211service.com
La IA está reinventando la forma en que inventamos
La oficina de Regina Barzilay en el MIT ofrece una vista clara de los Institutos de Investigación Biomédica de Novartis. El grupo de descubrimiento de fármacos de Amgen está unas cuadras más allá. Hasta hace poco, Barzilay, uno de los principales investigadores del mundo en inteligencia artificial, no había pensado mucho en estos edificios cercanos llenos de químicos y biólogos. Pero a medida que la IA y el aprendizaje automático comenzaron a realizar hazañas cada vez más impresionantes en el reconocimiento de imágenes y la comprensión del lenguaje, comenzó a preguntarse: ¿podría también transformar la tarea de encontrar nuevos medicamentos?
El problema es que los investigadores humanos pueden explorar solo una pequeña porción de lo que es posible. Se estima que hay hasta 1060 moléculas potencialmente parecidas a las drogas, más que la cantidad de átomos en el sistema solar. Pero atravesar posibilidades aparentemente ilimitadas es para lo que es bueno el aprendizaje automático. Entrenados en grandes bases de datos de moléculas existentes y sus propiedades, los programas pueden explorar todas las moléculas relacionadas posibles.
Esta historia fue parte de nuestra edición de marzo de 2019
- Ver el resto del número
- Suscribir
El descubrimiento de fármacos es un proceso enormemente costoso y, a menudo, frustrante. Los químicos médicos deben adivinar qué compuestos podrían ser buenos medicamentos, utilizando su conocimiento de cómo la estructura de una molécula afecta sus propiedades. Sintetizan y prueban innumerables variantes, y la mayoría son fallas. Inventar nuevas moléculas sigue siendo un arte, porque tienes un enorme espacio de posibilidades, dice Barzilay. Se necesita mucho tiempo para encontrar buenos candidatos a fármacos.
Al acelerar este paso crítico, el aprendizaje profundo podría ofrecer muchas más oportunidades a los químicos, haciendo que el descubrimiento de fármacos sea mucho más rápido. Una ventaja: la imaginación a menudo peculiar del aprendizaje automático. Tal vez vaya en una dirección diferente en la que un humano no entraría, dice Ángel Guzmán-Pérez, investigador de drogas en Amgen que está trabajando con Barzilay. Piensa diferente.
Otros están utilizando el aprendizaje automático para tratar de inventar nuevos materiales para aplicaciones de tecnología limpia. Entre los elementos de la lista de deseos se encuentran baterías mejoradas para almacenar energía en la red eléctrica y células solares orgánicas, que podrían ser mucho más baratas de fabricar que las voluminosas de hoy en día a base de silicio.
Tales avances se han vuelto más difíciles y costosos de lograr a medida que la química, la ciencia de los materiales y el descubrimiento de fármacos se han vuelto increíblemente complejos y saturados de datos. A pesar de que las industrias farmacéutica y biotecnológica invierten dinero en investigación, la cantidad de nuevos medicamentos basados en moléculas novedosas se ha mantenido estable en las últimas décadas. Y todavía estamos atascados con baterías de iones de litio que datan de principios de la década de 1990 y diseños de células solares de silicio que también tienen décadas.
La complejidad que ha frenado el progreso en estos campos es donde sobresale el aprendizaje profundo. Buscar en el espacio multidimensional para generar predicciones valiosas es el punto óptimo de la IA, dice Ajay Agrawal, economista de la Escuela de Administración Rotman en Toronto y autor del best-seller Máquinas de predicción: la economía simple de la inteligencia artificial .
En un artículo reciente, economistas del MIT, Harvard y la Universidad de Boston argumentaron que el mayor impacto económico de la IA podría provenir de su potencial como un nuevo método de invención que, en última instancia, remodela la naturaleza del proceso de innovación y la organización de la I+D.
Iain Cockburn, economista de BU y coautor del artículo, dice: Los nuevos métodos de invención con amplias aplicaciones no aparecen muy a menudo, y si nuestra suposición es correcta, la IA podría cambiar drásticamente el costo de hacer I+D en muchos campos diferentes. Gran parte de la innovación implica hacer predicciones basadas en datos. En tales tareas, agrega Cockburn, el aprendizaje automático podría ser mucho más rápido y económico en órdenes de magnitud.
