Крупные стартапы, располагающие значительными финансовыми ресурсами, создают лаборатории с поддержкой искусственного интеллекта для гораздо более быстрого и дешевого поиска материалов, но все еще ждут своего часа, подобного ChatGPT.
Прибор размером с микроволновую печь, установленный в компании Lila Sciences в Кембридже, штат Массачусетс, внешне мало чем отличается от других, которые я видел в современных лабораториях материаловедения. Внутри вакуумной камеры установка воздействует электрическим током на различные элементы, создавая испаренные частицы, которые затем пролетают через камеру и оседают, образуя тонкую пленку, используя метод, называемый распылением. Отличительной особенностью этого прибора является то, что эксперимент проводится с помощью искусственного интеллекта; агент ИИ, обученный на огромном количестве научной литературы и данных, определил «рецепт» и варьирует комбинацию элементов.
Позже человек перенесет образцы, каждый из которых содержит несколько потенциальных катализаторов, в другую часть лаборатории для проведения анализов. Другой агент искусственного интеллекта просканирует и интерпретирует данные, используя их для предложения следующего раунда экспериментов с целью оптимизации характеристик материалов.
Эта статья является частью серии публикаций MIT Technology Review под названием «Коррекция ажиотажа» , которая призвана переосмыслить представления об искусственном интеллекте, его возможностях и направлениях нашего дальнейшего развития.
На данный момент учёный-человек внимательно следит за экспериментами и утверждает дальнейшие шаги на основе предложений ИИ и результатов испытаний. Но стартап убеждён, что эта управляемая ИИ машина — это взгляд в будущее открытия материалов, в котором автономные лаборатории смогут значительно удешевить и ускорить процесс создания новых и полезных соединений.
Компания Lila Sciences, получившая сотни миллионов долларов новых инвестиций, является одним из последних «единорогов» в сфере искусственного интеллекта. Компания преследует более масштабную цель – использовать автономные лаборатории, управляемые ИИ, для научных открытий, стремясь достичь того, что она называет научным сверхинтеллектом. Но сегодня утром я здесь, чтобы узнать конкретно об открытии новых материалов.
Нам крайне необходимы более совершенные материалы для решения наших проблем. Нам понадобятся улучшенные электроды и другие компоненты для более мощных батарей; соединения для более дешевого удаления углекислого газа из воздуха; и лучшие катализаторы для производства экологически чистого водорода и других видов топлива и химических веществ. И, вероятно, нам понадобятся новые материалы, такие как высокотемпературные сверхпроводники, улучшенные магниты и различные типы полупроводников, для следующего поколения прорывов во всем, от квантовых вычислений до термоядерной энергетики и аппаратного обеспечения для искусственного интеллекта.
Однако за последние несколько десятилетий материаловедение не добилось больших коммерческих успехов. Отчасти из-за своей сложности и отсутствия достижений эта область превратилась в своего рода инновационный захолустье, затмеваемый более привлекательными — и прибыльными — исследованиями в области разработки новых лекарств и биологических открытий.
Идея использования ИИ для поиска новых материалов не совсем нова, но она получила огромный импульс в 2020 году, когда DeepMind продемонстрировала, что ее модель AlphaFold2 может точно предсказывать трехмерную структуру белков. Затем, в 2022 году, пришел успех и популярность ChatGPT. Надежда на то, что аналогичные модели ИИ, использующие глубокое обучение, могут помочь в научных исследованиях, захватила инсайдеров технологической индустрии. Почему бы не использовать наши новые возможности генеративного ИИ для поиска в обширном химическом ландшафте и моделирования атомных структур, указывая путь к новым веществам с удивительными свойствами?
«Моделирование может быть чрезвычайно эффективным инструментом для формулирования проблем и понимания того, что стоит проверять в лаборатории. Но в реальном мире мы никогда не сможем решить ни одной проблемы, используя только моделирование».
