ເຫດຜົນທີ່ບໍລິສັດ AI ແຂ່ງຂັນກັນສ້າງຈຸລັງມະນຸດສະເໝືອນຈິງ

(SeaPRwire) –   ເຊລຂອງມະນຸດແມ່ນເຄື່ອງຈັກ Rube Goldberg ທີ່ບໍ່ມີໃຜທຽບເທົ່າ, ເຕັມໄປດ້ວຍປະຕິກິລິຍາຕ່ອງໂສ້ທາງຊີວະພາບທີ່ສ້າງຄວາມແຕກຕ່າງລະຫວ່າງຊີວິດແລະຄວາມຕາຍ. ການເຂົ້າໃຈຄວາມສຳພັນທີ່ລະອຽດອ່ອນເຫຼົ່ານີ້ ແລະ ວິທີທີ່ພວກມັນຜິດພາດໃນພະຍາດເປັນໜຶ່ງໃນຄວາມໜ້າສົນໃຈຫຼັກຂອງຊີວະວິທະຍາ. ຄວາມຜິດພາດດຽວໃນ gene ສາມາດງໍໂປຣຕີນທີ່ມັນສ້າງຂຶ້ນໃຫ້ເປັນຮູບຮ່າງທີ່ຜິດ. ໂປຣຕີນທີ່ມີຮູບຮ່າງຜິດປົກກະຕິບໍ່ສາມາດເຮັດວຽກຂອງມັນໄດ້. ແລະຍ້ອນຂາດໂປຣຕີນນັ້ນ, ສິ່ງມີຊີວິດ—ຄືທ່ານ—ອາດຈະເລີ່ມແຕກສະຫລາຍ.

ຢ່າງໃດກໍຕາມ, ເຊລມີຄວາມສັບສົນຫຼາຍ, ຈົນການຮັບຮູ້ວ່າຄວາມລົ້ມເຫຼວຂອງໂປຣຕີນໜຶ່ງຈະແຜ່ລາມໄປທົ່ວລະບົບແນວໃດແມ່ນເປັນເລື່ອງຍາກ. Graham Johnson, ນັກຊີວະວິທະຍາຄຳນວນ ແລະ ນັກແຕ້ມຮູບວິທະຍາສາດທີ່ Allen Institute for Cell Science, ຫວນຄືນເຖິງການຈິນຕະນາການຢູ່ໂຕະອາຫານທ່ຽງ, ຫຼາຍກວ່າ 15 ປີກ່ອນ, ກ່ຽວກັບແບບຈຳລອງເຊລດ້ວຍຄອມພິວເຕີທີ່ລະອຽດ, ສົມບູນແບບ, ຈົນນັກວິທະຍາສາດສາມາດເບິ່ງຂະບວນການດັ່ງກ່າວເກີດຂຶ້ນໄດ້. ໃນເວລານັ້ນ, “ທຸກຄົນພຽງແຕ່ຫົວເຍາະເຍີ້ຍ,” ລາວເວົ້າ. “ມັນບໍ່ສົມຈິງເກີນໄປ.”

ແຕ່ຕອນນີ້ນັກຄົ້ນຄວ້າບາງຄົນກຳລັງໃຊ້ AI ເພື່ອກ້າວໄປສູ່ເປົ້າໝາຍຂອງ “virtual cell.” DeepMind ຂອງ Google ກຳລັງພັດທະນາ, ແລະ Chan Zuckerberg Initiative (CZI) ໄດ້ເຮັດໃຫ້ virtual cells ເປັນຈຸດສຸມຫຼັກໃນເຄືອຂ່າຍການຄົ້ນຄວ້າ Biohub ຂອງພວກເຂົາ, Theo Karaletsos, ຜູ້ອຳນວຍການອາວຸໂສ AI ທີ່ CZI ກ່າວ. ມີແມ່ນແຕ່ Arc Institute ທີ່ສ້າງຕັ້ງຂຶ້ນໂດຍ Arc Institute, ສຳລັບແບບຈຳລອງແບບ virtual-cell. ເປົ້າໝາຍຂອງຄວາມພະຍາຍາມທັງໝົດເຫຼົ່ານີ້ແມ່ນເພື່ອຄາດຄະເນວ່າເຊລທີ່ແຂງແຮງ ແລະ ເປັນພະຍາດເຮັດວຽກແນວໃດ, ດ້ວຍລາຍລະອຽດຫຼາຍຈົນສາມາດເລັ່ງການພັດທະນາຍາ ແລະ ເລັ່ງການຄົ້ນພົບທາງວິທະຍາສາດໄດ້. ບາງຄົນຄິດວ່າ virtual cells ອາດຈະຊ່ວຍປັບປຸງການຄົ້ນຄວ້າພື້ນຖານ, ຍ້າຍນັກຊີວະວິທະຍາຈາກໂຕະທົດລອງໄປຫາແປ້ນພິມ.

virtual cell ແມ່ນຫຍັງກັນແທ້?

