Рис.: Алиса
– Спикерам и участникам дискуссии необычайно повезло с пейзажем: он написан живой природой, без участия искусственного интеллекта, о котором пойдёт речь сегодня, – начал модератор, вице-президент «Газпромбанка», руководитель научной группы «Квантовые информационные технологии» Российского квантового центра и директор Института физики и квантовой инженерии МИСИС Алексей Фёдоров. – Один из ключевых вопросов, который мы хотели бы обсудить, заключается в том, что именно искусственный интеллект способен привнести в исследование сложных объектов, материалов и прочих сложных систем. Совершенно очевидно, что наш мир материален: подавляющее большинство того, что нас окружает, – это созданные и синтезированные материалы, нередко обладающие уникальными свойствами.
Лидерство во всех технологических направлениях – энергетике, фармацевтике, микроэлектронике, металлургии – базируется на том, насколько глубоко мы понимаем свойства материалов, насколько эффективно можем их описывать, а затем производить. И, безусловно, одним из главных технологических трендов современной науки является искусственный интеллект. Поэтому чрезвычайно важно понять, насколько сильно и в каком направлении искусственный интеллект способен изменить сферу новых материалов, науку о материалах, а также принципы работы производственных компаний в этой области. Мы наблюдаем, что многие индустриальные игроки уже начинают применять искусственный интеллект для синтеза новых материалов и оптимизации производственных процессов. В этом контексте особенно интересно понять, как будет устроен рынок новых материалов в XXI веке.
Какую роль будет играть материальное сырьё? Насколько ценными окажутся данные, модели и вычислительные мощности? Станут ли они возможностями или вызовами для развития сферы новых материалов? Мы осознаём, что одним из наших важнейших конкурентных преимуществ как страны является высокий научный потенциал – сильные школы в области математики, физики, материаловедения и наук о жизни. Этот интеллектуальный ресурс может помочь нам создать принципиально новые алгоритмы для машинного обучения и искусственного интеллекта, позволяющие ещё более эффективно синтезировать и описывать новые материалы. Тем не менее, несмотря на эту позитивную составляющую, мы видим обострение конкуренции со стороны корпораций, активно инвестирующих в искусственный интеллект. Мировая научная конкуренция усиливается: крупнейшие технологические компании и университеты вкладывают в эту сферу огромные средства. Важно понять, как мы сможем конкурировать за счёт собственного интеллектуального ресурса.
Наша сессия собрала учёных и представителей индустрии. Я хотел бы сфокусировать работу на достижении практических эффектов. Поэтому я решил задавать представителям индустрии вопросы о научных исследованиях, а учёным – вопросы об экономике, бизнесе и о том, как они видят внедрение своих знаний и создание на их основе практической пользы. Один из вопросов, который лично меня интересует в контексте применения методов искусственного интеллекта и машинного обучения для разработки новых материалов, касается моделей: какие из них будут наилучшим образом использоваться? На основе анализа большого количества публикаций можно выделить разные направления: генеративные модели, графовые модели, модели, основанные на физике. Мне, и, надеюсь, мои коллеги-учёные в этом помогут, интересно понять, насколько возможно абстрагироваться от физики, уйти от описания каждого атома или молекулы в отдельности, но при этом получить разумную информацию о материале.
Иными словами, представим движение: с одной стороны – полное описание материала с помощью квантовой физики, с другой – абстрагированные модели. Где будет находиться этот баланс? Какие возможности даёт тот или иной подход? Будет ли существовать единый алгоритм или модель, описывающая широкий класс материалов, или под каждую задачу мы будем разрабатывать отдельные нишевые решения? Как искусственный интеллект поможет не только описать материалы, но, возможно, в будущем и синтезировать их? По всей видимости, основной эффект будет достигнут не от отдельно взятой модели или технологического решения, а от построения цепочки кооперации, начинающейся с данных. Данные должны быть исключительно качественными. Затем следует обработка этих данных разными моделями, иногда в соревновательном аспекте. Далее – автоматизация экспериментальных процессов, синтез и оптимизация производственного процесса. Это, пожалуй, отправные точки для дискуссии. Помимо вопросов, я прошу всех участников реагировать на всё, что вызывает у вас какую-либо реакцию, и активно участвовать в нашей беседе.
С одной стороны, мы находимся на ранней фазе развития и внедрения искусственного интеллекта именно в промышленные процессы. Кто-то продвинулся дальше, кто-то – на более ранних этапах. Но сегодня становится очевидным, что применение и скорость внедрения моделей могут стать важнейшим конкурентным преимуществом. Поэтому наблюдается тенденция: участники процесса стремятся всё делать внутри себя, не делясь ни данными, ни подходами, ни практиками, ни моделями. При этом ставится задача объединения участников – как научных, так и производственных.
Мы ещё не опаздываем
— Как преодолеть парадигму сепарации и конкуренции, и перейти к объединению? Что может стать основной точкой консолидации усилий и площадкой для обсуждения лучших практик в этом направлении?
