Co AI w odkryciach białek i materiałów może twierdzić, a czego nie

Spór nie dotyczy tego, czy oprogramowanie coś zrobiło. Chodzi o to, co wolno objąć słowem odkrycie. Anthropic podał, że jego system 950 agentów wychwycił powtarzalny wzorzec wokół znanego enzymu po 21 godzinach pracy. Spór jako pierwszy opisał MIT Technology Review 28 września.

Biolodzy zaprotestowali w ciągu kilku dni.

Lucas Harrington, biolog i autor szeroko udostępnianej krytyki, przekonywał, że znalezienie dziwnego skupiska genów i powtórzeń to zwykle łatwa część. Trudna polega na ustaleniu, co ten układ faktycznie robi.

Krytykę poparł prezes i dyrektor generalny Eli Lilly, podał MIT Technology Review. Drugi biolog, Mario Rodríguez Mestre z Uniwersytetu w Kopenhadze, powiedział w weekend, że jego zespół znalazł ten sam wzorzec już wcześniej i że regularnie rozmawia z Claude w swojej pracy. Zastanawiał się, czy zespół Anthropic nie nauczył się czegoś z tych rozmów. Anthropic temu zaprzecza. Mestre i tak rezygnuje z korzystania z Claude.

Dlaczego poprzeczka ma znaczenie w pracy nad białkami

Ta sama niejednoznaczność przewija się przez resztę dziedziny AI w biologii. Warto rozdzielić trzy rzeczy, które zwykle wrzuca się do jednego worka: przewidywanie struktury, projektowanie cząsteczki i dowód, że cząsteczka robi coś pożytecznego w żywym organizmie.

Przewidywanie struktury jest najbardziej dojrzałe.

Niedawne prace zebrane w dossier pokazują, jak daleko posunęła się strona projektowa. Sterowane przez AI laboratorium chmurowe do inżynierii białek dostało 20 000 000 dolarów od National Science Foundation. Hansa Biopharma ogłosiła 1 października, że będzie pracować z Cradle nad projektowaniem białek z użyciem AI. Badacze opisali też, jak wykorzystali przewidywanie struktur przez AI, żeby przyspieszyć poszukiwania klejów molekularnych, czyli małych cząsteczek, które zmuszają dwa białka do zbliżenia się. Każda z tych rzeczy to realna możliwość. Żadna nie jest wynikiem klinicznym.

Weryfikacja to miejsce, w które dziedzina wkłada teraz wysiłek. 1 października DeepMind oznakował białka znakiem wodnym, żeby laboratoria mogły je sprawdzać. Powiązany raport z 30 września opisywał SynthID Bio jako sposób zabezpieczania sekwencji białek generowanych przez AI. Logika jest prosta: jeśli model potrafi wypluć tysiące prawdopodobnych projektów, wąskim gardłem staje się nie generowanie, lecz sprawdzanie, czy którykolwiek z nich zachowuje się zgodnie z twierdzeniem.

Ta zmiana jest widoczna także poza biologią.

Ten sam wzorzec widać w materiałach. Modele AI proponują tam kandydatów na związki szybciej, niż jakiekolwiek laboratorium zdoła je zsyntetyzować i przetestować. Dossier nie podaje w tym tygodniu ani jednego głośnego wyniku z materiałów, więc uczciwie trzeba powiedzieć, że spór w biologii jest zwiastunem problemu, z którym mierzy się cała dziedzina.

"Znalezienie dziwnego skupiska genów i powtórzeń to zwykle łatwa część. Trudna część, i to z niej biorą się prawdziwe odkrycia, polega na ustaleniu, co ten układ faktycznie robi."

Ten cytat z viralowego wpisu Harringtona jest sednem sprawy. Przytoczył go MIT Technology Review, nie Anthropic, i firma nie odpowiedziała na niego merytorycznie w materiale, do którego tu dotarliśmy.

Osobne odkrycie, i to czystsze

Nie każde niedawne twierdzenie jest kwestionowane w ten sam sposób. Astronomowie poinformowali 15 września, w pracy zamieszczonej na arXiv, o pierwszym bezpośrednim wykryciu emisji radiowej zorzy pochodzącej z egzoplanety, olbrzymiej planety beta Pictoris b, przy użyciu sieci MeerKAT. Zespół, Kevin N. Ortiz Ceballos, Edo Berger i Yvette Cendes, wykrył szybkie, powtarzające się i silnie kołowo spolaryzowane rozbłyski oraz emisję trwałą na częstotliwościach od 0,85 do 3,5 GHz.

