Behövs ens Nobelpriset om Demis Hassabis AI-teknik når målet?

Det är så många frågor som snurrar runt i huvudet efter beskedet att Demis Hassabis, chef på Google Deepmind, fått Nobelpriset i kemi.

Som: Är det här första gången en dataspelsutvecklare får ett Nobelpris? Borde vi inte säga mer om de osjungna hjältar som gjort Deepminds genombrott möjligt? Hur länge dröjer det innan vi på allvar måste överväga att ge artificiell intelligens ett Nobelpris? Och vänta nu, har jag inte någon gammal tweet där jag uppmanade Kungliga Vetenskapsakademien att belöna Demis Hassabis?

Jag lovar att försöka svara på alla dessa frågor. Men först några (eller ganska många) rader om vad det är som hänt.

INNOVATION

Tre delar Nobelpris i kemi – knäckt koden för proteinernas strukturer

Juryn skriver:

”Att till fullo förstå och behärska livets kemiska verktyg – proteiner – har länge varit kemisters dröm. Nu är denna dröm inom räckhåll. Demis Hassabis och John M. Jumper har med hjälp av artifciell intelligens lyckats förutspå formen hos nästan alla kända proteiner. David Baker har lärt sig behärska livets byggsats och skapat proteiner som aldrig tidigare har existerat. Potentialen i deras upptäckter är enorm.”

När vi talar om liv brukar vi associera det med celler och arvsmassa. När vi talar om proteiner brukar vi associera dem med det näringsämne vi måste se till att äta tillräckligt av.

Men för kemister och biologer är proteiner det levandes teknik. Naturens ingenjörskonst. Proteiner är byggstenarna i organismers strukturer, dess kommunikationssystem och katalysator för kemiska reaktioner. Ibland är de bokstavligt talat maskiner. Ta till exempel motorproteinet helikas vars funktion är att separera två sammanlänkade dna-strängar och öppna upp helix-strukturen (se video nedan):

Proteiner byggs av 20 olika typer av aminosyror som kan kombineras i det oändliga. Först kan man tänka på en kedja av aminosyror som pärlor trädda på ett band. Sedan kan man föreställa sig att någon tar tag i pärlbandet och viker det i olika former. Liknelsen är kanske inte perfekt, men det är dessa veckade tredimensionella strukturer av aminosyrakedjor som ger proteinet dess form. Och – helt avgörande – det är formen som bestämmer proteinets funktion.

Om vi känner till formen på ett protein kan vi förstå hur det interagerar med sin omgivning, vilket är avgörande för att kunna påverka, kontrollera och modifiera det på ett effektivt och precist sätt. Vi ges helt nya verktyg för att bland annat reparera eller optimera livets maskineri.

Klurighet och möjlighet

Forskningen på det här området tog fart på 1950- och 1960-talet då man för första gången lyckades avbilda proteiner.

Ungefär här uppstod å ena sidan en stor klurighet och å andra sidan en fantastisk möjlighet.

Klurigheten: Att slumpmässigt leta efter ett proteins korrekta veckning skulle ta längre tid än universum existerat. Rätt opraktiskt.

Möjligheten: I själva verket veckar sig proteiner på millisekunder. Alltså måste det röra sig om en styrd process. Det borde med andra ord finnas information i sekvensen av aminosyror som avslöjar proteinets struktur.

Hur man skulle dechiffrera den gåtan kom att kallas prediktionsproblemet. Om du för bara tio år sedan hade frågat en strukturbiolog om hen såg någon lösning i sikte hade svaret garanterat blivit nej. Det var som med fusionsenergi: alltid många, många årtionden bort.

Tidskrävande metoder

I själva verket hade de forskare som ibland ägnat halva karriären åt att kartlägga ett par proteiner med de besvärliga, dyra och tidskrävande metoder som stod till buds lagt grunden för Deepminds genombrott. Medan forskarna väntade på att någon skulle lösa prediktionsproblemet använde de mestadels röntgenkristallografi för att strukturbestämma proteiner. Förmodligen utan att förstå hur betydelsefullt det arbetet skulle visa sig bli.