ຄໍານິຍາມທີ່ຊັດເຈນຂອງ virtual cell ແຕກຕ່າງກັນໄປຕາມຜູ້ທີ່ທ່ານລົມນຳ. ນັກວິທະຍາສາດບາງຄົນ, ເຊັ່ນ Johnson, ຫວັງວ່າ virtual cell ຈະລວມເອົາການສະແດງພາບທີ່ທ່ານສາມາດຄລິກຜ່ານແລະສຳຫຼວດໄດ້. ຄົນອື່ນຄິດວ່າສິ່ງນັ້ນເປັນຊຸດໂປຣແກຣມຄອມພິວເຕີທີ່ສາມາດຕອບຄຳຖາມແລະຄາດຄະເນສິ່ງທີ່ອາດຈະເກີດຂຶ້ນ. ແຕ່ແນວຄິດດັ່ງກ່າວບໍ່ແມ່ນແນວຄິດໃໝ່. ເປັນເວລາຫຼາຍສິບປີ, ນັກຊີວະວິທະຍາໄດ້ສ້າງແບບຈຳລອງທາງຄະນິດສາດຂອງຂະບວນການຂອງເຊລ. ເພື່ອສ້າງມັນ, ນັກຄົ້ນຄວ້າໄດ້ໃຊ້ຂໍ້ມູນຈາກການທົດລອງກັບເຊລຕົວຈິງ, ສ້າງສົມຜົນທີ່ອະທິບາຍສິ່ງທີ່ເກີດຂຶ້ນ.

ດຽວນີ້ມີຂໍ້ມູນກ່ຽວກັບເຊລຂອງມະນຸດຫຼາຍກວ່າທີ່ເຄີຍມີມາ, ສ່ວນໜຶ່ງແມ່ນຍ້ອນເຕັກໂນໂລຢີທີ່ຊ່ວຍໃຫ້ນັກວິທະຍາສາດສາມາດສອດແນມກິດຈະກຳຂອງເຊລແຕ່ລະໜ່ວຍ. ແຕ່ການຄິດອອກສົມຜົນສຳລັບທຸກຂະບວນການ ແລະ ລວມພວກມັນທັງໝົດເຂົ້າກັນແມ່ນໜ້າທີ່ອັນມະຫາສານ. Stephen Quake, ສາດສະດາຈານທີ່ Stanford University ແລະ ອະດີດຫົວໜ້າຝ່າຍວິທະຍາສາດທີ່ CZI ກ່າວວ່າ “ວິທີການເກົ່າແກ່”—ດ້ວຍມື, ນັ້ນຄື—”ຂ້ອຍຈະເວົ້າວ່າມີຄວາມສຳເລັດທີ່ຈຳກັດຫຼາຍເທົ່ານັ້ນ.” ປີກາຍນີ້, ລາວ ແລະ ນັກຄົ້ນຄວ້າຄົນອື່ນໆ ໄດ້ວາງວິໄສທັດສຳລັບວິທີການອື່ນ, ວິທີການທີ່ປ້ອນຂໍ້ມູນກ່ຽວກັບເຊລໂດຍກົງໃສ່ AI ພິເສດ. ລາວເວົ້າວ່າ “ທ່ານສ້າງແບບຈຳລອງທີ່ຮຽນຮູ້ໂດຍກົງຈາກຂໍ້ມູນ, ແທນທີ່ຈະພະຍາຍາມຂຽນສົມຜົນ.”

Quake ແລະເພື່ອນຮ່ວມງານຂອງລາວມີຄວາມສຳເລັດ. ພວກເຂົາໃຊ້ຂໍ້ມູນກ່ຽວກັບເຊລຈາກ 12 ຊະນິດທີ່ແຕກຕ່າງກັນເພື່ອຝຶກ AI. Quake ເວົ້າວ່າ AI ສາມາດຄາດຄະເນທີ່ຖືກຕ້ອງກ່ຽວກັບເຊລຂອງຊະນິດພັນທີ່ມັນບໍ່ເຄີຍເຫັນມາກ່ອນ. ມັນຍັງສາມາດສະຫຼຸບຄວາມສຳພັນລະຫວ່າງເຊລປະເພດຕ່າງໆໃນຊະນິດດຽວກັນ, ເຖິງແມ່ນວ່າຈະບໍ່ໄດ້ຮັບຂໍ້ມູນໃດໆກ່ຽວກັບການເຊື່ອມໂຍງເຫຼົ່ານັ້ນ. Quake ເວົ້າວ່າ “ນັ້ນຄືສິ່ງທີ່ເຮັດໃຫ້ຂ້ອຍ, ສ່ວນຕົວ, ຕື່ນເຕັ້ນຫຼາຍກັບວິທີການນີ້.”

