Ještě před několika lety se u umělé inteligence řešilo hlavně to, jestli dokáže napsat použitelný text, vytvořit obrázek nebo naprogramovat jednoduchou aplikaci. Dnes se začíná otevírat mnohem zajímavější otázka: dokáže AI pomáhat objevovat věci, které zatím nikdo nezná?
Anthropic tento týden ukázal experiment, ve kterém Claude pomáhal navrhovat nové proteinové vazače. Z celkem 1 320 návrhů vzniklo 354 funkčních binderů proti 14 z 15 biologických cílů. Neznamená to, že Claude přes noc vyřešil biologii nebo začal sám vyrábět nové léky. Ukazuje to ale něco podstatnějšího: obecný AI model už dokáže vstoupit do velmi odborného vědeckého procesu, používat specializované nástroje, pracovat s výsledky a navrhovat další postup.
A právě tady může začínat mnohem větší změna, než jakou představuje další lepší chatbot.
Od poznávání přírody k jejímu navrhování
Proteiny jsou jedním ze základních stavebních kamenů života. Fungují jako enzymy, přenášejí signály, vytvářejí struktury buněk a stojí za obrovskou částí procesů, které se v organismu odehrávají. Po desetiletí bylo jedním z velkých vědeckých problémů vůbec zjistit, jak se konkrétní protein složí do trojrozměrného tvaru a proč díky tomu funguje právě určitým způsobem.
Velký skok přinesl AlphaFold od DeepMindu, který dokázal velmi přesně předpovídat strukturu proteinů z jejich aminokyselinové sekvence. Za práci kolem proteinových struktur a jejich výpočetního návrhu byla v roce 2024 udělena i Nobelova cena za chemii.
Jenže předpovídat, jak vypadá protein vytvořený přírodou, je pouze jedna část problému. Mnohem odvážnější otázka zní: dokážeme navrhnout úplně nový protein, který v přírodě vůbec neexistuje, ale bude dělat přesně to, co potřebujeme?
Právě tam se výzkum v posledních letech posunul. Systémy jako RFdiffusion dokážou generovat nové proteinové struktury podle požadovaných vlastností a část těchto návrhů už byla experimentálně ověřena v laboratořích. Google DeepMind zase s AlphaProteo ukázal návrhy nových proteinových vazačů, které mohou být využitelné například ve vývoji léčiv, diagnostice nebo biologickém výzkumu.
Claude tedy nevstupuje do prázdného prostoru. Přichází do oblasti, která už několik let prochází velmi rychlou změnou. Nové je spíš to, jakou roli v ní může obecný jazykový model převzít.
AI nemusí být nejlepší biolog na světě
Na experimentu Anthropicu je zajímavé právě to, že Claude sám nenahrazuje specializované proteinové modely. Používá je.
To může být do budoucna zásadní rozdíl. Vědec také nemusí být nejlepší statistik, programátor, chemik, biolog a specialista na každý laboratorní přístroj zároveň. Potřebuje ale rozumět problému natolik, aby dokázal správně kombinovat nástroje, vyhodnocovat výsledky a měnit postup podle toho, co z experimentu vychází.
Přesně tuto roli se dnes učí plnit AI agenti. Model dostane vědecký problém, vybere vhodný nástroj, připraví vstupy, zpracuje výsledky a rozhodne, jak má pokračovat. Claude už Anthropic testoval také při interpretaci laboratorních dat, například NMR spekter používaných v chemii ke zkoumání struktury molekul.
Samotný jazykový model tedy nemusí znát odpověď. Stačí, když dokáže řídit proces, který k ní může vést.
To je možná důležitější změna než honba za tím, který model má o dvě procenta lepší benchmark. Vědecký výzkum je totiž z velké části právě série podobných kroků: přečíst literaturu, vytvořit hypotézu, navrhnout experiment, vyhodnotit data, zjistit, že polovina nápadů byla k ničemu, a zkusit něco dalšího.
AI má jednu velkou výhodu. Únavu, nudu ani odpor ke čtení tisícího článku zatím nezná.
Největší revolucí může být rychlost
V biologii je počet možných kombinací prakticky nepředstavitelný. Protein složený ze stovek aminokyselin může existovat v tak obrovském množství variant, že není možné je všechny fyzicky vytvořit a otestovat.
