%2520(1)%2520(1).jpg)
Pushmeet KohliBen Peter Catchpole
Dottor Kohli, l’arrivo di AlphaFold2, cinque anni fa, è stato definito “il momento iPhone” per la biologia. Ci racconta il passaggio dalle sfide al gioco del Go a un problema scientifico fondamentale come il ripiegamento delle proteine, e qual è stato il suo ruolo in questo passaggio?
Fin dal primo giorno, la scienza è stata centrale nella nostra missione. Demis Hassabis ha fondato Google DeepMind con l’idea che l’intelligenza artificiale potesse essere il migliore strumento mai inventato per accelerare la scoperta scientifica. I giochi sono sempre stati un terreno di prova, e un modo per sviluppare tecniche che sapevamo sarebbero poi state utile anche per affrontare problemi del mondo reale. Il mio ruolo è stato quello di identificare e perseguire problemi scientifici in cui l’intelligenza artificiale può avere un impatto trasformativo, delineare gli ingredienti chiave (modelli, dati, eccetera) necessari per sbloccare il progresso e riunire un team multidisciplinare per lavorare su queste grandi sfide. Ciò che AlphaGo ha mostrato è che le reti neurali, combinate con la pianificazione e la ricerca, potevano padroneggiare sistemi incredibilmente complessi, proprio come il protein folding. La differenza cruciale stava nel fatto che risolvere questo problema avrebbe “sbloccato” scoperte in biologia e medicina che potevano migliorare concretamente la vita delle persone. Ci concentriamo su quelli che chiamo “problemi nodo-radice” [root node problems], aree per cui la comunità scientifica è concorde nel pensare che le soluzioni sarebbero trasformative e non raggiungibili in tempo utile con approcci “convenzionali”. Pensatelo come un albero della conoscenza: se risolvete questi problemi alla radice, sbloccate interi nuovi rami di ricerca. Ecco: il protein folding era uno di questi. Ciò che mi emoziona di più, però, è quello che verrà dopo. Siamo ancora ai primi capitoli della scoperta scientifica guidata dall’intelligenza artificiale. Guardando in avanti, vedo tre aree chiave: costruire modelli più potenti che possano veramente ragionare e collaborare con gli scienziati come partner di ricerca, mettere questi strumenti nelle mani di tutti gli scienziati del pianeta, e affrontare ambizioni ancora più audaci, come creare la prima simulazione accurata di una cellula umana completa, il che potrebbe rivoluzionare la medicina.
Parliamo di allucinazioni. Ha sostenuto più volte l’importanza di un’architettura “imbracata” [harness], per accoppiare un modello generativo creativo a un verificatore rigoroso. È questo che avete provato a implementare in AlphaFold 3, specialmente alla luce del fatto che, rispetto al suo predecessore, fa uso di modelli più “immaginativi” ed è quindi più incline alle allucinazioni?
