация от два AI модела. Хидроложкият AI модел анализира публични данни за времето, валежите и басейна, за да предвиди обема на водата в реката, докато AI моделът за наводнения използва тези прогнози заедно със сателитни снимки, за да симулира разпространението на водата и да определи точните граници и височината на наводнението.

Бърза прогноза за времето

AI моделът GraphCast на Google DeepMind предоставя средносрочни прогнози за времето, като използва архитектура на графична невронна мрежа, оптимизирана за обработка на пространствено структурирани данни. Алгоритъмът е обучен върху архивните данни ERA5 от Европейския център за средносрочни метеорологични прогнози за последните четири десетилетия, което му позволява да изследва причинно-следствените връзки на атмосферната еволюция, без да използва традиционните диференциални уравнения.

При зададени само две състояния на времето (текущо и 6 часа по-рано), AI моделът итеративно генерира 10-дневна прогноза с пространствена разделителна способност от 0,25 градуса (28×28 километра) за повърхностните и атмосферните променливи на 37 височинни нива. Целият изчислителен процес отнема по-малко от минута на един процесор Google TPU v4. При цялостен тест GraphCast превъзхожда индустриалната цифрова система HRES за повече от 90% от 1380 тествани променливи и демонстрира способността си да предсказва по-точно и по-рано екстремни метеорологични събития, въпреки че не е специално обучена да ги открива.

Откриване на горски пожари

В условията на променящ се климат горските пожари се разпространяват мигновено, така че времето за реакция е от значение. Програмата ALERTCalifornia използва мрежа от камери с висока разделителна способност, инфрачервено нощно виждане и данни от пространствено лазерно сканиране (LiDAR) за наблюдение на природни бедствия. Съвместно с агенцията CAL FIRE и Digital Path е разработен инструмент с изкуствен интелект, който автоматично анализира видеопотока, за да търси пожари.

Когато алгоритъмът открие потенциален пожар, той изпраща на пожарникарите предупреждение с процента на сигурност и приблизителното местоположение на инцидента. След като събитието се провери от обучени човешки оператори, пожарните екипи могат да реагират на заплахата на ранен етап, което намалява умората на наблюдателите и свежда до минимум фалшивите аларми. Тази система е внедрена във всички 21 диспечерски центъра на CAL FIRE 911. Тя е доказала своята висока ефективност в отдалечени райони и през нощта, като понякога генерира сигнали по-бързо от обажданията на очевидци.

Оптимизиране на работата на светофарите

Нивата на замърсяване на въздуха на кръстовищата могат да бъдат до 29 пъти по-високи от тези на откритите пътища, като половината от тези емисии се дължат на ускоряването при потегляне на автомобилите след спиране на червен светофар. Проектът „Green Light“ използва изкуствен интелект и обобщени данни за тенденциите в трафика от Google Maps, за да моделира транспортните потоци, без да е необходимо да се инсталира скъпо допълнително оборудване или да се извършват ръчни преброявания.

Алгоритъмът анализира съществуващите параметри на светофарите (време на цикъла, време за изчакване, координация между кръстовищата) и генерира препоръки за градските инженери как да коригират времетраенето, които могат да бъдат изпълнени само за 5 минути с помощта на съществуващите градски инструменти. Според предварителните данни подобни промени могат да намалят броя на спирането на автомобилите с 30% и да намалят емисиите на парникови газове с 10%. Стартирала през 2023 година, системата понастоящем работи в 20 града на четири континента, като намалява емисиите за 47 милиона пътувания с автомобили всеки месец.

Лазерно унищожаване на плевели

Повечето земеделци се опитват да избягват хербицидите, за да запазят почвата и да отглеждат чиста храна. Оборудването на Carbon Robotics е снабдено със системата LaserWeeder, която съчетава компютърно зрение, крайни изчисления и лазерна кинематика. Това позволява на роботите да разпознават плевелите сред посевите за милисекунди и да ги унищожават с точни лазерни изстрели.

За класификацията на растенията в реално време се използва патентованата невронна мрежа Large Plant Model, обучена на повече от 150 милиона изображения, която позволява семантично разделяне на културите от плевелите дори при променящи се условия на осветление. Топлинният импулс моментално унищожава клетъчната структура на растението, без да уврежда физически почвата или съседните култури, което позволява да се унищожават до 5000 плевели в минута с точност до под милиметър. Самата Nvidia също инвестира в Carbon Robotics.

Ензим, който „изяжда“ пластмасата

Изследователи от Тексаския университет в Остин използват AI модел, базиран на 3D конволюционна невронна мрежа, за да генерират мутации в естествения ензим PETase. Този алгоритъм точно е предвидил кои мутации ще позволят на ензима бързо да деполимеризира полиетилен терефталат (PET) при ниски температури. Създадената версия на ензима, наречена FAST-PETase е в състояние да разгради напълно PET пластмасата до нейните оригинални мономери само за 24 часа при температури под 50 градуса по Целзий.