En otras palabras, el principal legado de la IA podría no ser los autos sin conductor o la búsqueda de imágenes o incluso la capacidad de Alexa para recibir órdenes, sino su capacidad para generar nuevas ideas para impulsar la innovación en sí misma.
Las ideas se están poniendo caras
A fines del año pasado, Paul Romer ganó el Premio Nobel de economía por el trabajo realizado a fines de la década de 1980 y principios de la de 1990 que mostró cómo las inversiones en nuevas ideas y la innovación impulsan un sólido crecimiento económico. Los economistas anteriores habían notado la conexión entre la innovación y el crecimiento, pero Romer proporcionó una explicación exquisita de cómo funciona. En las décadas posteriores, las conclusiones de Romer han sido la inspiración intelectual para muchos en Silicon Valley y ayudan a explicar cómo ha logrado tal riqueza.
Pero, ¿qué pasa si nuestra tubería de nuevas ideas se está agotando? Los economistas Nicholas Bloom y Chad Jones de Stanford, Michael Webb, un estudiante de posgrado de la universidad, y John Van Reenen del MIT analizaron el problema en un artículo reciente titulado ¿Se están volviendo más difíciles de encontrar las ideas? (Su respuesta fue Sí). Al observar el descubrimiento de fármacos, la investigación de semiconductores, la innovación médica y los esfuerzos para mejorar el rendimiento de los cultivos, los economistas encontraron una historia común: las inversiones en investigación están aumentando considerablemente, pero los beneficios se mantienen constantes.
Desde la perspectiva de un economista, ese es un problema de productividad: estamos pagando más por una cantidad similar de producción. Y los números se ven mal. La productividad de la investigación (la cantidad de investigadores que se necesitan para producir un resultado determinado) está disminuyendo alrededor de un 6,8 % anual para la tarea de extender la Ley de Moore, que requiere que encontremos formas de empaquetar cada vez más y más pequeños componentes en un chip semiconductor para poder seguir haciendo que las computadoras sean más rápidas y poderosas. (Descubrieron que se necesitan más de 18 veces más investigadores para duplicar la densidad de astillas que a principios de la década de 1970). Para mejorar las semillas, según lo medido por el rendimiento de los cultivos, la productividad de la investigación está cayendo alrededor de un 5% cada año. Para la economía estadounidense en su conjunto, está cayendo un 5,3%.
El aumento del precio de las grandes ideas
Se necesitan más investigadores y dinero para encontrar nuevas ideas productivas, según economistas de Stanford y el MIT. Ese es un factor probable en el lento crecimiento general en los EE. UU. y Europa en las últimas décadas. El siguiente gráfico muestra el patrón de la economía en general, destacando la productividad total de los factores de EE. UU. (por década promedio y para 2000-2014), una medida de la contribución de la innovación, frente al número de investigadores. Patrones similares se mantienen para áreas de investigación específicas.
fuente: bloom, jones, van reenen y webb
Cualquier efecto negativo de esta disminución ha sido compensado, hasta ahora, por el hecho de que estamos invirtiendo más dinero y personas en investigación. Así que seguimos duplicando la cantidad de transistores en un chip cada dos años, pero solo porque dedicamos mucha más gente al problema. Tendremos que duplicar nuestras inversiones en investigación y desarrollo durante los próximos 13 años solo para seguir a flote.
Podría ser, por supuesto, que campos como la ciencia de cultivos y la investigación de semiconductores estén envejeciendo y las oportunidades para la innovación se estén marchitando. Sin embargo, los investigadores también encontraron que el crecimiento general ligado a la innovación en la economía era lento. Cualquier inversión en nuevas áreas, y cualquier invención que hayan generado, no ha logrado cambiar la historia general.