— Вопрос действительно крайне болезненный. Искусственный интеллект, особенно в научной сфере, представляет собой инструмент, позволяющий эволюционировать с нечеловеческой скоростью, — ответила Валерия Воробьёва, генеральный директор ассоциации «Альянс в сфере искусственного интеллекта». — Google DeepMind выявил 2,2 миллиона новых кристаллических структур, однако выяснилось, что значительная часть, более половины, оказалась неработоспособной: либо радиоактивной, либо принципиально нереализуемой. Да, пайплайн гипотез и наработок расширяется, но затем естественный интеллект вынужден обрабатывать этот массив. Мне хотелось бы добавить долю рациональности и трезвости. В этом смысле и Россия, и мир находятся фактически на одной стадии: всё это — гипотезы и тесты. Применение искусственного интеллекта в науке, особенно в прикладном аспекте, мы только начинаем осваивать, условно встаём на крыло. Необходимо понять, как структурировать работу для достижения максимальной эффективности от внедрения ИИ в науку. Это первый тезис: мы ещё никуда не опаздываем. Это новое направление, новые технологии и новые рынки, которые только формируются.
Второе: и в России, и в мире мы сталкиваемся с одной и той же проблемой — фрагментацией. Фрагментация усилий, капиталов, данных. Последнее, пожалуй, наиболее болезненно, поскольку каждый исследовательский центр и каждая компания имеют собственный R&D-блок, где нередко одни и те же гипотезы тестируются многократно, зачастую приводя к одинаковым результатам. Честно говоря, здесь вступает моя жадная часть натуры: крайне жалко тратить такие деньги, особенно в нашем положении на фоне дефицита ресурсов. Что сделали в Америке? В рамках проекта с Google DeepMind и Microsoft они, опираясь на единую платформу, собирали данные в области материаловедения и создали консорциум, включивший ведущие исследовательские центры США и бизнес. Самое главное — им удалось договориться о параметрах: бизнес оценивает прикладные эффекты, понимает, во что инвестирует, видит горизонт и управляет процессами. Для науки же выделяется часть фундаментального финансирования, время и ресурсная база. В России неплохая практика существует по исследовательским центрам в сфере ИИ, где главным фронтом является сам искусственный интеллект и фундаментальные модели.
Однако возникает вопрос: в этих центрах бизнес участвует обязательно, как того требует государство в качестве соинвестора? И в этой конструкции кто получает больше полезности? Государство — конкурентоспособное решение, или бизнес, который выводит расходы на аутсорс? Практика хорошая, но её необходимо эволюционировать. Плюс исследовательских центров в том, что государство выступило гарантом, удовлетворяя интересы всех сторон. В направлении новых материалов у нас тоже есть потенциал для такой работы. Новые материалы — одно из направлений, указанных в указе президента, и в 2022 году было подписано соглашение о высокотехнологичных направлениях. Это критически важно для устойчивого развития экономики страны и отраслей. Необходимо сформировать баланс интересов, ролевую модель, где кто-то выступает гарантом, и, самое главное, определить цели. Это большая работа по фронтиру: что непосредственно нужно бизнесу, а где мы должны сохранять международные тенденции. Возвращаясь к вашему точному вопросу о том, что нас может объединять: лучшие практики показывают, что это данные. Это первое, с чего надо начать.
В Альянсе мы благодаря комьюнити бизнеса договариваемся о стандартах оценки эффектов, архитектур и систем управления. Надеюсь, что по витринным кейсам мы сможем разработать подходы по типовым практикам, которые затем масштабируются в другие отрасли. Было бы полезно применить инструменты, которые мы освоили в сфере ИИ, к такому фундаментальному направлению, как ИИ для новых материалов. Добавлю: в диалоге между наукой и бизнесом нужен модератор. Двум сильным игрокам с диаметральными, но полезными интересами трудно договориться, и успешных сотрудничеств, поставленных на поток, у нас немного. Третья сторона — в форме ГЧП или консорциумов — должна модерировать интересы обеих сторон.
— Попытаюсь просуммировать, чтобы выработать общую линию дискуссии, — прокомментировал Алексей Фёдоров. — Время подумать у нас пока есть, хотя внутри научного сообщества ощущается, что его практически не остаётся: каждый день публикуется огромное количество статей. Всё же остаётся возможность для осознанного подхода к внедрению лучших практик. Возможно, мощности ещё подорожают, и у нас будет больше времени. Важны формы взаимодействия с бизнесом, и научные центры в области ИИ — одна из удачных форм, где бизнес кооперировался с научными организациями, решая конкретные прикладные задачи и взаимодействуя с исследовательскими коллективами так, чтобы они учились решать реальные практические задачи. Точкой объединения и точкой опоры могут стать общее целеполагание и общие данные. Искусственный интеллект — не замена, а помощник человека, но помощник крайне продвинутый. Предпринимается множество усилий для внедрения ИИ в материаловедение, оценки потенциальных эффектов. Возникает вопрос: существуют несколько подходов к развитию ИИ в новых материалах. Одни специалисты глубоко погружены в ИИ как базовую компетенцию, и новый материал для них — сфера применения своих знаний.