Ефективността на технологията е доказана при практически изпитвания върху 51 вида потребителски пластмасови контейнери и пет вида полиестерни влакна и тъкани. За разлика от енергоемките промишлени методи за рециклиране, това биологично решение изисква значително по-малко енергия, а разработчиците са предоставили оптимизирания AI модел на академичната общност чрез уеб платформата MutCompute.

Оценка на щетите след бедствия

При земетресение или ураган за спасителите е важно да знаят къде щетите са най-сериозни, за да могат да насочат помощта към правилното място. Системата с изкуствен интелект xView2 сравнява сателитни изображения преди и след бедствието, като автоматично създава карта на повредените сгради и пътища. Алгоритмите се основават на набора от данни xBD, който съдържа повече от 850 000 анотирани полигона на сгради върху сателитни изображения с висока резолюция, преди и след бедствие, за шест вида бедствия в 15 държави. Тъй като не съществува единна методология за класифициране на щетите, разработчиците създават Съвместната скала за щети, съчетаваща стандартите на FEMA, HAZUS и други, за да се унифицират оценките на различните агенции.

Системата е в състояние самостоятелно да оценява сегмент от разрушената зона. По този начин се премахва ключово затруднение, като бавното ръчно търсене на щети се заменя с бърз автоматичен анализ, който е от решаващо значение за бързото разгръщане на спасителните екипи. Това, което преди отнемаше дни за анализ, сега се извършва за минути.

Откриване на нови материали

Инструментът GNoME (Graph Networks for Materials Exploration) на Google DeepMind използва архитектура на графова невронна мрежа за прогнозиране на стабилността на нови неорганични кристали. AI моделът генерира кандидати чрез два паралелни конвейера и се усъвършенства чрез итеративно активно обучение, при което прогнозите се проверяват чрез квантовомеханични изчисления на функционалната теория на плътността, а резултатите се връщат обратно в набора от данни за обучение. В резултат на това алгоритъмът е идентифицирал 2,2 милиона нови кристали, от които 380 00 са признати за най-стабилни, което се равнява на почти 800 години експериментални открития.

Валидността на модела е потвърдена на практика: независими изследователи вече са синтезирали 736 от предсказаните структури, а лаборатория в Бъркли е използвала тези данни, за да създаде автономно повече от 41 нови материала. Отворената база данни вече съдържа 52 000 слоести съединения за потенциални свръхпроводници и 528 кандидати за литиево-йонни проводници за батерии от следващо поколение.

Навигация на марсохода Perseverance

Управлението на марсохода в реално време не е възможно поради забавяне на сигнала, затова Perseverance наскоро беше обучен да използва система за насочване на маршрута, базирана на изкуствен интелект. Неназован AI модел анализира висококачествени изображения на марсианската повърхност от HiRISE камерата на Mars Reconnaissance Orbiter и цифров модел на релефа на района, в който се намира Perseverance. След като идентифицира критични характеристики на терена, като например скал, опасни полета от камъни, пясъчни области и т.н., AI моделът създаде непрекъснат път за марсохода с посочените точки на маршрута без човешка намеса.

Възстановяване на древни текстове

Историческите каменни надписи често достигат до нас повредени и фрагментирани. За да се справят с този проблем, изследователитe разработиха Pythia – първия AI модел, предназначен за възстановяване на липсващи символи в повредени древни текстове. Алгоритъмът работи едновременно на ниво отделни знаци и цели думи, което му позволява ефективно да обработва непълни фрагменти и да взема предвид дългосрочния контекст на надписа, като например повторението на имена в други части на текста.

Търсене на екзопланети

Космическият телескоп „Кеплер“ е събрал данни за стотици хиляди звезди, регистрирайки микроскопични промени в яркостта им при преминаването на планети пред диска на звездата. Много от сигналите обаче са толкова слаби, че традиционните алгоритми ги пропускат или ги бъркат с шум. Изследователи от Google и НАСА използват AI за търсене на екзопланети в архивираните данни на „Кеплер“. AI моделът е бил обучен да разпознава транзитни сигнали – минимални спадове в яркостта на звездата, когато тя преминава пред планета – с помощта на набор от 15 000 предварително тествани сигнала.

След като е постигната точност на класификация от 96% върху тестовата извадка, алгоритъмът е използван за търсене на слаби, пропуснати преди това сигнали в 670 звездни системи, в които вече има няколко известни планети. Изкуственият интелект на Google анализира архивираните данни и откри неизвестни досега екзопланети, включително осем планети в системата Кеплер-90. AI доказа, че старите астрономически данни крият нови светове, които чакат да бъдат открити.

Първата снимка на черна дупка

Проектът Event Horizon Telescope обединява телескопи от цял свят в един „виртуален телескоп“ с размерите на Земята, който събира 5 петабайта данни. Тъй като телескопите не покриват цялата планета, в данните имаше огромни пропуски. Алгоритмите за машинно обучение, включително CHIRP, помогнаха да се „зашият“ тези фрагменти заедно и да се реконструира изображението, като се запълнят празнините с най-вероятните варианти. Това позволи на човечеството да види сянката на черната дупка М87* за първи път, потвърждавайки общата теория на относителността.