Google DeepMind-directeur en Nobelprijswinnaar John Jumper
Getty-afbeeldingen
Wduivin John Jumper Toen hij eerder deze maand het telefoontje kreeg van de Koninklijke Zweedse Academie van Wetenschappen dat hij de Nobelprijs zou winnen, antwoordde hij bijna niet.
De directeur van Google DeepMind, het formidabele AI-laboratorium van de technologiegigant, herkende het Zweedse netnummer op zijn telefoon en verstijfde, niet in staat te geloven wat er op het punt stond te gebeuren. Maar op 9 oktober ontving hij, samen met DeepMind-medeoprichter Demis Hassabis, de Nobelprijs voor de Scheikunde voor hun creatie van AlphaFold, een AI-model dat de structuur van eiwitten, de bouwstenen van de biologie, voorspelt op basis van hun chemische sequentie.
“Ik had echt niet gedacht dat dit zou gebeuren,” vertelde Jumper Forbes.
De twee Google-wetenschappers deelden de prijs met David Baker, een professor aan de Universiteit van Washington die software gebruikte om een nieuw eiwit uit te vinden. Baker, die in 2012 het Institute of Protein Design van de universiteit oprichtte, vertelde Forbes eerder dit jaar was hij geschokt toen hij zag hoeveel het veld de afgelopen jaren is gegroeid. “Het was altijd dit soort gekke, marginale dingen. Heel erg buiten de mainstream”, zei hij.
Al meer dan een halve eeuw is het vouwen van eiwitten een van de meest vervelende en veelbelovende problemen in de moderne wetenschap: het voorspellen van de vorm en structuur van eiwitten is van cruciaal belang om te begrijpen hoe ze zullen interageren met de externe omgeving, waardoor de weg wordt vrijgemaakt voor ontdekkingen op het gebied van medicijnen. en de ontwikkeling van nieuwe materialen. Met AlphaFold kon DeepMind miljoenen vouwpatronen voorspellen met behulp van generatieve AI – exponentieel sneller en goedkoper dan het traditioneel zou kosten om die berekeningen uit te voeren.
Jumper, die in 2017 bij DeepMind kwam, is de jongste Nobelprijswinnaar in de scheikunde in meer dan 70 jaar. Hij maakte een praatje met Forbes over het winnen van de prijs, het AI-landschap en het bouwen van AlphaFold.
Richard Nieva: Allereerst gefeliciteerd met de prestatie. Ik hoorde in een interview dat je direct na de aankondiging opnam, dat je dacht dat je 10% kans had om te winnen. En hoe kwam je erachter dat je had gewonnen, en wat ging er door je hoofd?
John Jumper: Dus de kans dat je de loterij wint, is 10%, toch? De beste kans die iemand ooit krijgt bij de loterij. Maar toch was ik erg zenuwachtig en kon de nacht ervoor nog steeds niet slapen. Nou, ik had geprobeerd door te slapen. Mijn doel was om wakker te worden en erachter te komen of ik op de een of andere manier had gewonnen.
Maar hoe dan ook, ik zat te wachten. Ik dacht dat het telefoontje ongeveer een uur van tevoren kwam. En dus, ongeveer een uur nadat de aankondiging had moeten plaatsvinden, wendde ik me tot mijn vrouw en zei: “Nou, dit jaar waarschijnlijk niet.” En 30 seconden later krijg ik dit Zweedse netnummer op mijn telefoon. En ik weet niet zeker of ik het me zo herinner, maar volgens mijn vrouw staarde ik er een tijdje naar, totdat ze tegen me schreeuwde dat ik de telefoon moest opnemen. Ik had echt niet gedacht dat het zou gebeuren.
Nieva: Hoe heb jij het gevierd?
Trui: Ik wist dat het AlphaFold-team samen zou komen om de aankondiging live te bekijken, maar dat wisten ze nog niet. Dus ik haastte me eigenlijk om in te loggen. Ze waren allemaal op kantoor, maar ik nog niet. Dus ik log in en kijk hoe ze erachter komen, wat erg leuk was. En daarna ging ik naar kantoor, en ik denk dat iemand verderop in de straat al elke fles mousserende wijn had gekocht die ze maar konden krijgen. En dus hadden we dit geïmproviseerde kantoorfeest. Ik kwam rond het middaguur binnen en het was gewoon knuffelen. Ongelooflijk dat het is gebeurd, en geweldig om het met mensen te mogen delen. En de overgrote meerderheid van het team is er nog steeds.