Джон Грегуар, главный научный сотрудник компании Lila Sciences, специализирующийся на автономных технологиях.
Исследователи рекламировали модель искусственного интеллекта, которая, как сообщалось, открыла «миллионы новых материалов». Потекли огромные деньги, финансируя множество стартапов. Но до сих пор не произошло никакого «эврика», никакого прорыва, подобного ChatGPT, — никакого открытия новых чудо-материалов или даже немного улучшенных.
Стартапы, стремящиеся найти новые полезные соединения, сталкиваются с распространенной проблемой: самым трудоемким и дорогостоящим этапом в разработке материалов является не придумывание новых структур, а их создание в реальном мире. До попытки синтеза материала неизвестно, можно ли его получить и является ли он стабильным, и многие его свойства остаются неизвестными до тех пор, пока не будут протестированы в лаборатории.
Связанная статья
«Моделирование может быть чрезвычайно эффективным инструментом для формулирования проблем и понимания того, что стоит тестировать в лаборатории», — говорит Джон Грегуар, главный научный сотрудник Lila Sciences по вопросам автономного вождения. «Но в реальном мире мы никогда не сможем решить ни одной проблемы, используя только моделирование».
Стартапы, такие как Lila Sciences, строят свои стратегии на использовании ИИ для преобразования экспериментальной деятельности и создают лаборатории, в которых агенты планируют, проводят и интерпретируют результаты экспериментов для синтеза новых материалов. Автоматизация в лабораториях уже существует. Но идея состоит в том, чтобы агенты ИИ вывели это на новый уровень, управляя автономными лабораториями, где их задачи могут включать разработку экспериментов и управление робототехникой, используемой для перемещения образцов. И, что наиболее важно, компании хотят использовать ИИ для сбора и анализа огромного количества данных, получаемых в результате таких экспериментов, в поисках подсказок для создания более совершенных материалов.
В случае успеха эти компании смогут сократить процесс открытия новых материалов с десятилетий до нескольких лет или даже меньше, помогая находить новые материалы и оптимизировать существующие. Но это рискованное предприятие. Хотя искусственный интеллект уже берет на себя многие лабораторные задачи, самостоятельный поиск новых — и полезных — материалов — это совсем другое дело.
Инновационная задворка
Я занимаюсь освещением открытий в области материаловедения почти 40 лет, и, честно говоря, за это время было лишь несколько запоминающихся коммерческих прорывов, таких как литий-ионные батареи. Научных достижений, о которых можно было бы написать, предостаточно: от перовскитных солнечных элементов до графеновых транзисторов и металлоорганических каркасов (МОК) — материалов, основанных на интригующем типе молекулярной архитектуры, изобретатели которых недавно получили Нобелевскую премию. Но лишь немногие из этих достижений, включая МОК, вышли далеко за пределы лаборатории. Другие, такие как квантовые точки, нашли некоторое коммерческое применение, но в целом, изобретений, изменивших жизнь, созданных в предыдущие десятилетия, было мало.
Виной тому – количество времени (обычно 20 лет и более) и сотни миллионов долларов, необходимых для создания, тестирования, оптимизации и производства нового материала, а также отсутствие у отрасли интереса тратить столько времени и денег на низкорентабельные товарные рынки. Или, может быть, у нас просто закончились идеи для производства чего-либо.
Необходимость ускорить этот процесс и найти новые идеи — вот почему исследователи обратились к искусственному интеллекту. На протяжении десятилетий ученые использовали компьютеры для проектирования потенциальных материалов, вычисляя, где разместить атомы, чтобы сформировать стабильные структуры с предсказуемыми характеристиками. Это работало — но лишь отчасти. Достижения в области ИИ значительно ускорили это вычислительное моделирование и обещают возможность быстро исследовать огромное количество возможных структур. Google DeepMind, Meta и Microsoft запустили проекты по внедрению инструментов ИИ для решения проблемы проектирования новых материалов.
