Umělá inteligence už „plíživě“ změnila náš svět, důkaz přišel ze Stockholmu

Analýzu si také můžete poslechnout v audioverzi.

„Vůbec jsem to nečekal,“ svěřil se uznávaný informatik Geoffrey Hinton pár minut poté, co se dozvěděl, že dostal letošní Nobelovu cenu za fyziku. „Jsem naprosto vyvedený z míry.“

Taková prohlášení patří k bonmotu prakticky všech, kteří se mohou „nobelovkou“ pyšnit. Ve skutečnosti nejspíš polovina z nich v klíčový moment seděla u telefonu a na sobě měla čerstvě vyžehlenou košili.

Ale Hintonovi – a jeho kolegovi Johnu Hopfieldovi, se kterým cenu za fyziku sdílí – to překvapení můžeme věřit. Mnohé napadla otázka: Proč dostali cenu za fyziku zrovna informatici? Když pak o den později dostali Nobelovu cenu za chemii tři informatici (jen jeden z nich je kromě toho také biochemik), začalo se spekulovat, zda i jinak spíše konzervativní Nobelův výbor nepodlehl „AI horečce“.

Jenže při bližším pohledu je jasné, že oceněné objevy si své místo na slunci – a uznání vědecké obce– vybojovaly reálnými výsledky.

O umělé inteligenci poslední dva roky čteme na každém kroku, novou vlnu zájmu odstartovaly generativní nástroje jako ChatGPT nebo Gemini. Snad každá odborná konference jako by teď musela mít písmenka AI, aby se vůbec směla pořádat. Mohlo by se tedy zdát, že Nobelův výbor zkrátka následuje módní trend.

Ve skutečnosti je ale výzkum umělé inteligence opravdu starý. Sahá minimálně do padesátých let minulého století. A pokud zahrneme i ryze teoretické začátky, tak se dostaneme až na přelom 18. a 19. století, kdy se poprvé objevily matematické koncepty učení. Tehdy se jim ještě neříkalo „neurony“, ale principy byly podobné. Ve 40. a 50. letech 20. století se pak začalo o neuronech a perceptronech mluvit více a začal se rodit obor umělé inteligence.

Objevy Johna Hopfielda a Geoffreyho Hintona na tyto začátky prakticky navazují. Hopfield vyvinul (respektive zdokonalil a zpopularizoval) Hopfieldovy sítě. Je to v podstatě statistický nástroj, síť výpočtů, která se dokáže „naučit“ a replikovat vzory podle zadaných dat. Namísto toho, aby programátor musel do počítače tyto vzory přímo naprogramovat, se je počítač mohl naučit sám, na základě dat (třeba obrázků), na kterých se natrénoval.

Geoffrey Hinton, známější z obou vědců, přišel s objevem, který kupodivu není pojmenovaný po něm: Boltzmannův stroj, což je důležitý předchůdce dnešních neuronových sítí. Velmi zjednodušeně řečeno oba systémy v rámci svého „trénování“ hledají, jak si data uspořádat cestou nejmenšího odporu.

Oba tyto koncepty jsou tedy – byť poměrně abstraktně – provázané se světem fyziky. Hopfield i Hinton pracovali s konceptem statistické mechaniky. Lze si to představit jako matematický trik, který fyzikové vyvinuli, aby popsali chování složitého systému plného vzájemně se ovlivňujících částeček. Nemusíte znát polohu každé jednotlivé z nich, abyste dokázali předpovědět pravděpodobné chování celku. Stejně tak by se dalo říci, že si informatici půjčili koncepty z biologie, konkrétně neuronů v mozku. Nobelův výbor každopádně slovo „fyzika“ v oficiálním vysvětlení skloňuje hned sedmnáctkrát.

Ne všichni s takovým zdůvodněním souhlasí. „Informatici už mají svou verzi nobelovek, Turingovu cenu, kterou ostatně už Hinton dostal,“ vyjádřil překvapení mnohých vědců Andrew Lensen, který vyučuje AI na Victoria University na Novém Zélandu. A i samotný Hinton nenápadně navrhl: „Kdyby byla Nobelova cena za informatiku, bylo by to samozřejmě vhodnější.“

Jenže obory, za které Švédská královská akademie ceny Alfreda Nobela uděluje, jsou pevně dané. Neudělit cenu významnému objevu, na kterém dnes stojí celá řada dalších technologií, by se naopak dalo považovat za zpátečnické. A Nobelův výbor bývá opatrný; obvykle uděluje ceny s odstupem času za objevy, které prokázaly svůj význam – ale nechce uváznout v minulosti.

Zřejmě proto udělal ze svého konzervativního pravidla výjimku hned další den. Cenu za chemii rozdělila komise na polovinu mezi tři vědce. Jednu polovinu získal Američan David Baker, který je ve svém oboru doslova „superstar“. Byl oceněn za přínos k vytváření nových, v přírodě se nevyskytujících bílkovin. Tedy za to, že rozšířil možnou paletu stavebních kamenů živých organismů o úplně nové „barvy“, se kterými by mělo být možné vytvářet věci v přírodě nevídané.