Evoluce měla miliardy let na to, aby tento prostor prohledávala metodou pokusu a omylu. Výzkumné laboratoře takový luxus nemají.
Generativní modely mohou hledání dramaticky zúžit. Místo milionů náhodných možností mohou nabídnout několik stovek nebo tisíc kandidátů, u kterých je mnohem vyšší pravděpodobnost, že budou mít požadovanou strukturu nebo funkci. Laboratoř pak nemusí testovat všechno, ale pouze nejlepší návrhy.
Právě tady by AI mohla výrazně ovlivnit vývoj léčiv. Vývoj nového léku dnes běžně trvá mnoho let a obrovská část kandidátů během procesu selže. AI tento problém nezruší. Ani sebelepší model nepozná z počítače všechny nežádoucí účinky v lidském organismu. Klinické studie a skutečné experimenty nikam nezmizí.
Pokud ale AI dokáže odstranit část slepých uliček už na začátku, může celý proces výrazně zrychlit a zlevnit. Nemusí vynalézt lék sama. Stačí, když výzkumníkům pomůže rychleji najít kandidáty, kteří mají vůbec šanci fungovat.
A to už je rozdíl, který může mít pro lidstvo podstatně větší hodnotu než to, že nám AI za šest sekund vytvoří obrázek kočky v kosmické lodi.
Laboratoř, která pracuje sama
Další logický krok už není těžké si představit. AI navrhne experiment, automatizovaná laboratoř ho provede, přístroje změří výsledek a AI podle dat navrhne další pokus.
Takové systémy už nejsou čistá science fiction. Výzkumné laboratoře experimentují s takzvanými self-driving laboratories, kde robotika, automatizace a strojové učení tvoří uzavřený cyklus. Člověk nastaví problém a systém potom opakovaně navrhuje, provádí a vyhodnocuje experimenty.
Pokud se něco podobného podaří masově rozšířit, může to výrazně změnit tempo vědeckého výzkumu. Dnešní laboratoř může například zvládnout stovky pokusů. Automatizovaná laboratoř jich může udělat tisíce a při každém výsledku okamžitě upravit další postup.
Zajímavá otázka proto není pouze, zda AI někdy překoná konkrétního vědce. Mnohem zajímavější je, co se stane, pokud umožní jednomu vědeckému týmu udělat během roku práci, která by dnes zabrala deset let.
Výsledky by se navíc mohly navzájem posilovat. Lepší materiály mohou vést k lepším čipům, lepší čipy k výkonnější AI a výkonnější AI k ještě rychlejšímu výzkumu. V určitém okamžiku by se tak mohl začít zrychlovat samotný cyklus technologického pokroku.
To je samozřejmě stále spekulace. Směr vývoje ale už vidět je.
Medicína není jediná oblast
Proteinový design přirozeně vede hlavně k představě nových léků, ale možnosti jsou mnohem širší. Nové enzymy mohou pomoci v chemickém průmyslu, při výrobě materiálů nebo při zpracování odpadu. Jiné proteiny mohou být využity v zemědělství, diagnostice nebo při výrobě biologických materiálů.
AI může stejným způsobem hledat nové slitiny, katalyzátory, bateriové materiály nebo sloučeniny s vlastnostmi, které dnes neumíme jednoduše navrhnout.
A podobný posun je vidět dokonce i v matematice. Stále více výzkumu se věnuje systémům, které nejen navrhují matematické důkazy, ale dokážou je také formálně ověřovat pomocí nástrojů, jako je Lean. Zde vzniká zajímavý model spolupráce: AI může vygenerovat velké množství nápadů, ale každý z nich musí projít nezávislou kontrolou.
V biologii je tím kontrolním mechanismem laboratoř. V matematice formální důkaz. Ve fyzice experiment a měření.
Právě tato kombinace může být klíčem k tomu, aby AI ve vědě byla skutečně užitečná. Nevěřit modelu proto, že odpověď zní přesvědčivě, ale nechat ho produkovat hypotézy, které lze ověřit.
Nová věda může mít i nové problémy
Bylo by samozřejmě příliš jednoduché udělat z celého vývoje jen optimistický příběh. Technologie, která umí navrhovat biologické molekuly, nerozlišuje mezi tím, zda mají léčit nemoc, nebo člověku ublížit.
