Ne oldu?

MIT Technology Review'da yayımlanan bir değerlendirme, yapay zekanın bilimi hızlandırma yolunun yaygın kabulden farklı olduğunu savunuyor. Yazının çıkış noktası şu gözlem: her birkaç on yılda bir birileri bilimin sonuna gelindiğini ilan ediyor. 1903'te fizikçi Albert Michelson "fiziksel bilimin olguları tümüyle keşfedildi" diye yazmıştı; 1980'lerde Stephen Hawking kuramsal fiziğin yüzyıl sonunda bitmiş olabileceğini öngörmüştü.

Bu his yapay zekanın gelişiyle yeniden dolaşımda — bu kez bir Nobel ödülüyle birlikte. 2024'te Google DeepMind'dan Demis Hassabis ve John Jumper, protein yapılarını binlerce deneysel ölçümden öğrenerek tahmin eden AlphaFold sinir ağıyla Nobel Kimya Ödülü'nün bir kısmını aldı.

AlphaFold'u mümkün kılan koşul

Yarım yüzyıl boyunca sistematik saldırılara direnen bu zorlu problem çözülmüş göründü ve dünya yaklaşımın vaadine odaklandı. Hassabis ve ekibi AlphaFold'u "yapay zekanın bütün bilimi dijital hıza taşımasının şablonu" olarak nitelendirdi. Biyoloji, kimya ve malzeme keşfi için temel model kuran bir girişim dalgası milyarlarca dolar topladı.

Yazının itirazı burada: AlphaFold derin bir başarı ama onu üreten koşullar nadir. Başarısının birincil koşulu, DeepMind ekibinin modelini üzerinde eğitebildiği Protein Veri Bankası'ydı — yaklaşık 170.000 deneysel olarak doğrulanmış protein yapısından oluşan bir veri kümesi.

Verinin maliyeti

  • Veri kümesi: yaklaşık 170.000 doğrulanmış protein yapısı
  • Kuruluş süresi: 53 yıllık uluslararası bilimsel iş birliği
  • Tahmini deneysel maliyet: yaklaşık 21 milyar dolar
  • Nobel bağı: temel deneysel teknik olan protein kristalografisine 25'ten fazla Nobel Ödülü dayanıyor

Yazıya göre bu ölçekteki çabaların finansmanı meşhur biçimde zor, koordinasyonu neredeyse imkânsız ve yürütülmesi çok zaman alıcı; sonuç olarak çoğu zaman başarısız oluyorlar.

Daha az konuşulan engel

Gerekli uyuma ve kaynağa sahip, verinin ticari sahiplikle erişilmez kılınmadığı alanlarda bile bir engel daha var ve bu yeterince tartışılmıyor: karşılaştırılabilir veriyi üretmenin bilimsel imkânsızlığı.

Protein yapıları örneğinde temel deneysel teknik olan protein kristalografisi olağandışı ölçüde tekrarlanabilir ve güvenilir bir araç — o kadar ki 25'ten fazla Nobel Ödülü ona dayandı. Başka alanlarda aynı güvenilirlikte bir ölçüm tekniği bulunmuyor.

Neden önemli?

Yazının sonucu, yapay zekanın bilime olağanüstü değişiklikler getireceği ama AlphaFold'un bu dönüşümün en iyi şablonu olmayabileceği. O koşulları başka alanlarda karşılamak yıllarla değil onlarca yılla ölçülecek bir süre alacak. Bunun yerine bilimin hızlanması başka bir yaklaşımdan gelecek: yapay zeka ajanları.

Ayrım pratikte şu anlama geliyor: veriye dayalı bir model, o verinin var olmasını bekliyor. Akıl yürüten bir ajan ise verinin üretilmesi sürecine — hangi deneyin yapılacağına, hangi hipotezin denenmeye değer olduğuna — katılabiliyor. Birincisi tarihsel bir birikime bağlıyken ikincisi o birikimi kurma işine giriyor.

Ne kesin değil

Bu bir haber değil, bir değerlendirme yazısı; ajanların bilimsel keşifte ne kadar işe yaradığına dair sayısal bir sonuç sunmuyor. Yazının savı, mevcut yaklaşımın sınırlarına dair bir gözleme ve alternatifin mantığına dayanıyor.