Lars Tvede: Sådan kan vi 10.000-doble vores aktivitet på 200 år

394449_16_9_large_31.jpg
Opinion
Eksklusivt for kunder
19. jan 2020 KL.11:00

Et af de mest bemærkelsesværdige teknologiske gennembrud i nyere tid var et computersystem lavet af IBM, der hed “Watson”.

Watson brugte kunstig intelligens, og i 2011 fik det sin scenedebut ved at stille op til det klassiske, amerikanske quizprogram Jeopardy!, hvor ekstremt vidende mennesker konkurrerer om, hvem der hurtigst kan svare korrekt på ofte ret kryptisk formulerede spørgsmål. Watson, som var på størrelse med et soveværelse, kunne tale og forstå, hvad der blev sagt.

Det fik sin information fra bl.a. 200 millioner sider af information inklusiv hele Wikipedia, og evnede at læse samt nogenlunde forstå ca. en million bøger i sekundet.

Watson vandt quizprogrammet og dermed 1 mio. dollar. Senere samme år stillede den op imod fem medlemmer af den amerikanske kongres og vandt her flere penge end de fem tilsammen.

To år senere – i 2013 – havde IBM lavet en version med tre gange så stor kapacitet, men som kun var på størrelse med en pc.

Alligevel evnede den at læse og forstå ca. tre millioner bøger i sekundet. Ja, læs det lige igen: Tre millioner bøger i sekundet.

Ziman’s lov

Siden er dette og andre kunstig intelligenssystemer udviklet over sten og stok, og blandt de mest fascinerende anvendelsesmuligheder er at lave videnskabelig opdagelse. Sagen er nemlig, at hvis man på sekunder kan gennemgå gigantiske litteraturmængder for at finde svar på komplekse spørgsmål, kan man også på sekunder opnå noget, det kunne tage et hold af videnskabsfolk årtier.

Og netop store litteraturmængder er en stor udfordring inden for videnskab. Fysikeren John Ziman har estimeret at for hvert videnskabeligt dokument eller videnskabsmand, der eksisterede i år 1670, var der 100 i 1770, 10.000 i 1870 og en million i 1970.

Han observerede altså, at mængden af videnskabelig aktivitet generelt 100-dobles ca. hvert 100 år. Dette fænomen kaldes i øvrigt i dag “Ziman’s lov”

Kunstig intelligens hjælper videnskaben

I 2013 fandtes der formentlig ca. 60 millioner videnskabelige artikler, og det tal er siden steget med gennemsnitligt ca. 2,5 millioner årligt, svarende til ca. 285 i timen.

På denne måde er vi nu formentlig kommet op på ca. 75 millioner artikler, som i øvrigt udgives i et virvar af omkring 30.000 videnskabelige tidsskrifter.

Og antallet af artikler, der publiceres dagligt, vokser stadig jævnt og støt. Bl.a. fordi mængden af aktive videnskabsfolk – så længe det varer – vokser 4-5 pct. årligt, hvilket i sig selv er nok til for en tid at opfylde Ziman’s lov.

Men tænk lige over det: 285 artikler i timen. Hvordan kan en videnskabsmand være sikker på at opdage, når kolleger – måske med andre fokusområder – opdager noget, der er relevant for dennes eget område?

Selvfølgelig vil en forsker gennem sine abonnementer og sit faglige netværk opdage en del, men masser vil blive overset.

Her kan kunstig intelligens imidlertid hjælpe. 2014 satte man Watson til at læse referater af 186.000 videnskabelige artikler fra før 2003 for at give bud på, hvordan man kunne aktivere et bestemt protein kaldet p53, som er relevant for beskyttelse mod kræft.

Computerene leder efter muligheder

Watson vendte tilbage med forslag til ni forskellige processer. Som nævnt blev undersøgelsen lavet i 2014 men kun på artikler skrevet frem til 2003. Formålet var nemlig at sammenholde, hvad Watson fandt frem til, med hvad man senere havde opdaget. Her kunne man se at syv af de ni forslag computeren stillede, faktisk var blevet undersøgt efter 2003 – og virkede.

Så computere kan fremme den videnskabelige opdagelsesproces væsentligt ved at læse og fortolke verdens enorme viden.

Dette fænomen, som i øvrigt selv skaber viden, kalder vi “automatisk hypotesegenerering”.

Der er imidlertid mange andre muligheder for at accelerere den videnskabelige opdagelsesproces, og en del af dem findes inden for biokemi. I 2012 udtalte Craig Venter, som er en af verdens førende genforskere:

“Hvad der er behov for, er en automatiseret måde at opdage, hvad de gør. Og så kan vi faktisk lave substitutioner med udgangspunkt i den digitale verden og omdanne dette til disse analoge dna-molekyler og herefter transplantere disse automatisk og få celler ud af det. Jeg tror, at vi kan lave en robot, der lærer 10.000 gange hurtigere end en videnskabsmand kan.”

Hvad, han mente, var primært, at computere skulle simulere, hvad der skete i levende organismer, hvorefter man skulle “3D printe” dna og indsætte det i celler.

At simulere liv er enormt komplekst. Liv skal primært forstås gennem proteinkemi, og proteiner er nogle lange – ofte enormt lange – atomkæder med masser af sideskud, og som folder sig i tre dimensioner på måder, der er altafgørende for deres effekt.

At simulere dette for ikke blot et enkelt protein, men for hele, komplekse biokemiske miljøer, organeller (små organer i celler red.) eller organismer, kræver gigantisk computerkraft. Dette er imidlertid begyndt, og med kvantecomputere forventes det på sigt at blive tusindvis om ikke millioner gange hurtigere.

Det vil betyde, at man i stigende grad vil have computere til mere eller mindre autonomt at søge efter kemiske løsninger på biologiske opgaver såsom at kurere en sygdom eller skabe et nyt kosmetisk produkt.

Når man designer en ny flytype, bliver det hele i dag simuleret på computer, før den laves rent fysisk. Derefter bliver det testet i vindtunneler, mm. før det bliver afprøvet i luften.

Det er noget tilsvarende, vi i stigende grad vil gøre med liv.

Computere vil lede efter muligheder. Derefter vil vi, som Craig Venter så påpegede, “omdanne dette til disse analoge dna-molekyler og herefter transplantere disse automatisk og få celler ud af det.”

Med andre ord, vi kan skabe levende celler og organer i laboratorier. Eksempelvis kan vi i et laboratorie fremstille levende menneskeligt hudvæv og så teste et kosmetisk på dette. Eller vi kan skabe en menneskelig lever og teste et medicinalt produkt på denne.

Hvis vores videnskabelige aktivitet ifølge Ziman’s lov fortsat skal 100-dobles ca. hvert 100 år, klarer vi det ikke på sigt ved, at der kommer fortsat flere videnskabsfolk, for det vil demografien sætte en grænse for.

Ziman’s lov vil holde længe

Men vi kan klare det ved hjælp af bl.a. automatisk hypotesegenerering, meget komplekse computersimuleringer samt fremstilling af kunstigt liv.

Alene disse fænomener er tilstrækkelige til, at man sagtens kan se Ziman’s lov holde flere århundreder endnu. Og her skal vi så huske, at hvis noget bliver 100-doblet på 100 år, bliver det 10.000-doblet på 200 år.

Og det var jo lige det tal, genforskeren Craig Venter brugte: “Jeg tror, at vi kan lave en robot, der lærer 10.000 gange hurtigere end en videnskabsmand kan.”

Jeps, så Ziman’s Lov skal nok holde længe endnu.