Мешок денег или мешок ума
– Возможны два подхода к использованию искусственного интеллекта в разработке материалов. Первый — когда IT-компании или исследовательские центры, специализирующиеся на ИИ, выходят на рынок и самостоятельно синтезируют новые материалы. Второй — когда производственная компания, обладающая глубокой экспертизой в материаловедении, внедряет ИИ в свои процессы. Какой подход одержит победу? Возникнет ли единый универсальный подход?
— Полагаю, здесь важно сразу подчеркнуть: внедрение искусственного интеллекта даже в производственные и управленческие процессы — и в материаловедении — это принципиально разные вещи, — считает вице-президент по инновациям ПАО ГМК «Норильский никель» Виталий Бусько. — Если в производственных процессах, включая такие сложные, как металлургия или химия, или в управленческих задачах можно привлечь IT-компанию, специализирующуюся на ИИ, и она достаточно быстро разберётся в механике процесса и предложит решение, то с новыми материалами ситуация совершенно иная. Без глубоких специальных знаний в химии и материаловедении, к сожалению или к счастью, двигать эту науку вперёд практически невозможно. Поэтому ключевой вызов — найти материаловеда, который одновременно понимает искусственный интеллект. Это редкость, днём с огнём не сыщешь. А если такой специалист ещё и настроен на практические результаты, нужные компании здесь и сейчас, а не на академические изыскания, — это уже почти фантастика. Мы ищем, ищем, и в какой-то момент понимаем: проще взять толковых материаловедов, которым интересна эта тема, и научить их генеративному искусственному интеллекту, чем наоборот. Такой подход с точки зрения компетенций гораздо эффективнее.
Что касается того, кто будет драйвером — производственные компании или IT-гиганты, — вопрос непростой. Возвращаясь к сказанному: здесь нужна узкая, специализированная компетенция, заточенная именно на материаловедение. Нельзя сегодня заниматься внедрением ИИ в финансы, а завтра — искать новые виды реагентов. Это не работает. Моя гипотеза такова: существуют компании, например, производящие реагенты или катализаторы. У каждой из них есть собственные R&D-центры и накопленные массивы данных. Для них логично рассматривать искусственный интеллект как новый фронтир. Но вызов для нас как для страны в том, что инвестиции в ИИ для материаловедения требуют глубокого кармана. Нужна компания определённого масштаба. В России таких немного. Поэтому, честно говоря, я считаю, что инициаторами развития рынка станут крупные производственные компании — такие как «Норникель» или игроки нефтехимии. А исполнителями выступят не IT-компании, а предприятия, уже занимающиеся производством реагентов и катализаторов.
Это первая история — материаловедение для существующих производственных процессов. Есть и вторая: новые материалы как новые рынки и новая продукция. Например, новые типы металлов или металлопродукции с добавками. Для «Норникеля» — это новые применения палладия. Мы контролируем около 40% мирового рынка палладия, являясь крупнейшим поставщиком. Новое применение палладия — это новый рынок, и наша задача — его развивать. Для СИБУРа аналогичная история — новые виды полимеров. В этом случае инициатором, вероятнее всего, станет сама компания. Но, как мы уже обсуждали, данные — ключевой фактор. Огромные массивы практических данных накоплены в Российской академии наук, и они критически важны для обучения ИИ. Здесь, я думаю, возникнет кооперация между бизнесом и Академией наук. Это позволит реализовывать по-настоящему прикладные проекты.
Дополню то, что говорила Валерия, касательно DeepMind. Сегодня все ресурсы в материаловедении сконцентрированы на лекарствах. В 2024 году Нобелевскую премию получили за AlphaFold. Для неорганической химии задача не решена даже близко. GNoME (я уже не помню точное название) сгенерировал сотни тысяч кристаллических решёток. Из них — практически ни одной реально работающей. Было одно соединение, которое все посчитали прорывом, но потом оказалось, что оно, возможно, уже было описано в советском журнале и попало в обучающую выборку. Честно говоря, про советский журнал может быть и утка, но факт остаётся фактом: ни DeepMind, ни GNoME не нашли ничего по-настоящему нового. Это была огромная работа коллег для продвижения вперёд, к практическому применению, но в неорганической химии мы пока далеки от цели. Поэтому я поддержу тезис, что у нас есть шанс выступить мировыми лидерами. Российская школа материаловедения — одна из сильнейших в мире, без преувеличений. Не Китай, не Ближний Восток, не Европа. Этим надо пользоваться.
