Ещё недавно в науке существовало довольно естественное правило: чтобы предсказать свойство вещества или материала, нужно понимать физический механизм, который это свойство определяет. Если мы знаем, как взаимодействуют атомы, можно рассчитать свойства материала. Если механизм неизвестен или слишком сложен, остаётся признать поражение: сначала нужно разобраться в устройстве системы, а уже потом пытаться делать предсказания.

Искусственный интеллект постепенно ломает это правило.

Теперь иногда достаточно иметь большую базу данных: знать состав или структуру вещества и измеренное свойство — например, токсичность, прочность или устойчивость к радиации. Машинное обучение может найти математические закономерности между ними, даже если человек не понимает, почему именно возникает такая связь.

Физик и специалист по материаловедению Артем Оганов сравнивает этот подход с легендой об Александре Македонском и гордиевом узле. Александр не стал разбираться, как распутать сложное переплетение. Он просто разрубил его мечом.

«Искусственный интеллект позволяет нам решать задачи в стиле Александра Македонского», — говорит Оганов.

Не обязательно знать, почему материал не разрушается

В материаловедении такой подход уже даёт вполне практические результаты.

Обычная физическая модель хорошо работает, когда исследователю понятны основные процессы, определяющие свойства материала. Но бывают характеристики, за которыми одновременно стоит огромное количество явлений.

Например, радиационная стойкость материала. При воздействии излучения могут разрушаться химические связи, возбуждаться и ионизироваться электроны, возникать дефекты кристаллической решётки, происходить ядерные реакции. Внутри материала появляются новые структуры и даже пузырьки газа.

Попытаться описать всё это одной традиционной моделью чрезвычайно сложно.

«Если ты не понимаешь свойства, ты его моделировать не можешь», — так Оганов описывает прежний подход.

Но машинному обучению необязательно знать всю физику процесса.

Если у исследователей есть достаточно большая база данных о материалах, их составе и радиационной стойкости, алгоритм может самостоятельно найти закономерность, которая связывает одно с другим. После этого модель можно использовать для поиска новых материалов с нужными характеристиками.

По словам Оганова, именно таким способом его ученик разработал модель для поиска сталей с повышенной радиационной стойкостью для атомной энергетики. Предсказанные материалы затем проверяются экспериментально.

Тот же принцип можно применять и к другим чрезвычайно сложным характеристикам — например, коррозионной стойкости или сопротивлению разрушению.

И здесь возникает важный сдвиг: науке больше не всегда нужно сначала полностью объяснить явление, чтобы научиться его предсказывать.

Лекарство может работать, даже если мы не знаем точно почему

В биологии ситуация ещё интереснее.

Когда исследователи создают лекарство, им желательно одновременно решить две противоположные задачи: получить максимальный терапевтический эффект и минимальную токсичность.

Проблема в том, что механизмы действия лекарств далеко не всегда полностью понятны. Иногда учёные хорошо знают, что определённое вещество работает, но не могут описать все процессы, благодаря которым оно оказывает нужный эффект.

Для машинного обучения это не обязательно является непреодолимой проблемой.

Если есть данные о структуре множества молекул и о том, насколько хорошо они работают, алгоритм может искать закономерности и предлагать новые варианты. Аналогично можно обучить модели, прогнозирующие токсичность.

Получается довольно необычная ситуация: машина может помочь найти молекулу, которая потенциально работает лучше существующей, даже если человек ещё не до конца понимает механизм её действия.

Это один из наиболее перспективных путей применения ИИ в разработке лекарств.

Но именно здесь возникает и обратная сторона технологии.

Если ИИ умеет искать полезные молекулы, он может искать и опасные

Оганов привёл пример исследования, в котором машинное обучение использовали для противоположной задачи — не для уменьшения токсичности, а для поиска всё более токсичных соединений.

Исследователи фактически показали, что модель, обученная на данных о токсичности, способна самостоятельно двигаться в направлении всё более опасных химических структур. В результате алгоритм воспроизводил уже известные высокотоксичные вещества и предлагал другие потенциально опасные соединения.

Для науки это одновременно впечатляющий и тревожный результат.

Он показывает, что одна и та же технология может ускорять создание лекарств и одновременно снижать порог для поиска опасных химических веществ. Поэтому по мере развития ИИ вопрос безопасности научных моделей становится не менее важным, чем их точность.

И это особенно заметно, когда от отдельных молекул мы переходим к человеку.

Человеческое здоровье тоже можно рассматривать как задачу распознавания закономерностей

Человек гораздо сложнее отдельной молекулы. Болезнь не определяется одним параметром, а генетическая предрасположенность сама по себе ещё не означает, что заболевание обязательно возникнет.

Даже хорошо известный фактор риска говорит лишь о вероятности.