Однако ограничения, которые всегда преследовали вычислительное моделирование новых материалов, сохраняются. Для многих типов материалов, таких как кристаллы, полезные характеристики часто невозможно предсказать, основываясь исключительно на расчете атомных структур.
Чтобы выявить и оптимизировать эти свойства, нужно создать что-то реальное. Или, как выразился Рафаэль Гомес-Бомбарелли, один из соучредителей Lila и профессор материаловедения в Массачусетском технологическом институте: «Структура помогает нам размышлять о проблеме, но она не является ни необходимым, ни достаточным условием для решения реальных проблем, связанных с материалами».
Пожалуй, ни одно достижение не иллюстрировало разрыв между виртуальным и физическим мирами лучше, чем объявление DeepMind в конце 2023 года о том, что компания использовала глубокое обучение для открытия «миллионов новых материалов», включая 380 000 кристаллов, которые, по ее словам, являются «наиболее стабильными, что делает их перспективными кандидатами для экспериментального синтеза». С технической точки зрения, расположение атомов представляло собой состояние минимальной энергии, в котором они оставались неподвижными. Это было «расширение на порядок числа стабильных материалов, известных человечеству», — заявили исследователи DeepMind.
Связанная статья
Для сообщества специалистов по искусственному интеллекту это стало долгожданным прорывом. Исследование DeepMind не только открыло кладезь потенциальных новых материалов, но и создало мощные новые вычислительные методы для прогнозирования большого количества структур.
Однако реакция некоторых материаловедов была совершенно иной. После более тщательного изучения исследователи из Калифорнийского университета в Санта-Барбаре заявили, что обнаружили «мало доказательств существования соединений, отвечающих трем критериям: новизны, достоверности и полезности». Фактически, как сообщили ученые, они не нашли ни одного действительно нового соединения среди исследованных; некоторые из них были всего лишь «тривиальными» вариациями известных. Ученые, по-видимому, были особенно возмущены тем, что потенциальные соединения были обозначены как материалы. Они написали: «Мы хотели бы с уважением отметить, что в работе не сообщается о каких-либо новых материалах, а приводится список предлагаемых соединений. На наш взгляд, соединение можно назвать материалом, если оно обладает определенной функциональностью и, следовательно, имеет потенциальную полезность».
Некоторые из воображаемых кристаллов просто противоречили условиям реального мира. Для проведения вычислений для такого множества возможных структур исследователи DeepMind моделировали их при абсолютном нуле, где атомы находятся в упорядоченном состоянии; они немного вибрируют, но не двигаются. При более высоких температурах — таких, какие существуют в лаборатории или в любой точке мира — атомы движутся сложным образом, часто создавая более неупорядоченные кристаллические структуры. Ряд так называемых новых материалов, предсказанных DeepMind, оказались упорядоченными версиями уже известных неупорядоченных материалов.
В более общем смысле, статья DeepMind стала лишь очередным напоминанием о том, насколько сложно воспроизвести физическую реальность в виртуальных симуляциях — по крайней мере, пока. Из-за ограничений вычислительной мощности исследователи обычно проводят вычисления на относительно небольшом количестве атомов. Тем не менее, многие желаемые свойства определяются микроструктурой материалов — в масштабе, намного превышающем атомный мир. А некоторые эффекты, такие как высокотемпературная сверхпроводимость или даже катализ, который является ключевым для многих распространенных промышленных процессов, слишком сложны или плохо изучены, чтобы их можно было объяснить только с помощью атомных симуляций.
общий язык
Тем не менее, есть признаки того, что разрыв между моделированием и экспериментальной работой начинает сокращаться. Например, компания DeepMind заявляет, что после публикации статьи в 2023 году она сотрудничает с учеными в лабораториях по всему миру для синтеза соединений, идентифицированных с помощью ИИ, и добилась определенных успехов. Между тем, ряд стартапов, выходящих на этот рынок, стремятся объединить вычислительные и экспериментальные знания в одной организации.