La caída en la productividad de la investigación parece ser una tendencia de décadas. Pero es particularmente preocupante para los economistas ahora porque hemos visto una desaceleración general en el crecimiento económico desde mediados de la década de 2000. En un momento de nuevas tecnologías brillantes como los teléfonos inteligentes, los automóviles sin conductor y Facebook, el crecimiento es lento y la parte atribuida a la innovación, llamada productividad total de los factores, ha sido particularmente débil.
Los efectos persistentes del colapso financiero de 2008 podrían estar obstaculizando el crecimiento, dice Van Reenen, al igual que las continuas incertidumbres políticas. Pero la pésima productividad de la investigación es, sin duda, un contribuyente. Y dice que si continúa el declive, podría dañar seriamente la prosperidad y el crecimiento futuros.
Tiene sentido que ya hayamos recogido gran parte de lo que a algunos economistas les gusta llamar la fruta madura en términos de invenciones. ¿Será que la única fruta que queda son unas pocas manzanas marchitas en las ramas más lejanas del árbol? Robert Gordon, economista de la Universidad de Northwestern, ha sido un fuerte defensor de ese punto de vista. Él dice que es poco probable que igualemos el florecimiento de los descubrimientos que marcó a fines del siglo XIX y principios del XX, cuando inventos como la luz y la energía eléctrica y el motor de combustión interna llevaron a un siglo de prosperidad sin precedentes.
Si Gordon tiene razón y quedan menos grandes inventos, estamos condenados a un futuro económico sombrío. Pero pocos economistas piensan que ese es el caso. Más bien, tiene sentido que existan grandes ideas nuevas; simplemente se está volviendo más costoso encontrarlos a medida que la ciencia se vuelve cada vez más compleja. Las posibilidades de que la próxima penicilina caiga en nuestro regazo son escasas. Necesitaremos más y más investigadores para dar sentido al avance de la ciencia en campos como la química y la biología.
Es lo que Ben Jones, economista de Northwestern, llama la carga del conocimiento. Los investigadores se están volviendo más especializados, lo que hace necesario formar equipos más grandes y más costosos para resolver problemas. La investigación de Jones muestra que la edad en la que los científicos alcanzan su máxima productividad está aumentando: les lleva más tiempo obtener la experiencia que necesitan. Es un subproducto innato del crecimiento exponencial del conocimiento, dice.
Mucha gente me dice que nuestros hallazgos son deprimentes, pero yo no lo veo así, dice Van Reenen. La innovación puede ser más difícil y costosa, pero eso, dice, simplemente apunta a la necesidad de políticas, incluidos incentivos fiscales, que fomenten las inversiones en más investigación.
Siempre que dedique recursos a I+D, puede mantener un crecimiento saludable de la productividad, dice Van Reenen. Pero tenemos que estar preparados para gastar dinero para hacerlo. No viene gratis.
Renunciar a la ciencia
¿Puede la IA resolver creativamente el tipo de problemas que requiere tal innovación? Algunos expertos ahora están convencidos de que sí, dados los tipos de avances que muestra la máquina de juegos AlphaGo.
AlphaGo dominó el antiguo juego de Go, venciendo al campeón reinante, mediante el estudio de los movimientos posibles casi ilimitados en un juego que ha sido jugado durante varios miles de años por humanos que dependen en gran medida de la intuición. Al hacerlo, a veces se le ocurrían estrategias ganadoras que ningún jugador humano había pensado en probar. Del mismo modo, según el pensamiento, los programas de aprendizaje profundo entrenados en grandes cantidades de datos experimentales y literatura química podrían generar compuestos novedosos que los científicos nunca imaginaron.
¿Podría un avance similar a AlphaGo ayudar a los crecientes ejércitos de investigadores que analizan datos científicos en constante expansión? ¿Podría la IA hacer que la investigación básica sea más rápida y productiva, reviviendo áreas que se han vuelto demasiado costosas para las empresas?