— Итак, доменная экспертиза критически важна в таких задачах, — просуммировал модератор Алексей Фёдоров. — Трудно представить, что человек, никогда не работавший с материалами или процессами, сможет создать нечто по-настоящему ценное и внедряемое. Ключевой вызов — это новое поколение материаловедов, для которых искусственный интеллект и машинное обучение стали рабочим инструментом. Они следят не только за профильными статьями, но и за новыми выходящими моделями. Эффекты ожидаются. И есть области, где мы можем конкурировать на международном уровне — за счёт алгоритмических подходов, новых моделей, правильно собранных и выверенных данных. Это, в принципе, хорошая новость.
Теория щепотки удобрений
– Что происходит в мире ИИ из того, что кажется наиболее важным, наиболее трендовым, чтобы мы могли с этим познакомиться? Что нужно учёным для работы с бизнесом?
– Я как человек, который прошёл путь от РАН и Сколтеха до работы в неакадемическом университете, я оценил этот вопрос с разных сторон. Существуют две основные проблемы, – говорит Иван Оселедец, генеральный директор AIRI, декан факультета ИИ МГУ имени М.В. Ломоносова. – Новые материалы – отличный пример. Все в них нуждаются, но даже у Google не получается его создать. Есть организационные ограничения и противоречия в целеполагании: цели бизнеса и учёных противоположны. В нормальной системе координат цели должны быть едины. Учёный, работающий над новыми материалами, будет стремиться создать синтезированное соединение, полезное бизнесу. Зачем заниматься тем, что никогда не будет синтезировано? На деле 99% учёных исследуют материалы просто потому, что им это нравится. Они пишут статьи о соединениях, которые на практике никогда не понадобятся. Это вклад в науку, но конверсия невысока, не можешь пощупать результат. Когда начинаешь объяснять учёным, почему их открытие неприменимо, они не затрудняются с ответом: «возможно, когда-нибудь и такой подход найдёт применение».
Бизнес же, напротив, полагается на отлаженные процессы, годами работающие без сбоев: зачем их менять? С другой стороны, ясно, что если текущие процессы не ведут к существенному прогрессу, их необходимо менять. Целеполагание надо выравнивать: учёным не следует бояться брать задачи, которые они, по их мнению, не решат. Сейчас все хватаются за лёгкие задачи, избегая тех, что с высокой вероятностью провалятся. Большая Фарма активно инвестирует в стартапы, осознав, что ни внутренние R&D, ни академические институты с задачей не справятся. Нужны новые команды исследователей с единственной целью: решить задачу, получая за это деньги. Но они действуют вне корпоративных структур. Это вопрос организационной формы.
Вторая проблема – сама тематика материалов. Она напоминает попытку построить дом, создавая превосходную пилу или супермолоток для забивания гвоздей. Они помогут решить общую задачу, но проблема не в этом. Мы много работаем с сильными экспериментаторами. В нашем институте есть группы, занимающиеся новыми материалами и химией. Мы сотрудничаем с Фармой над сложной задачей, благодарны партнёрам за предоставленную цель – найти таргет для тяжёлого заболевания. Там понятный коммит и осознание высоких рисков. Приведу конкретный пример. Есть лаборатория – целый центр – занимающаяся катодными материалами. Это крупная лаборатория, где батарейки перебирают, материалы синтезируют и измеряют в массовом порядке. Они провели исследование: собрали около 500 статей, в которых свойства материалов замерялись, включая эксперименты в ведущих лабораториях. Построив графики распределения свойств, они обнаружили два пика. Условия вроде одинаковые, но результаты двоятся. Оказалось, существует скрытый фактор, сильно влияющий на свойства конечного продукта. Это 500 статей по одному типу соединений. Что должен делать искусственный интеллект? Оптимизировать структуру при заданных компонентах. Но в эксперименте – огромное количество неучтённых факторов. Как говорили в аудитории, есть теория «щепотки дерьма»: ты промоделировал всё, модель идеальна, но ничего не работает. Бросаешь туда какую-то «чушь» – и она запускается. Так работает наука. Мы, такие красивые, создали графовую нейросеть для моделирования свойств. Но очень мелкая примесь в реальности может кардинально изменить свойства материала. Ни в одной научной статье об этом не напишут. Там будет красивая история об оптимальном соединении, но кто попытается его воспроизвести — получит отрицательные результаты, которые попадут в обучение моделей.
Мы долго обсуждали, почему искусственный интеллект хорошо заработал в других областях: данные там бесплатные и многочисленные, как картинки с подписями. В материалах их мало, и даже ведущие лаборатории не могут гарантировать качество: все факторы эксперимента, включая записи в лабораторном журнале, влияют на результат. Но никто не хочет вести даже электронные журналы. А это всё имеет значение. Нужно в сотни раз больше измерений. Роботизированные лаборатории, перебирающие гипотезы с полным логированием в автоматическом режиме, чтобы исключить человека, – единственный путь. Иначе мы занимаемся случайным поиском: генерируем кучу данных, но не учитываем важные факторы и надеемся на авось. Это не добавляет ничего относительно случайного перебора экспертом.