Одним из таких стартапов является Periodic Labs, соучредителями которого являются Экин Догус Кубук, физик, возглавлявший научную группу, которая привлекла внимание к конференции DeepMind в 2023 году, и Лиам Федус, соавтор ChatGPT в OpenAI. Несмотря на опыт основателей в области вычислительного моделирования и программного обеспечения для искусственного интеллекта, компания строит свою стратегию поиска новых материалов на основе синтеза, проводимого в автоматизированных лабораториях.
Основная идея стартапа заключается в объединении различных областей знаний с помощью больших языковых моделей, обученных на научной литературе и способных учиться на основе текущих экспериментов. Большая языковая модель может предложить рецепт и условия для получения соединения; она также может интерпретировать данные испытаний и предоставлять дополнительные рекомендации химикам и физикам стартапа. В рамках этой стратегии моделирование может предлагать возможные кандидаты в материалы, а также использоваться для объяснения результатов экспериментов и предложения возможных структурных изменений.
Главным призом стало бы создание сверхпроводника при комнатной температуре — материала, способного произвести революцию в вычислительной технике и электричестве, но ускользающего от ученых на протяжении десятилетий.
Компания Periodic Labs, как и Lila Sciences, ставит перед собой цели, выходящие за рамки проектирования и создания новых материалов. Она хочет «создать учёного-искусственного интеллекта» — в частности, специалиста в области физических наук. «Ученые-магистры наук довольно хорошо научились обрабатывать информацию из химии и физики, — говорит Кубук, — и теперь мы пытаемся сделать их ещё более совершенными, обучая их научным методам — например, проведению симуляций, экспериментов, теоретического моделирования».
Подход, подобный подходу компании Lila Sciences, основан на предположении, что лучшее понимание науки, лежащей в основе материалов и их синтеза, приведет к открытиям, которые помогут исследователям найти широкий спектр новых материалов. Одной из целей Periodic Labs являются материалы, свойства которых определяются квантовыми эффектами, например, новые типы магнитов. Главной целью стало бы создание сверхпроводника при комнатной температуре — материала, способного произвести революцию в вычислительной технике и электричестве, но который десятилетиями ускользал от ученых.
Сверхпроводники — это материалы, в которых электрический ток протекает без сопротивления и, следовательно, без выделения тепла. На данный момент лучшие из этих материалов становятся сверхпроводящими только при относительно низких температурах и требуют значительного охлаждения. Если их удастся заставить работать при комнатной температуре или близкой к ней, это может привести к созданию гораздо более эффективных энергосетей, новых типов квантовых компьютеров и даже более практичных высокоскоростных поездов на магнитной левитации.
Неспособность найти сверхпроводник, работающий при комнатной температуре, — одно из величайших разочарований в материаловении за последние несколько десятилетий. Я был свидетелем того, как президент Рейган говорил об этой технологии в 1987 году, в разгар ажиотажа вокруг недавно созданной керамики, которая становилась сверхпроводящей при относительно комфортной температуре 93 Кельвина (это −292 °F), восторженно заявляя, что она «приближает нас к порогу новой эры». Среди ученых и бизнесменов в переполненном зале вашингтонского отеля «Хилтон» царило чувство оптимизма, поскольку Рейган предвидел «множество преимуществ, среди которых, в частности, снижение зависимости от иностранной нефти, более чистая окружающая среда и более сильная национальная экономика». Оглядываясь назад, это, возможно, был один из последних случаев, когда мы возлагали свои экономические и технические устремления на прорыв в материаловении.
Обещанная новая эра так и не наступила. Ученые до сих пор не нашли материал, который становился бы сверхпроводящим при комнатной температуре или близкой к ней при нормальных условиях. Лучшие из существующих сверхпроводников хрупкие и, как правило, из них получаются некачественные провода.
