Catalizzare le scoperte scientifiche
Dimostrando di poter navigare nell’enorme spazio di ricerca di una scheda Go, AlphaGo ha dimostrato il potenziale dell’intelligenza artificiale per aiutarci a comprendere meglio le vaste complessità del mondo fisico. Abbiamo iniziato tentando di risolvere il problema del ripiegamento delle proteine, una grande sfida lunga 50 anni per prevedere la struttura 3D delle proteine: informazioni cruciali per comprendere le malattie e sviluppare nuovi farmaci.
Nel 2020, abbiamo finalmente risolto questo annoso problema scientifico con il nostro AlphaFold2 sistema. Da lì, abbiamo ripiegato le strutture di tutti i 200 milioni di proteine conosciute dalla scienza e le abbiamo rese liberamente disponibili agli scienziati in un database open source. Oggi, oltre 3 milioni di ricercatori in tutto il mondo utilizzano il Banca dati AlphaFold per accelerare il loro importante lavoro su tutto, dai vaccini contro la malaria agli enzimi mangia-plastica. E nel 2024, è stato l’onore della vita per me e John Jumper ricevere il Premio Nobel per la Chimica per aver guidato questo progetto, a nome dell’intero team AlphaFold.
Dopo la vittoria di AlphaGo, abbiamo applicato il suo approccio innovativo a molte altre aree della scienza e della matematica, tra cui:
Ragionamento matematico: Il discendente più diretto dell’architettura di AlphaGo, AlphaProof imparato a dimostrare affermazioni matematiche formali utilizzando una combinazione di modelli linguistici e algoritmi di apprendimento e ricerca per rinforzo di AlphaZero. Insieme ad AlphaGeometry 2, è diventato il primo sistema a ottenere una medaglia (argento) alle Olimpiadi internazionali della matematica (IMO), dimostrando che i metodi di AlphaGo potevano sbloccare il ragionamento matematico avanzato e gettare le basi per i nostri modelli generali più capaci.
Gemini, il nostro modello più grande e capace, recentemente è andato ancora oltre. Una versione avanzata della modalità Deep Think raggiunto Prestazioni a livello di medaglia d’oro all’IMO 2025 utilizzando un approccio ispirato ad AlphaGo. Da allora, Deep Think è stato applicato a sfide ancora più complesse e aperte nel campo della scienza e dell’ingegneria.
Scoperta dell’algoritmo: Proprio come AlphaGo cercava la mossa migliore in un gioco, il nostro agente di codifica AlphaEvolve esplora lo spazio del codice informatico per scoprire algoritmi più efficienti. Ha avuto il suo momento Move 37 quando ha trovato un nuovo modo per moltiplicare le matrici, un’operazione matematica fondamentale che alimenta quasi tutte le moderne reti neurali. AlphaEvolve è ora in fase di test su problemi che vanno dall’ottimizzazione dei data center al calcolo quantistico.
Collaborazione scientifica: Stiamo integrando i principi di ricerca e ragionamento sperimentati con AlphaGo in un file Co-scienziato dell’IA. Facendo in modo che gli agenti “dibattiscano” idee e ipotesi scientifiche, questo sistema agisce come un collaboratore in grado di eseguire il pensiero rigoroso necessario per identificare modelli nei dati e risolvere problemi sofisticati. Negli studi di validazione a Imperial College di Londraha analizzato decenni di letteratura ed è arrivato in modo indipendente alla stessa ipotesi sulla resistenza antimicrobica che i ricercatori avevano impiegato anni a sviluppare e convalidare sperimentalmente.
Abbiamo utilizzato anche l’intelligenza artificiale comprendere meglio il genoma, far avanzare la ricerca sull’energia da fusione, migliorare le previsioni del tempo e altro ancora.
Per quanto impressionanti siano i nostri modelli scientifici, sono altamente specializzati. Per raggiungere scoperte fondamentali come la creazione di energia pulita illimitata o la risoluzione di malattie che oggi non comprendiamo, abbiamo bisogno di sistemi generali di intelligenza artificiale in grado di trovare strutture sottostanti e connessioni tra diverse aree tematiche e aiutarci a elaborare nuove ipotesi come fanno i migliori scienziati.
Il futuro dell’intelligenza
Affinché un’intelligenza artificiale sia veramente generale, deve comprendere il mondo fisico. Abbiamo costruito Gemini affinché fosse multimodale fin dall’inizio in modo che potesse comprendere non solo il linguaggio, ma anche audio, video, immagini e codice per costruire un modello del mondo.
Per pensare e ragionare attraverso queste modalità, gli ultimi modelli Gemini utilizzano alcune delle tecniche che abbiamo sperimentato con AlphaGo e AlphaZero.
La prossima generazione di sistemi di intelligenza artificiale dovrà inoltre essere in grado di avvalersi di strumenti specializzati. Ad esempio, se un modello avesse bisogno di conoscere la struttura di una proteina, potrebbe utilizzare AlphaFold a tale scopo.
Riteniamo che la combinazione dei modelli mondiali di Gemini, delle tecniche di ricerca e pianificazione di AlphaGo e dell’uso specializzato di strumenti di intelligenza artificiale si rivelerà fondamentale per l’AGI.
La vera creatività è una capacità chiave che un tale sistema AGI dovrebbe dimostrare. Move 37 è stato un assaggio del potenziale dell’IA di pensare fuori dagli schemi, ma la vera invenzione originale richiederà qualcosa di più. Dovrebbe non solo elaborare una nuova strategia di Go, come ha fatto in modo impressionante AlphaGo, ma inventare effettivamente un gioco profondo ed elegante e degno di studio come Go.
Dieci anni dopo la leggendaria vittoria di AlphaGo, il nostro obiettivo finale è all’orizzonte. La scintilla creativa vista per la prima volta in Move 37 ha catalizzato scoperte che ora stanno convergendo per aprire la strada verso l’AGI e inaugurare una nuova era d’oro della scoperta scientifica.
Fonte: deepmind.google