Ключ не в данных как таковых, а в процессе их сбора. Мы не соберём все данные, но можем подтянуть цифровые двойники и верифицировать модели. Всё это готово, но самая важная часть остаётся нетронутой. Нужно полностью менять экспериментальный процесс, адаптируя его под искусственный интеллект. Верить, что можно не менять процесс и посчитать кристаллы с примесями из первых принципов, – иллюзия. Приближённые модели будут, но не точные. Только изменив процесс, мы увидим реальный прогресс. Тот же Google, работая с лекарствами, создал «мокрую лабораторию» рядом. Они поняли: отдавать это на аутсорс студентам, которые промерят как попало, – не выход. Всё должно быть стандартизировано в одной организации. Цель должна быть одна-две-три, самых перспективных направлений. Не надо покрывать всё. Довести до конца хотя бы один проект – поиск катализаторов или катодных материалов.
От мегафизики к мегавычислениям
– Создаваемые установки MegaScience – это один из инструментов сбора достаточно стандартизированным образом большого количества ценной информации о разных материалах, – продолжил модератор. – Сейчас строятся и уже эксплуатируются установки синхротронного излучения, один из таких инструментов, позволяющих посмотреть на материал и получить о нём через стандартизированный протокол эксперимента большое количество данных, которые нужны для синтеза новых материалов.
– Если нужна такая станция для новых материалов, должен ли бизнес проинвестировать и создать её, или это точка кооперации, где разные промышленные игроки могут условно вскладчину создать себе станцию для исследования определённой категории материалов?
– Затрону неочевидный аспект материаловедения, — с позиции исследовательской инфраструктуры, – отметил заместитель директора по науке Института физики высоких энергий имени А.А. Логунова НИЦ «Курчатовский институт» Никита Марченков. – Человек никогда не сможет увидеть атомы своими глазами. Так устроен мир: они слишком малы, и даже самый совершенный микроскоп не способен их показать. Однако существуют установки, использующие рентгеновское излучение, нейтроны или электроны, которые позволяют опосредованно, через обработку данных, увидеть эти атомы. По сути, сегодня такие установки считаются безальтернативным путем к исследованию реальной атомарной структуры материи, что, безусловно, крайне важно для современного материаловедения. Что касается темы нашей дискуссии, я выдвину два основных утверждения. Первое: мы не должны впадать в соблазн рассматривать искусственный интеллект как панацею для разработки новых материалов. В то же время, действительно, прозвучала фраза «продвинутый помощник» – без него сегодня не обойтись. Искусственный интеллект стал неотъемлемой частью, в том числе и в области, о которой я говорю.
Три тезиса, которые я хотел бы осветить. Первый: материаловедение с использованием искусственного интеллекта невозможно без мегасайенс-инфраструктуры. В этом я абсолютно убежден, в том числе потому, что искусственный интеллект необходимо обучать на реальных данных. Иначе мы оторвемся от реальности и получим соединения, не имеющие ничего общего с тем, что может существовать на нашей планете. Это стопроцентно так. Сегодня это активно применяется, и, уверен, этот тренд будет только усиливаться, поскольку исследования атомарной структуры материалов перестают быть лишь передним краем фундаментальной науки. Они становятся неотъемлемой частью технологического развития. Измерить материал на синхротроне или рентгеновской установке – это уже часть технологического процесса, и от этого никуда не уйти.
Второй тезис: верно и обратное утверждение – материаловедение на мегасайенс-установках без искусственного интеллекта сегодня также немыслимо. Не будем касаться даже технических аспектов, таких как управление ускорителями с помощью ИИ для корректировки орбит движения частиц. Огромные объемы данных, получаемых на таких установках, требуют анализа с использованием искусственного интеллекта: это так называемый on-fly анализ, когда данные обрабатываются в процессе эксперимента, и 90 процентов непригодных отбрасываются. Иначе невозможно хранить тот объем информации, который генерируется на этих ускорителях. Разработка IT-стратегии сейчас рассматривается наравне с научной программой для таких установок – это крайне важная задача. Но, пожалуй, более интересно то, что необходимо менять методологию эксперимента под искусственный интеллект. Мы вместе с группой из Южного федерального университета прорабатываем алгоритмы, когда в процессе сбора данных, например через очки виртуальной реальности, по мере набора данных начинает формироваться изображение трехмерной атомарной структуры. Данные обрабатываются мгновенно, и структура становится доступной. Как я уже сказал, глазами мы этого не видим, но через искусственный интеллект это становится возможным. В связи с этим возникает вопрос: можно ли с помощью ИИ полностью отказаться от физики? В дальней перспективе, я думаю, да, но для этого нужно очень хорошо натренировать модель. Если искусственный интеллект видел миллионы или миллиарды спектров рентгеновской спектроскопии, и у каждого есть четкое соответствие с реальной структурой, то, увидев новый спектр, он сможет точно определить структуру, не прибегая к расчетам из первых принципов. Но пока, мне кажется, мы на той стадии, когда реально полученных данных недостаточно.