Las últimas décadas han visto un cambio masivo en nuestros esfuerzos de I+D. Desde los días en que Bell Labs de AT&T y PARC de Xerox produjeron inventos que cambiaron el mundo, como el transistor, las células solares y la impresión láser, la mayoría de las grandes empresas de EE. UU. y otras economías ricas han renunciado a la investigación básica. Mientras tanto, las inversiones federales en I+D de EE. UU. se han mantenido estables, en particular en campos distintos de las ciencias de la vida. Entonces, mientras continuamos aumentando la cantidad de investigadores en general y convirtiendo los avances incrementales en oportunidades comerciales, las áreas que requieren investigación a largo plazo y una base en ciencia básica se han visto afectadas.
La invención de nuevos materiales en particular se ha convertido en un remanso comercial. Eso ha frenado las innovaciones necesarias en tecnología limpia, como mejores baterías, células solares más eficientes y catalizadores para producir combustibles directamente a partir de la luz solar y el dióxido de carbono (piense en la fotosíntesis artificial). Si bien los precios de los paneles solares y las baterías están cayendo constantemente, eso se debe en gran parte a las mejoras en la fabricación y las economías de escala, más que a los avances fundamentales en las tecnologías en sí.
¿Podría un avance similar a AlphaGo ayudar a los crecientes ejércitos de investigadores que analizan datos científicos en constante expansión?
Se tarda un promedio de 15 a 20 años en crear un nuevo material, dice Tonio Buonassisi, ingeniero mecánico del MIT que está trabajando con un equipo de científicos en Singapur para acelerar el proceso. Eso es demasiado tiempo para la mayoría de las empresas. Es poco práctico incluso para muchos grupos académicos. ¿Quién quiere pasar años en un material que puede o no funcionar? Esta es la razón por la que las empresas emergentes respaldadas por empresas, que han generado gran parte de la innovación en software e incluso en biotecnología, han renunciado durante mucho tiempo a la tecnología limpia: los capitalistas de riesgo generalmente necesitan un retorno dentro de los siete años o antes.
Una aceleración de 10x [en la velocidad del descubrimiento de materiales] no solo es posible, es necesaria, dice Buonassisi, que dirige un laboratorio de investigación fotovoltaica en el MIT. Su objetivo, y el de una red de colegas científicos vagamente conectados, es utilizar la inteligencia artificial y el aprendizaje automático para reducir ese período de tiempo de 15 a 20 años a alrededor de dos a cinco años atacando los diversos cuellos de botella en el laboratorio, automatizando tanto del proceso como sea posible. Un proceso más rápido brinda a los científicos muchas más soluciones potenciales para probar, les permite encontrar callejones sin salida en horas en lugar de meses y ayuda a optimizar los materiales. Transforma la forma en que pensamos como investigadores, dice.
También podría hacer que el descubrimiento de materiales sea una actividad comercial viable una vez más. Buonassisi señala un gráfico que muestra el tiempo que tomó desarrollar varias tecnologías. Una de las columnas etiquetadas como baterías de iones de litio muestra 20 años.
Otra columna, mucho más corta, está etiquetada como nueva célula solar; en la parte superior está el objetivo climático para 2030. El punto es claro: no podemos esperar otros 20 años para el próximo avance en materiales de tecnología limpia.
Startups de IA en fármacos y materiales| 1 Átomo | 2 Kebotix | 3 Genómica profunda | |
|---|---|---|---|
| Lo que hacen | Use redes neuronales para buscar en grandes bases de datos para encontrar pequeñas moléculas similares a fármacos que se unen a proteínas específicas. | Desarrolle una combinación de robótica e IA para acelerar el descubrimiento y desarrollo de nuevos materiales y productos químicos. | Utilice la inteligencia artificial para buscar moléculas de oligonucleótidos para tratar enfermedades genéticas. |
| por qué importa | La identificación de tales moléculas con propiedades deseables, como la potencia, es un primer paso fundamental en el descubrimiento de fármacos. | Se necesita más de una década para desarrollar un material. Recortar ese tiempo podría ayudarnos a abordar problemas como el cambio climático. | Los tratamientos con oligonucleótidos son prometedores contra una variedad de enfermedades, incluidos los trastornos neurodegenerativos y metabólicos. |
El laboratorio impulsado por IA
Ven a una tierra libre: así invita estos días Alán Aspuru-Guzik a un visitante estadounidense a su laboratorio de Toronto. En 2018, Aspuru-Guzik dejó su puesto permanente como profesor de química de Harvard y se mudó con su familia a Canadá. Su decisión fue impulsada por un fuerte disgusto por el presidente Donald Trump y sus políticas, particularmente las de inmigración. Sin embargo, no perjudicó que Toronto se esté convirtiendo rápidamente en la meca de la investigación en inteligencia artificial.