Av 200 miljoner kända proteiner hade man fram till för några år sedan kartlagt ungefär 200 000.

För varje nytt protein som kartlagts har vår förståelse för biologiska processer ökat. Men kartläggningen hade, vet vi nu, ett större värde än så: som träningsdata för modern artificiell intelligens.

INNOVATION

Så har Deepminds AI-system revolutionerat forskningen

Transformer-teknik

Google Deepminds ai-modell Alphafold 2 är ett neuralt nätverk som bygger på transformer-teknik, den metod som blivit känd mest tack vare stora språkmodeller som GPT-4. Men utan de hundratusentals proteiner som kartlagts tidigare hade den inte kommit någon vart. Med dem kunde modellen raskt förutspå strukturen för övriga 200 miljoner proteiner.

De osjungna hjältarna jag talade om ovan är alltså alla de forskare som i över 50 år stretat på i detta biokemiska ingemansland och som Kungliga Vetenskapsakademien noterar har ”banat vägen för 2024 års Nobelpris i kemi”.

De här förtar emellertid inte Demis Hassabis bedrift.

Så här i efterhand känns det som om kursen mot ett Nobelpris var utstakad när Demis Hassabis blott var fyra år. Det var nämligen då han lärde sig spela schack. Som tonåring rankades han som en av de bästa ungdomsspelarna i världen.

Utvecklade dataspel

Under 90-talet förknippades han mest med – betydligt mer sällsynt i Nobelsammanhang – dataspel. Han programmerade klassikern Theme Park och deltog i utvecklingen av det prisbelönta spelet Black & White. Det senare spelet hade en typ av ai som kallas förstärkningsinlärning (reinforcement learning) - vilken senare kom att spela en avgörande roll för bolaget Hassabis grundade 2010: Deepmind.

Deepminds första stora genombrott kom 2016, när de lät ai-modellen Alphago ta sig an och vinna mot världens bästa spelare i brädspelet Go. Med hjälp av förstärkningsinlärning klarade Alphago något som ai-forskare – precis som med Alphafold – trodde låg långt in i framtiden.

Utöver Alphafold har Deepmind (som köptes av Google 2014) bland annat utvecklat Alphageometry, en modell som löser matteproblem och Alphachip, som designar bättre ai-chip.

Häromåret tog Demis Hassabis kommando över all ai-utveckling på Google. Det är han som ska se till att företaget håller jämna steg med Open AI.

Kommer Nobel att spela ut sin roll?

Hassabis har länge sagt att Google Deepminds mål är att skapa artificiell generell intelligens, ett system han beskriver som ”kapabelt att utföra alla de kognitiva uppgifter en människa kan utföra”. Likt många andra som jobbar i ai-utvecklingens frontlinje har hans tidshorisont för när vi kan förvänta oss sådana system flyttats bakåt markant de senaste åren. Hassabis spår nu radikala framsteg inom hälsa, energi och produktivitet inom ett årtionde.

Och om Google Deepmind lyckas är kanske inte frågan om vi ska överväga att ge ai ett Nobelpris det som är relevant. Utan snarare om den här typen av utmärkelser helt kommer att spela ut sin roll i en era där människan inte längre står för innovationen.

Men än så länge delas de ut och om man ser till genomslaget som Deepminds teknik redan haft – och den omstörtande betydelse den kan innebära på sikt – är Demis Hassabis en värdig vinnare. Som du kan se nedan har jag varit av den åsikten ett tag.

läs mer

Nobelpristagare i första intervjun: ”Det är väldigt surrealistiskt”

Deepminds AI-modell designar nya AI-chip: ”Övermänskligt”

De skriver om spelreglerna: ”Tror knappt det är sant”