Третий тезис отвечает на вопрос о том, как индустрии участвовать в этом. В контексте установок класса мегасайенс за рубежом уже есть опыт и механизмы, когда государство строит саму мегаустановку, а индустриальный партнер – всего одну лабораторию на ней. Например, на одном ускорителе может быть от 50 до 100 лабораторий. Компания Boeing построила свою станцию для изучения материалов лопаток турбин. Производители автомобильных шин исследовали на синхротроне структуру полимерных и повышали качество резины с помощью добавок. Такие инструменты существуют, и в России сегодня строится ряд мегапроектов. Я уверен, что открыта возможность не строить собственный ускоритель, а вложиться в создание отдельного элемента исследовательской инфраструктуры или даже IT-инфраструктуры.
Еще один пример, который меня впечатлил: компания Intel регулярно выкупает на швейцарском синхротроне целый месяц работы всех лабораторий, но проводит эксперименты только в одной. Официальная позиция – исключить вибрации от соседних лабораторий при исследовании чипов. Неофициальная – они опасаются промышленного шпионажа. Им легче выкупить весь синхротрон, чтобы рядом никого не было. Эта игра стоит свеч. Я считаю, что индустрия будет активно входить в это. Мне бы хотелось, чтобы российские представители реального сектора экономики тоже начинали играть по этим правилам. Мы стараемся вести с ними диалог и привлекать их, и первые ласточки уже есть.
– Суммируя, установки класса мегасайенс – важный элемент экосистемы, необходимой для развития наук о материалах и применения искусственного интеллекта, – подытожил модератор. – Они позволяют во многом исключить человеческий фактор, стандартизировать большое количество экспериментов и получить данные, остро необходимые для решения практических задач и выхода на реальный эксперимент. Отдельно, если честно, меня будоражит мысль о том, что можно будет в какой-то момент отойти от физики. Это сложные новости и для физиков, и для квантовых компьютеров. Интересно будет понять класс задач, где это возможно, а где – нет по тем или иным причинам. Сегодня мы несколько раз обращались к фармацевтике как к референсу применения машинного обучения и искусственного интеллекта.
Таблетка от работы
– Как сегодня обстоит дело с применением машинного обучения фармакологии? Что меняется в процессе и скорости разработки благодаря машинном обучении, искусственному интеллекту?
– Положение дел с ИИ в материаловедении пока оставляет желать лучшего, и всё происходит исключительно в рамках фармацевтики, как бы мы ни пытались успокоить друг друга, – признаётся Дмитрий Кудлай, директор по науке НПО «Микроген» (ГК «Ростех»). – Значимое движение началось ещё в 2023 году. Именно тогда я для себя зафиксировал этот переломный момент и начал читать книги по данной теме, осознав её практическую пользу. Именно в 2023 году произошёл знаковый случай: в США методом глубокого обучения была разработана новая молекула моноклонального антитела. Этот кейс стал первым. Тогда же, в 2023 году, последовал второй случай: Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) присвоило статус ускоренного рассмотрения (fast track) низкомолекулярному ингибитору. Тематика была интересна, поскольку препарат предназначался для лечения идиопатического фиброза лёгких, который при COVID-19, как известно, вызывал тромбозы и фиброзы – основные причины смертности. Присвоение статуса fast track, который упрощает процедуру регистрации, свидетельствовало о том, что при разработке этой молекулы также использовался генеративный интеллект. Как фармацевтика связана с физикой и биологией, особенно когда речь заходит о новых материалах — большая тема. Доклинические исследования традиционно проводятся на животных. Многие знакомые спрашивают: возможно ли избавить от страданий животных, используя искусственный интеллект для моделирования? В Академии наук, в рамках комиссии по науке о жизни, состоялось заседание совета по фармацевтике. Итог был однозначен: даже лучшие умы страны пришли к выводу, что полностью избавиться от биологии невозможно, поскольку требуется комплексная оценка, аналогичная той, что озвучили коллеги из физики.
Второй вопрос касается химии. В Министерстве промышленности и торговли её приоритет, казалось бы, очевиден. Однако сегодня, когда вас прямо спрашивают: «Ты кто по академии – биотехнолог?» – начинаешь сомневаться в корректности термина. Существует ли сегодня химия как самостоятельная дисциплина? В Новосибирском Академгородке, где я работал два года, отдельной химии уже нет – она входит в факультет естественных наук. В таком миксе обучают специалиста, который одновременно изучает клетку и её физические свойства. Всё что происходит сегодня – это персонализация и гибридные решения. Именно здесь искусственный интеллект нашёл своё применение: от простых элементов машинного обучения, таких как метод опорных векторов и байесовские сети, до более сложных алгоритмов.