Autorzy identyfikują sygnał jako promieniowanie masera cyklotronowego elektronów, co oznacza pole magnetyczne o indukcji co najmniej 1,25 kG na planecie. To pierwszy bezpośredni pomiar siły pola dla egzoplanety. Zwróć uwagę, co czyni to twierdzenie trwałym: konkretny instrument, konkretny sygnał, konkretny mechanizm fizyczny i liczba, którą inne zespoły mogą próbować odtworzyć własnymi teleskopami. Żaden agent AI nie jest tu brany za sprawcę.

Ten kontrast nie jest argumentem, że AI nie może przyczynić się do odkrycia. Chodzi o to, jak sformułowane jest twierdzenie. Zawężenie 200 000 kandydatów do kilku wartych przetestowania to prawdziwa praca naukowa, jak zauważył MIT Technology Review. Chatbot ogólnego przeznaczenia, który ją wykonuje, jest wart uwagi nawet wtedy, gdy ludzie nim kierowali i sami przeprowadzili eksperymenty.

Precedens matematyczny

Wzorzec nie jest unikalny dla biologii. We wrześniu OpenAI podało, że jego agenci rozgryźli wart milion dolarów problem matematyczny. Kilka tygodni później, jak relacjonował MIT Technology Review, sceptycy wobec AI udostępniali artykuł pytający, czy naprawdę chodziło o ten problem matematyczny. Tekst nie twierdził, że rozwiązanie OpenAI jest błędne. Twierdził, że wynik może nie być tym, na którym matematykom zależy najbardziej. Pewien matematyk zarzucił też modelom użycie jego pracy bez podania źródła.

Gdy firma przedstawia swój wynik jako odkrycie, a nie rezultat narzędzia, debata zwija się do dwóch odpowiedzi, przełom albo klapa, a wszystko pomiędzy znika. To właśnie ten mechanizm biolodzy kwestionują, bardziej niż konkretny wzorzec wokół enzymu.

Propozycja Harringtona była wprost: firmy AI powinny już teraz ustawić poprzeczkę wysoko, żeby gdy AI naprawdę odkryje fundamentalnie nowy mechanizm biologiczny, wszyscy docenili, jak wielka to sprawa. MIT Technology Review zauważył, że gdy Sam Altman i Dario Amodei ścigają się, kto kogo przebije, podnoszenie tej poprzeczki może być ostatnią rzeczą, o jakiej myślą.

Na co patrzeć

Dwie daty będą ważne w kolejnej fazie. MIT Technology Review opublikuje 6 października swoją listę Climate Tech Companies to Watch na 2026 rok. Nie rozstrzygnie to sporu w biologii, ale pokaże, które firmy redakcja uznaje za dostarczające mierzalnych efektów, a nie samych zapowiedzi.

Druga sprawa to pytanie o replikację wokół beta Pictoris b, czyli dokładnie ten rodzaj twierdzenia, który albo przetrwa niezależną obserwację, albo upadnie. Jeśli inna sieć teleskopów potwierdzi rozbłyski, dziedzina dostanie pomiar pola magnetycznego, na którym można budować dalej. Jeśli nie, praca trafi na długą listę pojedynczych detekcji czekających na potwierdzenie.

W pracy nad białkami i materiałami z użyciem AI test jest węższy. Wynik modelu staje się odkryciem, gdy ktoś inny potrafi odtworzyć dane zachowanie w laboratorium mokrym albo w piecu, i gdy rezultat jest tym, czego dziedzina naprawdę szukała. Do tego czasu trafny opis to obiecujący kandydat, nie znalezisko.

Sformułowanie samego Anthropic zaprasza do ostrzejszej lektury. W ogłoszeniu wzorzec nazwano przywodzącym na myśl to, co doprowadziło do CRISPR, który już zmienił naukę i medycynę, zgodnie z relacją MIT Technology Review. To porównanie do mechanizmu z Nagrodą Nobla, zrobione wobec powtarzalnego wzorca wokół znanego enzymu, i dlatego reakcja była tak ostra.

Spór nie rozstrzygnie się w dyskusji. Rozstrzygnie się tym, czy niezależne laboratoria wezmą oznaczony wzorzec i pokażą, co on robi. Ta praca jest powolna, nieefektowna i dokładnie tę część obecne twierdzenia zwykle pomijają.