Одна из причин, по которой поиск высокотемпературных сверхпроводников оказался таким сложным, заключается в том, что ни одна теория не объясняет этот эффект при относительно высоких температурах — или не может предсказать его, просто исходя из расположения атомов в структуре. В конечном итоге, задача синтезировать любые интересные кандидаты, протестировать их и изучить полученные данные в поисках подсказок для понимания этого все еще загадочного явления ляжет на плечи ученых-исследователей. По словам Кубука, это одна из главных задач Periodic Labs.
Искусственный интеллект за рулём
На создание первой кристаллической структуры исследователю может потребоваться год или больше. Затем, как правило, следуют годы дальнейшей работы по проверке ее свойств и выяснению способов производства необходимых для коммерческого продукта больших объемов.
Связанная статья
Стартапы, такие как Lila Sciences и Periodic Labs, возлагают большие надежды на то, что эксперименты, проводимые с помощью ИИ, смогут значительно сократить эти сроки. Одна из причин оптимизма заключается в том, что многие лаборатории уже внедрили автоматизацию во все аспекты работы, от подготовки образцов до перемещения тестовых объектов. Исследователи регулярно используют роботизированные манипуляторы, программное обеспечение, автоматизированные версии микроскопов и других аналитических приборов, а также механизированные инструменты для работы с лабораторным оборудованием.
Автоматизация позволяет, помимо прочего, осуществлять высокопроизводительный синтез, при котором быстро создаются и тестируются в больших партиях многочисленные образцы с различными комбинациями ингредиентов, что значительно ускоряет проведение экспериментов.
Идея заключается в том, что использование ИИ для планирования и проведения такого автоматизированного синтеза может сделать его гораздо более систематизированным и эффективным. Агенты ИИ, способные собирать и анализировать гораздо больше данных, чем любой человек, могут использовать информацию в реальном времени для изменения ингредиентов и условий синтеза до тех пор, пока не получат образец с оптимальными свойствами. Такие лаборатории, управляемые ИИ, могли бы проводить гораздо больше экспериментов, чем человек, и могли бы быть намного умнее существующих систем высокопроизводительного синтеза.
Однако так называемые лаборатории по разработке беспилотных технологий для исследования материалов все еще находятся в стадии разработки.
Для синтеза многих материалов требуется твердофазный синтез — комплекс процессов, автоматизировать которые гораздо сложнее, чем операции с жидкостями, обычно используемые при производстве лекарств. Необходимо подготовить и смешать порошки из нескольких неорганических ингредиентов в правильной комбинации, например, для получения катализатора, а затем решить, как обработать образец для создания желаемой структуры — например, определить правильную температуру и давление для проведения синтеза. Даже определить, что именно вы получили, может быть непросто.
В 2023 году лаборатория A-Lab в Национальной лаборатории имени Лоуренса в Беркли заявила, что стала первой полностью автоматизированной лабораторией, использующей неорганические порошки в качестве исходных ингредиентов. Впоследствии ученые сообщили, что автономная лаборатория с помощью робототехники и искусственного интеллекта синтезировала и протестировала 41 новый материал, включая некоторые, предсказанные в базе данных DeepMind. Некоторые критики поставили под сомнение новизну полученных результатов и пожаловались, что автоматизированный анализ материалов не соответствует экспериментальным стандартам, но исследователи из Беркли защитили свои усилия, заявив, что это всего лишь демонстрация потенциала автономной системы.
«То, как это работает сегодня, и то, как мы это себе представляем, все еще несколько отличаются. Просто предстоит еще много работы по созданию инструментов», — говорит Гербранд Седер, ведущий научный сотрудник лаборатории A-Lab.