ທີມງານນັກຄົ້ນຄວ້າອີກທີມໜຶ່ງ, ລວມທັງບາງຄົນທີ່ Google DeepMind, ກຳລັງພະຍາຍາມເຮັດສິ່ງດຽວກັນ. ພວກເຂົາໄດ້ຝຶກ AI ດ້ວຍຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່ກ່ຽວກັບເຊລ, ໃຫ້ຜູ້ໃຊ້ສາມາດຖາມຄຳຖາມເຊັ່ນວ່າ, “ເຊລນີ້ຈະຕອບສະໜອງຕໍ່ຢານີ້ແນວໃດ?” ແລະ ໄດ້ຮັບຄຳຕອບກ່ຽວກັບສ່ວນໃດຂອງເຊລທີ່ອາດຈະໄດ້ຮັບຜົນກະທົບ.

ເຫຼົ່ານີ້ແມ່ນພຽງແຕ່ບາງວິທີການທີ່ນັກວິທະຍາສາດກຳລັງໃຊ້ເພື່ອສ້າງ virtual cells. ມັນເປັນໄປໄດ້ວ່າໃນທີ່ສຸດຈະມີ virtual cells ຫຼາຍປະເພດທີ່ແຕກຕ່າງກັນ, ຖືກອອກແບບມາສຳລັບນັກຄົ້ນຄວ້າປະເພດຕ່າງໆທີ່ຈະນຳໃຊ້. ຕົວຢ່າງ, virtual cell ທີ່ນັກຊີວະວິທະຍາໂຣກມະເຮັງໃຊ້ ອາດຈະແຕກຕ່າງຈາກທີ່ນັກຊີວະວິທະຍາເຊລໃຊ້ເພື່ອຕອບຄຳຖາມກ່ຽວກັບວິທີການທີ່ໂຄງສ້າງໃດໜຶ່ງໄດ້ພັດທະນາ. ແລະມັນກໍ່ເປັນໄປໄດ້ວ່າພວກເຂົາອາດຈະໃຊ້ທັງວິທີການແບບຈຳລອງແບບດັ້ງເດີມ ແລະ AI.

virtual cells ອາດຈະຊ່ວຍໃຫ້ພວກເຮົາເຮັດຫຍັງໄດ້

Virtual cells ສາມາດເຮັດໃຫ້ການຄົ້ນພົບຢາໃໝ່ໄວຂຶ້ນ ແລະ ງ່າຍຂຶ້ນ. ພວກມັນຍັງສາມາດໃຫ້ຄວາມເຂົ້າໃຈວ່າເຊລມະເຮັງຫຼີກລ້ຽງລະບົບພູມຄຸ້ມກັນແນວໃດ, ຫຼືວ່າຄົນເຈັບແຕ່ລະຄົນອາດຈະຕອບສະໜອງຕໍ່ການປິ່ນປົວໃດໜຶ່ງແນວໃດ. ພວກມັນອາດຈະຊ່ວຍໃຫ້ນັກວິທະຍາສາດພື້ນຖານຄິດຫາສົມມຸດຕິຖານກ່ຽວກັບວິທີການເຮັດວຽກຂອງເຊລທີ່ສາມາດຊີ້ ນໍາພວກເຂົາໄປສູ່ການທົດລອງໃດທີ່ຈະເຮັດກັບເຊລຕົວຈິງ. Quake ກ່າວວ່າ “ເປົ້າໝາຍລວມຢູ່ທີ່ນີ້,” ແມ່ນການພະຍາຍາມປ່ຽນຊີວະວິທະຍາຂອງເຊລຈາກຂະແໜງການທີ່ເປັນການທົດລອງ 90% ແລະ ການຄຳນວນ 10% ໄປໃນທາງກົງກັນຂ້າມ.”

ນັກວິທະຍາສາດບາງຄົນຕັ້ງຄຳຖາມວ່າການຄາດຄະເນທີ່ສ້າງຂຶ້ນໂດຍ AI ຈະເປັນປະໂຫຍດແນວໃດ, ຖ້າ AI ບໍ່ສາມາດໃຫ້ຄຳອະທິບາຍສຳລັບພວກມັນໄດ້. Erick Armingol, ນັກຊີວະວິທະຍາລະບົບ ແລະ ນັກຄົ້ນຄວ້າຫຼັງປະລິນຍາເອກທີ່ Wellcome Sanger Institute ໃນປະເທດອັງກິດ ກ່າວວ່າ “ໂດຍປົກກະຕິແລ້ວ, ແບບຈຳລອງ AI ແມ່ນກ່ອງດຳ.” ກ່າວອີກຢ່າງໜຶ່ງຄື, ພວກມັນໃຫ້ຄຳຕອບແກ່ເຈົ້າ, ແຕ່ພວກມັນບໍ່ສາມາດບອກເຈົ້າວ່າເປັນຫຍັງພວກມັນຈຶ່ງໃຫ້ຄຳຕອບນັ້ນແກ່ເຈົ້າ.