При этом организм постоянно оставляет огромное количество измеримых признаков: состав крови, пульс, давление, характеристики сердечного ритма, состояние тканей, биохимические показатели и многое другое.

Человек способен распознавать некоторые из этих закономерностей интуитивно.

Оганов рассказал о китайском враче, который во время приёма практически не использовал привычные диагностические процедуры. Он измерял пульс пациента и по характеру его изменений смог сделать вывод о возможных проблемах со здоровьем.

Оганов предполагает, что такую способность можно рассматривать как своего рода обобщение огромного количества накопленного врачом опыта.

И если человек способен находить такие закономерности, возникает вопрос: сможет ли машина делать это лучше?

У компьютера есть одно очевидное преимущество: он может анализировать гораздо больше параметров одновременно. Более того, алгоритм способен находить закономерности, которые невозможно увидеть невооружённым глазом.

Например, обычный пульс можно превратить в сложный набор численных характеристик и искать в нём признаки, незаметные человеку.

Так появляется возможность перейти от диагностики по одному показателю к анализу совокупности признаков.

Можно ли узнать анализ крови, не беря кровь?

Именно на этом принципе основана одна из наиболее любопытных историй, которую рассказал Оганов.

По его словам, он недавно протестировал новый банкомат, который, помимо стандартных банковских функций, способен оценивать некоторые физиологические показатели пользователя. Человек прикладывает пальцы и смотрит в экран, после чего система выдаёт оценки ряда параметров здоровья.

Оганов признаётся, что первоначально отнёсся к этому скептически. Особенно трудно было поверить в возможность определить показатели вроде глюкозы или холестерина без обычного анализа крови.

Однако, по его словам, в его случае полученные системой значения совпали с результатами лабораторного анализа.

Принцип здесь, по словам физика, опять тот же: машинное обучение анализирует совокупность доступных признаков и по ним оценивает параметры, которые напрямую не измеряются.

Это принципиально отличается от обычного анализа крови. Машина не «видит» непосредственно молекулы глюкозы или холестерина. Она пытается восстановить их уровень по косвенным признакам, используя закономерности, которые обнаружила на большом количестве предыдущих данных.

Именно поэтому такие системы нельзя воспринимать как волшебный способ заменить лабораторную диагностику одним прикосновением. Их точность зависит от качества данных, модели и конкретного показателя. Но сама возможность получать медицинскую информацию неинвазивно может оказаться чрезвычайно важной.

Самая большая революция может произойти не в лечении, а в профилактике

Для Оганова именно здесь находится одно из наиболее интересных потенциальных применений ИИ.

Сегодня многие люди регулярно измеряют своё давление, но гораздо реже готовы постоянно сдавать кровь, чтобы отслеживать динамику глюкозы, холестерина или других показателей.

Если часть такой информации можно будет получать быстро, дёшево и практически без усилий, медицина потенциально сможет сместить акцент с лечения уже возникшей болезни на её раннее обнаружение.

Логика проста: если человек узнаёт о неблагоприятных изменениях раньше, у него появляется возможность изменить питание, физическую активность или другие привычки ещё до того, как проблема превратится в заболевание.

Оганов считает, что именно профилактика и культура питания могут играть огромную роль в продолжительности жизни.

В этом сценарии искусственный интеллект становится не столько «электронным врачом», сколько системой раннего предупреждения. Она постоянно собирает множество слабых сигналов, которые человеку трудно заметить по отдельности, и пытается увидеть в них общую картину.

И это, возможно, гораздо более реалистичный образ будущей медицинской ИИ-системы, чем знаменитый робот, который самостоятельно ставит диагноз.

От материалов до человека

В рассуждениях Оганова есть одна общая линия, которая связывает на первый взгляд совершенно разные области — разработку сталей, поиск лекарств, токсикологию и медицинскую диагностику.

Во всех этих случаях возникает одна и та же проблема: система слишком сложна, чтобы человек мог полностью описать её с помощью существующих теорий.

Традиционная наука обычно идёт от понимания к предсказанию: сначала выяснить механизм, затем построить модель и получить результат.

Машинное обучение предлагает другой маршрут: данные → закономерность → предсказание.

Это не означает, что физические, химические или биологические теории становятся ненужными. Напротив, без понимания механизмов невозможно правильно интерпретировать многие результаты и проверить, не обманула ли модель сама себя.

Но ИИ позволяет атаковать задачи с другой стороны — там, где традиционная модель пока слишком сложна или вовсе неизвестна.

И в этом смысле одна из главных перемен, которую искусственный интеллект приносит в науку, заключается не просто в ускорении расчётов.

Он меняет сам вопрос, который учёный может себе позволить задать.

Раньше на вопрос «Можем ли мы это предсказать?» часто приходилось отвечать: «Сначала мы должны понять, почему это происходит».

Теперь всё чаще возможен другой ответ: «Давайте сначала посмотрим, что говорят данные».