Bakerův přínos k oboru je ovšem širší a dotýká se i oblasti, za kterou byla udělena druhá polovina ceny: totiž za využití „umělé inteligence“ k vyřešení otázky tvaru bílkovin. Tu dostali Demis Hassabis a John Jumper z laboratoří DeepMind (dnes Google DeepMind).

Práce těchto dvou odborníků a jejich kolegů z firmy mezi lety 2018 a 2020 spustila doslova revoluci v jednom vědeckém oboru. Jasně ukázali, že software založený na přístupech hlubokého učení může efektivně řešit jeden z největších problémů vědeckého výzkumu: předpověď trojrozměrné struktury proteinů.

Objev zásadně změnil způsob, jakým dnes na světě pracují tisíce vědců. Mohla by to být předzvěst budoucnosti i v dalších vědeckých oborech - a nejen jich. A také ukazuje, jak „plíživě“ umělá inteligence náš svět změnila, mění a bude měnit.

Počítání struktury bílkovin patřilo dlouho k nejtěžším úlohám současné vědy. V polovině 90. let dokonce vznikla soutěž nazvaná CASP, kde týmy závodily v „simulovaném skládání protenů“. Pokrok byl v následujících 20 letech tak pomalý, že organizátoři uvažovali o jejím zrušení.

Přelomový okamžik nastal v roce 2018, kdy se do soutěže CASP poprvé zapojila společnost DeepMind s modelem AlphaFold.

Jejich přístup, založený na hlubokém učení neuronových sítí, umožnil poprvé předpovědět strukturu proteinů s přesností, která se blížila experimentálním metodám. V roce 2020 pak vylepšený AlphaFold 2 dosáhl přesnosti 92 %, což bylo obrovské zlepšení oproti předchozím pokusům.

Období stagnace skončilo. Díky AlphaFold (a nástrojům, které se jím inspirovaly) se vědcům rychle podařilo udělat „více práce“ než za předchozího půl století.

„Nikdo nepochybuje, že ocenění jsou ti praví a že jde o průlom, který už změnil výzkum v oboru a bude mít řadu dalších druhotných dopadů,“ říká Marián Novotný z Přírodovědecké fakulty v Praze a dodává: „Překvapivé je snad jedině to, že cena přišla tak brzy.“

I když s výsledky této „proteinové revoluce“ se setkávají v tuto chvíli jen odborníci v oboru, mezi experty převládá názor, že jeho vliv se brzy rozšíří. Jedním z nejvýznamnějších přínosů umělé inteligence by mělo být výrazné urychlení vývoje nových léků.

Aplikace však přesahují daleko za rámec farmaceutického průmyslu. Predikce proteinů otevírá dveře k řešení mnoha dalších biologických problémů. Vědci mohou navrhnout nové enzymy, které budou schopné rozkládat plastové odpady nebo efektivněji využívat přírodní zdroje. Přesnější znalost bílkovin nám umožní lépe pochopit, jak funguje evoluce, vyvíjet nové metody pro manipulace a úpravu buněk nebo přesněji zasahovat do dnešních ekosystémů. Tyto druhotné dopady se projeví až za delší dobu, nejspíše desetiletí, ale jejich vliv na biologii a související obory může být zcela zásadní.

Skutečnost, že AI uspěla právě v této oblasti, není náhodná. Existují dobré důvody, proč se právě tento obor stal místem, kde umělá inteligence zaznamenala jeden ze svých největších dosavadních úspěchů.

Jeden už jsme zmínili: „hrubá síla“, kdy počítače zkoušejí všechny možné podoby bílkovin, se tady použít z praktických důvodů nedala. Ani vesmír by v takovém případě nevydržel počkat na výsledek. Pak ale desetiletí trvající vývoj ve výpočetní technice a také v softwaru v druhé dekádě 21. století dospěl do fáze, ve které se počítače mohly „naučit intuici“.

Další důvod je méně zjevný a zajímavější: je jím dostupnost velkého množství otevřených dat právě v oboru předpovědi podoby bílkovin. Vědci po celém světě v laboratořích pracně sbírali údaje o podobě bílkovin – a jen proto, aby je pak mezi sebou otevřeně sdíleli v plně přístupných databázích.

To poskytlo umělé inteligenci dostatečný tréninkový materiál, na kterém se mohla učit. AlphaFold tedy nemusel začínat od nuly. Autoři modelu měli zadarmo po ruce obrovské množství spolehlivých a ověřených údajů, na kterých se mohl naučit, jak se bílkoviny skládají.

Důležitost otevřených dat pro úspěch modelu společnosti DeepMind je vidět i na tom, co mu dnes stále nejde: ​„Problémy, na které dnes AlphaFold stále nedosáhne, jsou do značné míry ty, o kterých nemáme k dispozici dobré výsledky z laboratorních pokusů,“ říká Marián Novotný.