На простых моделях уже рассчитываются параметры взаимодействия вспомогательных веществ с активным компонентом, а также высвобождение препарата. Например, с помощью биоразлагаемых полимеров можно добиться того, чтобы лекарство принималось не три раза в день, а один. Это значительно повышает комплаенс пациента и влияет на результат, позволяя рассчитать точку разложения полимера и биодоступность. Простыми машинными методами можно управлять элементами токсичности. Более глубокие подходы, такие как генеративно-состязательные сети (GAN), дают возможность понимать пространственное соотношение элементов. Генеративная часть сети синтезирует варианты, а дискриминационная оценивает их, предлагая оптимальное решение. Рекуррентные сети, в свою очередь, позволяют вычислять последовательности, например, формулы олигонуклеотидов. Гибридные подходы уже позволяют рассчитывать полезные сшивки терапевтических малых молекул с белками, поскольку лобовые молекулы прямого действия сегодня не работают. Тема перепрофилирования препаратов ярко проявилась в период COVID-19, когда помогли цифровые технологии: берётся заданная структура молекулы, и моделируется, какие эффекты она даёт. Говоря о перспективах, стоит упомянуть группу Владимира Поройкова из НИИ Биомедицинской химии Ореховича под руководством Александра Арчакова. Их платформа включает 30 оригинальных веб-ресурсов, позволяющих с точностью до 95% рассчитать терапевтический и биологический эффект молекулы на основе её структурной формы.
На прошлом форуме состоялась презентация моей книги «Искусственный интеллект в фармразработке». Для меня это был скорее учебник. Я пытался понять успех топ-10 и топ-15 фармацевтических компаний: на каких этапах применяется ИИ и как его интегрировать в производство, будучи сотрудником крупнейшей частной биотехнологической компании. Создание молекул теперь идёт иначе: вы не синтезируете 100 молекул и не проверяете, какая пройдёт по характеристикам. Всё рассчитывается заранее, в том числе на доклинических этапах. В России уже создаются и тестируются две-три платформы для клинических исследований, чтобы сделать критерии включения и исключения более корректными. Ошибки на входе неизбежно приводят к ошибкам на выходе, поэтому такие системы позволяют отсекать некорректные результаты. Говоря экономическими терминами, себестоимость снижается за счёт автоматизации и цифровизации этапов контроля качества, где используются простые методы обучения. Кроме того, рассчитывается токсичность средства и его концентрация. Например, некоторые эффективные онкологические препараты обладают высокой токсичностью. С помощью генеративного искусственного интеллекта можно подобрать параметры токсичности и требуемую концентрацию, чтобы достичь лечебного эффекта при меньшей дозе, избежав токсических реакций.
Финальный блиц. От идей к результатам
– Если есть цепочка, начиная от данных через модели к каким-то результатам, будь то новый материал, лекарства, что-то произведённое и материальное — кто будет больше всех зарабатывать на этой цепочке? Те, кто стоят на раннем этапе и смогут запатентовать формулу нового материала, или те, кто производит и ближе к рынку?
– Иван Оселедец: Насколько я сейчас понимаю, референсов по-прежнему недостаточно. В фармацевтической отрасли, к примеру, сегодня продаются исключительно молекулы, то есть только конечный продукт, результат. Именно он и будет обладать стоимостью. Раньше мы говорили: «Вот платформа, которая проектирует». Платформы никому не нужны; на выходе необходимы молекулы и материалы. Следовательно, стоимость будет определяться правами владения: кто владеет правами, тот и получает доход, и зарабатывает на этом.
– Кому, по вашему мнению, должны принадлежать данные — науке, бизнесу или государству? Кто может выступить оператором данных, необходимых с точки зрения материалов?
– Валерия Воробьёва: Это сложный вопрос, поэтому проще всего обратиться к альянсу как к нейтральной организации. Нет, в действительности вопрос крайне сложен, и я уже в самом начале упоминала, что требуется некий условный модератор. Сразу могу сказать: поскольку речь идёт о дорогостоящей инфраструктуре, государство в этот проект не пойдёт — разве что частично. Для понимания: это как искусственный интеллект любят сравнивать с электричеством. Здесь то же самое. Вспомните: электричество как технология было изобретено в Германии, но реализовано только в Советском Союзе, который решился инвестировать в столь глобальный проект, откуда впоследствии и возник госплан. Если бы у нас был такой подход, возникла бы логика, позволяющая, например, придумать систему тарификации за пользование. Однако при текущем положении дел, с учётом внешних шоков — таких как проливы и экономическая нестабильность, — мы находимся в сложных условиях. Понятно, что существуют и российские факторы: слишком малый объём капитала. Все эти обстоятельства влияют на то, что мы не работаем в долгосрочной перспективе. Именно поэтому до сих пор не сложилась модель, при которой бизнес как держатель данных, наука как держатель данных и государство как держатель данных могли бы договориться о вхождении в этот дорогостоящий долгосрочный проект. Честно говоря, у меня как такового ответа нет. Хотелось бы ответить ёмко: консорциум, где у каждого участника будет своя часть, но с нейтральным модератором — не государством. Этот модератор должен быть абсолютно нейтральным и равноудалённым от всех. Вопрос назрел для дальнейшей AI-трансформации отраслей — это точно. Однако мне даже в голову не приходит, кто мог бы выступить таким консорциумом.