Искусственный интеллект уже хорошо справляется со многими лабораторными задачами, от подготовки рецептов до интерпретации некоторых видов тестовых данных — например, находит закономерности на микроснимке, которые могут быть скрыты для человеческого глаза. Но Седер надеется, что технология вскоре сможет «захватывать процесс принятия решений человеком», анализируя текущие эксперименты для принятия стратегических решений о дальнейших действиях. Например, его группа работает над улучшенным агентом синтеза, который лучше бы учитывал то, что он называет «рассеянными» знаниями ученых — знаниями, полученными в результате обширной подготовки и опыта. «Я представляю себе мир, где люди создают агентов, основываясь на своей экспертизе, а затем существует своего рода супермодель, которая все это объединяет», — говорит он. «По сути, супермодель должна знать, к каким агентам она может обращаться и что они знают, или в чем заключается их экспертиза».
«В одной из областей, в которой я работаю, — твердотельных батареях, — каждый день публикуется 50 научных статей. И это только одна из таких областей. Революция в области искусственного интеллекта заключается в том, чтобы наконец собрать все имеющиеся у нас научные данные».
Гербранд Седер, ведущий научный сотрудник лаборатории A-Lab.
Одно из преимуществ агентов ИИ — их способность обрабатывать огромные объемы научной литературы. «В одной из областей, в которой я работаю, — твердотельных батареях, — каждый день публикуется 50 статей. И это только одна из областей, в которой я работаю», — говорит Седер. Никому не удается угнаться за этим. «Революция в области ИИ заключается в том, чтобы наконец собрать все имеющиеся у нас научные данные», — говорит он.
Прошлым летом Седер стал главным научным сотрудником стартапа Radical AI, занимающегося разработкой материалов с использованием искусственного интеллекта, и взял отпуск в Калифорнийском университете в Беркли, чтобы помочь в создании лабораторий по разработке беспилотных автомобилей в Нью-Йорке. Презентация демонстрирует портфолио различных агентов ИИ и генеративных моделей, призванных помочь реализовать видение Седера. Если присмотреться, можно заметить специалиста с магистерской степенью, которого называют «оркестратором» — так генеральный директор Джозеф Краузе называет «главного босса».
Новая надежда
До сих пор, несмотря на ажиотаж вокруг использования ИИ для открытия новых материалов и растущую популярность — и инвестиции — в этой области, убедительной крупной победы так и не было. Нет примера, подобного победе AlphaGo от DeepMind над чемпионом мира по игре в го в 2016 году. Или как достижение AlphaFold в освоении одной из самых сложных и трудоемких задач в биомедицине — предсказании трехмерных структур белков.
Область открытия новых материалов всё ещё ждёт своего часа. Он может наступить, если агенты искусственного интеллекта смогут значительно ускорить разработку или синтез практических материалов, похожих на существующие сегодня, но превосходящих их. Или, возможно, момент настанет с открытием действительно нового материала, такого как сверхпроводник, работающий при комнатной температуре.
Независимо от того, произойдет ли такой прорыв или нет, стартапы сталкиваются с проблемой превращения своих научных достижений в полезные материалы. Эта задача особенно сложна, поскольку любые новые материалы, скорее всего, придется коммерциализировать в отрасли, где доминируют крупные игроки, не особенно склонные к риску.
Сьюзан Шофер, инвестор в сфере технологий и партнер венчурной фирмы SOSV, с осторожным оптимизмом смотрит на эту область. Но Шофер, которая в середине 2000-х несколько лет работала исследователем-катализатором в одном из первых стартапов, использовавших автоматизацию и высокопроизводительный скрининг для поиска материалов (он не выжил), хочет увидеть доказательства того, что технология может привести к коммерческому успеху, когда будет оценивать стартапы для инвестирования.
В частности, она хочет увидеть доказательства того, что стартапы в сфере ИИ уже «находят что-то новое, отличное от других, и знают, как они будут развивать это дальше». И она хочет увидеть бизнес-модель, которая бы учитывала ценность новых материалов. Она говорит: «Я думаю, идеальным вариантом было бы следующее: я получила техническое задание от отрасли. Я знаю, в чем их проблема. Мы ее определили. Теперь мы собираемся это создать. Теперь у нас есть новый материал, который мы можем продавать, и мы достаточно масштабировали производство, чтобы доказать его эффективность. А затем мы каким-то образом сотрудничаем с партнерами для его производства, но получаем доход от продажи материала».