Jde o důležité připomenutí skutečnosti, že současná podoba umělé inteligence není rozhodně všemocná. V oborech, kde není k dispozici množství otevřených dat, bude její přínos ve stávající podobě mnohem omezenější. V některých případech může zase dojít k „monopolizaci pokroku“, pokud budou důležitá data vlastněna pouze jedním nebo několika komerčními subjekty. I to může být za určitých okolností z hlediska společnosti jako celku nevýhodné.

Když v roce 2020 AlphaFold prolomil výkon všech předchozích modelů, biolog Jan Černý z Univerzity Karlovy k tomu řekl: „Pro nás v oboru to bude jako přistání na Měsíci. Každý si bude pamatovat, kde byl, když to oznámili.“ Takový význam měla událost pro „zasvěcence“.

Většina světa si přitom nevšimla. Samozřejmě, ve vědě nejde o úplně výjimečnou situaci –odborníci vidí zásadní změnu, veřejnost má své starosti a zájmy. Úspěch AlphaFold ale je v něčem jiný: je to důkaz, že revoluce vyvolaná současnou generací AI už skutečně probíhá. Neskrývá se někde v budoucnosti.

Není to patrné i proto, že se nešíří rovnoměrně napříč všemi obory lidské činnosti. Některé změnila, některé mění, některé teprve měnit bude.

Každý vědec – a nejenom vědec, doslova kdokoli – bude nyní mít k dispozici celý tým asistentů. Jak je využije, bude záležet na tom, do čeho se pustí. Ale už nyní je zřejmé, že to bude silný nástroj. Katalyzátor změn. Podobně jako kdysi dynamit - vynález, který Alfredu Nobelovi vydělal pohádkové jmění a umožnil mu posmrtně financovat „nobelovky“.

„Zatím vidíme jen špičku ledovce,“ domnívá se biochemik Dave Winkler z australské La Trobe University. „V oboru umělé inteligence dělám 30 let. Napřed to byly malé neuronové sítě, které byly velmi užitečné ve specifických oblastech. Ale teď se dostáváme k něčemu, čemu se dá říkat obecná AI. Myslím, že všichni v oboru, i experti, jsou překvapeni, jak dobře tyto systémy umí generalizovat.“

Umělá inteligence neuspěje všude (viz výše zmíněný problém dostupných dat), můžeme však očekávat, že tam, kde AI uspěje, přinese podobně zásadní změny. Až se tak stane, promění se daný obor stejně radikálně, jako tomu bylo u biologie s nástupem AlphaFold. Běžná veřejnost si však těchto revolucí možná všimne až později, kdy jejich důsledky začnou ovlivňovat každodenní život. Pokrok ve vědě podpořený umělou inteligencí tak může probíhat izolovaně v jednotlivých oborech, ale z dlouhodobého hlediska mít dalekosáhlý dopad na celou společnost.

Letošní ročník nejslavnějších vědeckých cen má až nezvykle aktuální význam a připomíná, že AI už náš svět mění. Takže až váš obor nebo profese zažije svůj „AlphaFold moment“, nestěžujte si, že vás nikdo neupozornil.

Zapojení umělé inteligence do všech oblastí má i své stinné stránky. Jedním z těch, kteří nešetří kritickými slovy na adresu umělé inteligence, je ostatně právě Geoffrey Hinton.

Čerstvý nobelista a jeden z „otců umělé inteligence“ loni opustil firmu Google, prý aby se mohl naplno věnovat právě osvětě týkající se nebezpečí AI. „Odešel jsem, abych mohl mluvit o nebezpečí umělé inteligence, aniž bych bral v úvahu, jaký to má dopad na Google,“ uvedl tehdy Hinton.

Výtek k zapojení AI je celá řada. Nejčastěji lidé upozorňují na to, jak lze nové nástroje generativní umělé inteligence využít ke generování falešného obsahu, podvodům, manipulacím nebo šmírování.

Hintonova varovná slova jsou ale obecnějšího charakteru: „Uvědomil jsem si náhle, že tyhle věci (myšleno AI systémy, pozn. red.) budou v budoucnu mnohem chytřejší než my,“ vysvětlil v loňském rozhovoru Hinton. „Jak to přežijeme?“

Podobně jako kdysi sám Nobel, i Hinton zpětně lituje své role: „Utěšuji se tím, že kdybych to neobjevil já, objevil by to někdo jiný.“

Cena Alfreda Nobela mu nyní dá ještě větší platformu k tomu, aby svého vlivu využil k vysvětlení rizik dynamitu naší doby.

A stejně jako musí zápalnou šňůru dynamitu někdo zapálit, tak také AI nástroje nedělají nic samy od sebe. Jsou natrénované na v podstatě všech lidských znalostech, ale jsou to stále lidé, kteří je ovládají. A mohou nasměrovat k novým objevům, které by jinak byly mimo jejich možnosti.