– Крупные научные установки, служащие генераторами колоссальных объёмов данных для исследовательских процессов, по всей видимости, будут всё в большей степени ориентироваться на потребности ИИ, подвергаться дальнейшей стандартизации. Означает ли это, что в перспективе десяти лет мы не увидим там людей, и всё перейдёт в состояние полной автономии?
– Никита Марченков: Полагаю, что ответ скорее отрицательный, нежели утвердительный. По крайней мере, проектируя в настоящее время синхротронно-лазерный комплекс «Сива» в Протвино, мы исходим из необходимости подготовки 1 200 специалистов для работы на нём. Это связано с тем, что данные установки чрезвычайно сложны и включают множество систем, работающих синхронно. В этой связи я рассматриваю искусственный интеллект исключительно как вспомогательный инструмент — например, для коррекции орбиты вращающихся электронов в случае отклонений. Безусловно, это позволит существенно повысить эффективность работы установок. Однако, на мой взгляд, мы сегодня ещё далеки от полной автоматизации столь сложных систем. Если с простыми конвейерами мы только начинаем справляться, и то заводы требуют минимального присутствия персонала для управления оборудованием, то с мегаустановками до этого, очевидно, ещё очень далеко. Не говоря уже о тех, кто ставит задачи на конечных этапах — исследователях в лабораториях, определяющих, какие образцы изучать и проверяющих гипотезы о структуре того или иного объекта. Поэтому, как я часто отмечаю в контексте науки, искусственный интеллект ещё нескоро вытеснит людей полностью.
– Каков главный вызов на пути внедрения машинного обучения и искусственного интеллекта: качество данных, качество моделей, вычислительные мощности или нехватка кадров?
– Дмитрий Кудлай: В фармацевтике, например, ситуация парадоксальна: маржинальность высока, но барьером служит исключительно воля лидеров и коллективов. Финансирования, как известно, достаточно — «Приоритет 2030», национальные проекты и прочие источники. Однако примечательно, что лидерами в этой области станут не компании первого уровня, а небольшие фирмы, которые за 3–5 лет вырвутся вперёд, и названия которых мы сейчас, вероятно, даже не знаем. Существует элемент демократизации науки и доступа к данным. Например, в фармацевтике некоторые ресурсы доступны по подписке стоимостью около 300 долларов в год, что позволяет без активов реализовать один-два-три проекта и добиться серьёзного прорыва. А упомянутая мной российская платформа вовсе бесплатна — нечто вроде привета из нашего некоммерциализированного прошлого. Такие лайфхаки, если их использовать, гарантируют выход в лидеры за три-четыре года. Поэтому вопрос лишь в человеческой воле. Спасибо.
– Действительно, вопрос о том, кто захватит рынок, остаётся открытым. Что станет индикатором того, что мы движемся в правильном направлении и приближаемся к его захвату?
– Виталий Бусько: Соглашусь с Дмитрием: появление небольших производственных компаний, которые продемонстрируют разработку одного-двух-трёх-пяти материалов и начнут работать на рынке, будет индикатором перехода от научных изысканий к реальному результату. Бизнес готов за это платить. Как представитель производственной компании, я с уверенностью заявляю: если кто-то придёт и предложит — «вот новые реагенты, дайте нам данные, мы создадим для вас новый реагент» или «найдём новое применение палладию», — мы абсолютно готовы платить. Даже когда потенциальный результат не гарантирован, но мы видим перспективу, мы сотрудничаем с такими компаниями. Только практика имеет значение.
– Если говорить о партнёрских командах, работающих над единой целью, чему, на ваш взгляд, им следует научиться?
– Виталий Бусько: В моём понимании, это всё равно научные коллективы, и они должны учиться взаимодействовать с производственными компаниями, такими как «Норникель», которым нужен результат или хотя бы прогресс, понимая, что это RnD. Сейчас научные группы, если за ними не наблюдать, часто уходят в сторону чистого любопытства. Поэтому главное — нацеленность на практичность. Всё остальное должно отсутствовать.
– Итак, — подвёл итог модератор Алексей Фёдоров, — всех спикеров объединяет необходимость выработки целеполагания. Вопрос данных остаётся чрезвычайно острым. Мы стремимся к эконофизическому эффекту, и ценность будет заключаться в формуле и структуре материалов, которые учёные будут искать с ориентацией на практический результат. Соглашусь: главное напутствие — двигаться к практическим результатам.