Además de ser profesora de química en la Universidad de Toronto, Aspuru-Guzik también tiene un puesto en el Vector Institute for Artificial Intelligence. Es el centro de IA cofundado por Geoffrey Hinton, cuyo trabajo pionero en aprendizaje profundo y redes neuronales se atribuye en gran medida a impulsar el auge actual de la IA.
En un artículo notable de 2012, Hinton y sus coautores demostraron que una red neuronal profunda, entrenada en una gran cantidad de imágenes, podía identificar un hongo, un leopardo y un perro dálmata. Fue un avance notable en ese momento, y rápidamente marcó el comienzo de una revolución de IA utilizando algoritmos de aprendizaje profundo para dar sentido a grandes conjuntos de datos.
Los investigadores encontraron rápidamente formas de usar tales redes neuronales para ayudar a los automóviles sin conductor a navegar y detectar rostros en una multitud. Otros modificaron las herramientas de aprendizaje profundo para poder capacitarse a sí mismos; entre estas herramientas se encuentran las GAN (redes adversarias generativas), que pueden fabricar imágenes de escenas y personas que nunca existieron.
En un artículo de seguimiento de 2015, Hinton proporcionó pistas de que el aprendizaje profundo podría usarse en la investigación de química y materiales. Su artículo promocionó la capacidad de la red neuronal para descubrir estructuras complejas en datos de alta dimensión; en otras palabras, las mismas redes que pueden navegar a través de millones de imágenes para encontrar, por ejemplo, un perro con manchas podría clasificar millones de moléculas para identificar una. con ciertas propiedades deseables.
Enérgico y lleno de ideas, Aspuru-Guzik no es el tipo de científico que pasa pacientemente dos décadas averiguando si un material funcionará. Y ha adaptado rápidamente el aprendizaje profundo y las redes neuronales para intentar reinventar el descubrimiento de materiales. La idea es infundir inteligencia artificial y automatización en todos los pasos de la investigación de materiales: el diseño inicial y la síntesis de un material, su prueba y análisis y, finalmente, los múltiples refinamientos que optimizan su rendimiento.
En un día gélido a principios de enero, Aspuru-Guzik tiene el sombrero bien calado hasta las orejas, pero por lo demás parece ajeno al frío clima canadiense. Tiene otras cosas en mente. Por un lado, todavía está esperando la entrega de un robot de $ 1.2 millones, ahora en un barco de Suiza, que será la pieza central del laboratorio automatizado impulsado por IA que ha imaginado.
En el laboratorio, las herramientas de aprendizaje profundo como GAN y su primo, una técnica llamada autocodificador, imaginarán nuevos materiales prometedores y descubrirán cómo fabricarlos. El robot luego hará los compuestos; Aspuru-Guzik quiere crear un sistema automatizado asequible que pueda escupir nuevas moléculas a pedido. Una vez que se han fabricado los materiales, se pueden analizar con instrumentos como un espectrómetro de masas. Las herramientas adicionales de aprendizaje automático darán sentido a esos datos y diagnosticarán las propiedades del material. Estos conocimientos se utilizarán luego para optimizar aún más los materiales, ajustando sus estructuras. Y luego, dice Aspuru-Guzik, AI seleccionará el próximo experimento a realizar, cerrando el ciclo.
La idea es infundir inteligencia artificial y automatización en todos los pasos de la investigación de materiales y el descubrimiento de fármacos.