Связанная статья
Шофер говорит, что, хотя она понимает идею попытки переосмыслить науку, она бы посоветовала стартапам «показать нам, как вы собираетесь этого достичь». Она добавляет: «Давайте посмотрим на первые шаги».
Демонстрация этих первых шагов может иметь решающее значение для привлечения крупных существующих компаний, занимающихся производством материалов, к более полному внедрению технологий искусственного интеллекта. Корпоративные исследователи в отрасли уже обжигались раньше — обещаниями, которые звучали на протяжении десятилетий, о том, что все более мощные компьютеры волшебным образом создадут новые материалы; комбинаторной химией, модным увлечением, которое стремительно распространялось в лабораториях материаловедения в начале 2000-х годов, не принеся практически ощутимых результатов; и обещаниями, что синтетическая биология создаст следующее поколение химических веществ и материалов.
В последнее время сообщество материаловедов охватила новая волна ажиотажа вокруг искусственного интеллекта. Частично этот ажиотаж был вызван объявлением DeepMind в 2023 году об открытии «миллионов новых материалов» — утверждением, которое, как оказалось впоследствии, явно было чрезмерным. А ещё больше его подстегнуло сообщение студента-экономиста из Массачусетского технологического института, опубликованное в конце 2024 года, в котором утверждалось, что крупная, неназванная корпоративная научно-исследовательская лаборатория использовала ИИ для эффективного изобретения множества новых материалов. Казалось, ИИ уже совершал революцию в отрасли.
Несколько месяцев спустя экономический факультет Массачусетского технологического института пришел к выводу, что «статью следует снять с публичного обсуждения». Два видных экономиста из MIT, упомянутые в сноске к статье, добавили, что у них «нет уверенности в происхождении, надежности или достоверности данных и правдивости исследования».
Сможет ли ИИ преодолеть ажиотаж и ложные надежды и действительно преобразовать процесс открытия новых материалов? Возможно. Существует множество доказательств того, что он меняет методы работы материаловедов, предоставляя им, по крайней мере, полезные лабораторные инструменты. Исследователи все чаще используют линейные модели материалов для анализа научной литературы и выявления закономерностей в экспериментальных данных.
Но пока еще рано говорить о превращении этих инструментов ИИ в реальные открытия в области материаловедения. Использование ИИ для управления автономными лабораториями, в частности, только начинается; создание и тестирование требуют времени и больших денег. Утром, когда я посетил Lila Sciences, ее лаборатории были в основном пусты, и сейчас компания готовится переехать в гораздо большее помещение в нескольких милях оттуда. Periodic Labs только начинает создавать свою лабораторию в Сан-Франциско. Она начинает с ручного синтеза, управляемого прогнозами ИИ; ее роботизированная высокопроизводительная лаборатория появится в ближайшее время. Radical AI сообщает, что ее лаборатория почти полностью автономна, но планирует вскоре переехать в более просторное помещение.
Когда я разговариваю с научными основателями этих стартапов, я слышу вновь пробудившийся энтузиазм по поводу области, которая долгое время оставалась в тени разработки лекарств и геномной медицины. Во-первых, это деньги. «Вы видите огромный энтузиазм по поводу объединения ИИ и материалов, — говорит Седер. — Я никогда не видел, чтобы в материаловедение вкладывалось столько денег».
Возрождение индустрии материалов – это задача, выходящая за рамки научных достижений. Она подразумевает убеждение компаний в необходимости совершенно нового подхода к исследованиям и разработкам.
Но стартапы извлекают выгоду из огромной дозы уверенности, заимствованной у остальной части индустрии ИИ. И, возможно, после многих лет осторожности это именно то, что нужно материальному бизнесу.
Источник: www.technologyreview.com