ລາວເວົ້າວ່າ “ສ່ວນຕົວແລ້ວ, ເຫດຜົນທີ່ຂ້ອຍເຂົ້າສູ່ຂະແໜງການນີ້ແມ່ນຍ້ອນວ່າຂ້ອຍຕ້ອງການຈຳລອງຮ່າງກາຍຂອງມະນຸດທັງໝົດ ແລະ ວິທີທີ່ເຊລເຊື່ອມຕໍ່ກັນ ແລະ ພົວພັນກັນ. ນັ້ນຄືຄວາມຝັນ.” ຄຳຕອບແບບກ່ອງດຳອາດຈະເປັນປະໂຫຍດສຳລັບການຊີ້ ນໍາການພັດທະນາຍາ, ແຕ່ພວກມັນອາດຈະບໍ່ເປັນປະໂຫຍດເທົ່າກັບນັກວິທະຍາສາດພື້ນຖານ—ຢ່າງໜ້ອຍກໍບໍ່ແມ່ນໃນແບບທີ່ AI ຫຼາຍໆໂຕຖືກຕັ້ງຄ່າໄວ້ໃນປັດຈຸບັນ. (Karaletsos, ຈາກ CZI, ກ່າວວ່າ AI ບາງໂຕຂອງພວກເຂົາຖືກຕັ້ງຄ່າເພື່ອໃຫ້ຄຳອະທິບາຍເຖິງເຫດຜົນຂອງພວກເຂົາ. ລາວເວົ້າວ່າ “ພວກເຮົາຕ້ອງການເຂົ້າໃຈ, ບໍ່ແມ່ນພຽງແຕ່ຄາດຄະເນ.”)

Johnson, ຜູ້ທີ່ຂຽນກ່ຽວກັບຄວາມສໍາຄັນຂອງການສ້າງ virtual cells, ຫວັງວ່າສິ່ງໃດກໍຕາມທີ່ນັກວິທະຍາສາດສ້າງຂຶ້ນໃນທີ່ສຸດຈະສາມາດເບິ່ງເຫັນໄດ້. ລາວເວົ້າວ່າ ອຸດົມຄະຕິຂອງລາວຄື “ສະບັບທີ່ເບິ່ງເຫັນໄດ້, ມີການໂຕ້ຕອບ, ແລະ ເຂົ້າໃຈງ່າຍຂອງສິ່ງທີ່ສັບສົນ.” “ຂ້ອຍຄິດວ່າ AI ແມ່ນສໍາຄັນຢ່າງຍິ່ງທີ່ຈະເຮັດໃຫ້ສິ່ງເຫຼົ່ານີ້ເປັນໄປໄດ້. ຂ້ອຍບໍ່ໄດ້ສົນໃຈພຽງແຕ່ການຄາດຄະເນແບບກ່ອງດໍາເປັນຜົນໄດ້ຮັບຕົ້ນຕໍ.”

ບໍ່ວ່າພວກມັນຈະຖືກສ້າງຂຶ້ນແນວໃດກໍຕາມ, ມັນອາດຈະໃຊ້ເວລາໄລຍະໜຶ່ງກ່ອນທີ່ virtual cells ບາງຊະນິດຈະເລີ່ມຕົ້ນແລະເຮັດວຽກໄດ້. Quake ກ່າວວ່າ “ນີ້ບໍ່ແມ່ນສິ່ງທີ່ຈະສໍາເລັດໃນປີໜ້າ,” “ຂ້ອຍຄິດວ່າມັນຈະໃຊ້ເວລາເຕັມສິບປີເພື່ອຮັບຮູ້ທ່າແຮງ.”

ແຕ່ຕັ້ງແຕ່ການສົນທະນາອາຫານທ່ຽງໃນອະດີດນັ້ນ, Johnson ກ່າວວ່າຄວາມກ້າວໜ້າໃນຊີວະວິທະຍາເຊລ ແລະ ວິທະຍາສາດຄອມພິວເຕີໄດ້ປ່ຽນແປງພື້ນຖານຄວາມເປັນໄປໄດ້ຂອງການມີ virtual cell ໃນມື້ໜຶ່ງ. ລາວເວົ້າວ່າ “ຂ້ອຍບໍ່ຮູ້ສຶກຄືກັບຄົນບ້າທີ່ເວົ້າເຖິງເລື່ອງນີ້ອີກແລ້ວ,” “ມັນຮູ້ສຶກເປັນໄປໄດ້ໃນຕອນນີ້.”