Právě proto se v odborné komunitě stále více řeší takzvané dual-use riziko. Stejný model, který dokáže vytvořit nový terapeutický protein, může teoreticky pomoci také při návrhu toxinu nebo jiného nebezpečného biologického materiálu.
Výzkumníci kolem Davida Bakera i dalších laboratoří proto upozorňují, že bezpečnost nebude možné řešit jen uvnitř AI modelů. Kritická bude také kontrola míst, kde se digitální návrh mění ve skutečný biologický materiál, například při objednávání syntetické DNA.
To dává smysl. Textový soubor s genetickou sekvencí sám o sobě nikoho neohrozí. Problém začíná ve chvíli, kdy ho někdo dokáže převést do fyzického světa.
Dalším rizikem je samotná složitost biologie. AI může navrhnout protein, který v laboratorním testu funguje dokonale, ale uvnitř lidského těla se začne chovat úplně jinak. Může vyvolat imunitní reakci, vázat se na jiné molekuly nebo způsobit účinek, který model nedokázal předvídat.
Proto by bylo naivní předpokládat, že s příchodem AI zmizí potřeba experimentů nebo vědců. Spíš se může stát pravý opak. Modely budou produkovat tolik zajímavých návrhů, že největším problémem nebude jejich vytvoření, ale schopnost všechny důkladně ověřit.
Vědci nezmizí. Jejich práce se ale může změnit
Pokud se tento vývoj opravdu rozjede, práce vědců se pravděpodobně neposune směrem k nezaměstnanosti, ale k jiné úrovni rozhodování.
Méně času může zabírat rutinní vyhledávání literatury, zpracování dat, programování nebo navrhování první série experimentů. Více času naopak může připadnout na výběr správných problémů, interpretaci výsledků a rozhodování o tom, co má vůbec cenu dál zkoumat.
V prostředí, kde AI dokáže během několika hodin vytvořit tisíce hypotéz, totiž přestává být největším problémem nedostatek nápadů. Problémem je poznat, které z nich stojí za čas, peníze a laboratorní kapacitu.
To může paradoxně zvýšit hodnotu opravdu dobrých vědců. Ne těch, kteří zvládnou nejrychleji zpracovat tabulku dat, ale těch, kteří dokážou položit správnou otázku.
Skutečná revoluce možná nebude chatbot
Celá současná vlna generativní AI je zatím veřejností vnímaná hlavně prostřednictvím chatbotů, obrázků, videí a programování. Jsou to technologie, které vidíme každý den, takže logicky získávají největší pozornost.
Jenže ve skutečnosti mohou být vedlejším produktem mnohem větší změny.
Dosavadní AI pracovala převážně s tím, co už lidstvo vytvořilo. Četla naše texty, analyzovala naše obrázky, používala naše programovací jazyky a skládala z existujících znalostí nové kombinace.
Věda je jiná. Jejím cílem není pouze přeorganizovat to, co už víme. Jejím cílem je zjistit něco, co zatím neví vůbec nikdo.
Claude navrhující funkční proteinové vazače samozřejmě není důkazem, že máme autonomního digitálního vědce. Je to jeden experiment a podobné výsledky musí být opakovaně ověřovány nezávislými laboratořemi. Vedle něj ale vznikají nové proteinové modely, automatizované laboratoře, systémy pro návrh materiálů a AI nástroje pro matematiku, chemii i fyziku.
Jednotlivě mohou působit jako zajímavé experimenty. Dohromady už ale začínají vytvářet poměrně jasný obraz.
AI se pomalu přesouvá od zpracování lidských znalostí k aktivní pomoci při jejich vytváření.
Pokud se tento trend udrží, možná jednou zjistíme, že nejdůležitějším výsledkem celé dnešní AI horečky nebyly chatboty, automatické programování ani generované video. Byla to technologie, která lidstvu umožnila dělat vědu rychleji, levněji a v oblastech, kde by lidská práce sama nestačila.
A pokud nám AI jednou pomůže dostat nový lék k pacientům o několik let dříve, navrhnout materiál, který dnes neumíme vyrobit, nebo pochopit biologický mechanismus, na který bychom jinak čekali další desetiletí, pak budou dnešní nekonečné debaty o tom, který chatbot píše lepší e-maily, působit zpětně docela směšně.