Una vez que el robot esté en su lugar, Aspuru-Guzik espera crear unos 48 materiales novedosos cada dos días, aprovechando los conocimientos del aprendizaje automático para seguir mejorando sus estructuras. Ese es un material nuevo prometedor cada hora, un ritmo sin precedentes que podría transformar por completo la productividad del laboratorio.
No se trata simplemente de soñar con un material mágico, dice. Para cambiar realmente la investigación de materiales, debe atacar todo el proceso: ¿Cuáles son los cuellos de botella? Quiere IA en cada pieza del laboratorio. Una vez que tenga una estructura propuesta, por ejemplo, aún necesita descubrir cómo hacerla. Puede llevar semanas o meses resolver lo que los químicos llaman retrosíntesis: trabajar hacia atrás desde una estructura molecular para descubrir los pasos necesarios para sintetizar dicho compuesto. Otro cuello de botella surge al dar sentido a la gran cantidad de datos producidos por el equipo analítico. El aprendizaje automático podría acelerar cada uno de esos pasos.
Lo que motiva a Aspuru-Guzik es la amenaza del cambio climático, la necesidad de mejoras en tecnología limpia y el papel esencial de los materiales en la producción de tales avances. Su propia investigación está buscando electrolitos orgánicos novedosos para baterías de flujo, que pueden usarse para almacenar el exceso de electricidad de las redes eléctricas y bombearlo cuando sea necesario, y células solares orgánicas que serían mucho más baratas que las basadas en silicio. Pero si su diseño para un laboratorio químico autónomo y automatizado funciona, sugiere, podría hacer que la química sea mucho más accesible para casi todos. Él lo llama la democratización del descubrimiento de materiales.
Aquí es donde está la acción, dice. Las IA que conducen automóviles, las IA que mejoran los diagnósticos médicos, las IA para las compras personales: el crecimiento económico de las IA aplicadas a la investigación científica puede ahogar el impacto económico de todas esas otras IA combinadas.
El Vector Institute, el imán de Toronto para la investigación de IA, se encuentra a menos de una milla de distancia. Desde las ventanas del gran espacio abierto de oficinas, puede mirar hacia el edificio del parlamento de Ontario. La proximidad de expertos en inteligencia artificial, química y negocios a la sede del gobierno de la provincia en el centro de Toronto no es una coincidencia. Hay una fuerte creencia entre muchos en la ciudad de que la IA transformará los negocios y la economía, y cada vez más, algunos están convencidos de que cambiará radicalmente la forma en que hacemos ciencia.
Aún así, si se hace eso, un primer paso es convencer a los científicos de que vale la pena.
Guzmán-Pérez de Amgen dice que muchos de sus colegas en química médica son escépticos. En las últimas décadas, el campo ha visto una serie de tecnologías supuestamente revolucionarias, desde el diseño computacional hasta la química combinatoria y la detección de alto rendimiento, que han automatizado la producción y prueba rápidas de múltiples moléculas. Cada uno ha demostrado ser algo útil pero limitado. Ninguno, dice, te consigue mágicamente un nuevo fármaco.
Reconoce que es demasiado pronto para saber con certeza si el aprendizaje profundo finalmente podría cambiar las reglas del juego, y es difícil saber el marco de tiempo. Pero se siente alentado por la velocidad a la que la IA ha transformado el reconocimiento de imágenes y otras tareas de búsqueda.
Con suerte, podría suceder en la química, dice.
Todavía estamos esperando el momento AlphaGo en química y materiales, para que los algoritmos de aprendizaje profundo superen al ser humano más hábil en la creación de un nuevo fármaco o material. Pero así como AlphaGo ganó con una combinación de estrategia asombrosa y una imaginación inhumana, los últimos programas de inteligencia artificial de hoy pronto podrían demostrar su valía en el laboratorio.
Y eso hace que algunos científicos sueñen en grande. La idea, dice Aspuru-Guzik, es usar IA y automatización para reinventar el laboratorio con herramientas como la impresora molecular de $30,000 que espera construir. Entonces dependerá de la imaginación de los científicos, y de la IA, explorar las posibilidades.