Nieva: Je werkt sinds 2017 bij DeepMind. Het is duidelijk dat we nu in een periode zitten waarin AI overal aanwezig is, en het een beetje een deel van alles is. Wat is er anders aan dit huidige moment voor AI?
Trui: Ik denk dat er minstens twee momenten tegelijk plaatsvinden. En in sommige opzichten is het voor mij persoonlijk heel interessant om te zien dat de ongelooflijke resultaten van chatbots en het genereren van afbeeldingen de wereld echt bewust maken van hoe krachtig deze technologieën zijn. Maar het weerspiegelde in veel opzichten wat er in de wetenschappelijke gemeenschap met AlphaFold was gebeurd. En ik denk dat wat we echt zien is dat deze modellen nu zeer effectief zijn bij moeilijke problemen waarvan we niet weten hoe we ze anders moeten oplossen. En er is een moment waarop chatbots ongelooflijke dingen kunnen doen – ze kunnen poëzie schrijven, ze kunnen e-mails samenvatten – ze kunnen veel dingen doen die mensen ook kunnen, maar we hadden geen idee hoe we computers moesten programmeren.
En dan denk ik dat er in de wetenschap een ander moment is. Het is echt een probleem waarbij er problemen zijn die we niet kunnen oplossen, die geen mens kan oplossen. Het gaat niet echt om het leren van mensen. Het gaat over het leren van experimentele gegevens en het voorspellen, voor AlphaFold, van een jaar aan experimenten in vijf minuten. En deze technologieën worden tegelijkertijd krachtig, maar het is bijna een apart moment.
Nieva: Dat is interessant. Je werkt op een plek waar beide technologieën worden ontwikkeld. Hoe versmelten ze in jouw wereld? Of is dat zelfs een doel?
Trui: Ik denk dat er twee antwoorden zijn. Eén antwoord is dat ze op technologische basis nogal wat uitwisselen. De wetenschap van het leren van data verbetert ongelooflijk. Lessen over chatbots worden omgezet in wetenschappelijk werk. Lessen over wetenschappelijk werk kunnen worden omgezet in chatbots. En dit alles is kruisbestuiving op het niveau van technieken en computerhardware.
Er is een interessante vraag in hoeverre ze samensmelten, of in ieder geval: in hoeverre zullen chatbots de wetenschappelijke kant beïnvloeden? Natuurlijk hebben we enkele resultaten laten zien over bijvoorbeeld het gebruik van chatbots om feiten uit wetenschappelijke artikelen te zoeken, samen te vatten of te extraheren. Maar we weten bijvoorbeeld nog niet of – en ik denk dat Demis hier al een beetje over gesproken heeft – of dat voorspellend zal worden. Wanneer zullen de eerste voorspellende experimentele resultaten afkomstig zijn van Engelstalige technologieën of andere? Wij weten het niet. En we weten niet of dat op zeer verre of korte termijn is. Dus ik denk dat het een interessante vraag is of ze op die manier samengaan.
Nieva: Je hebt in maart AlphaFold 3 uitgebracht, waarin je een diffusiemodel in de technologie hebt geïntegreerd. Hoe denkt u erover om andere soorten funderingsmodellen te integreren terwijl u AlphaFold verder ontwikkelt?
Trui: Over het algemeen zullen de lessen die zijn geleerd in termen van hoe je deze modellen traint, hoe je ze controleert en hoe je ze schaalt, van belang zijn in de wetenschap. Maar de wetenschap maakt wel een onderscheid. Onze gegevens zijn ongelooflijk eindig. Er zijn geen gegevens op webschaal die vertellen hoe eiwitten eruit zien. En zelfs als dat zo zou zijn, zou al die kennis in werkelijkheid afgeleid zijn van de ongeveer 200.000 structuren die we van de wetenschappelijke gemeenschap hebben. Het zijn dus echt sterk eindige dataproblemen. Ik denk dat je waarschijnlijk zult zien dat, naarmate mensen steeds meer nadenken over transferleren, over mogelijke redeneertechnieken en dergelijke, dit misschien echt zal gaan overdragen.
Nieva: Als we het over AI hebben, hebben we het vaak over veiligheid en vangrails. Wat zijn enkele van de grootste zorgen die u heeft over de manier waarop mensen AlphaFold zouden kunnen gebruiken?
Trui: Eén ding om te zeggen is dat we veel tijd besteden aan het beoordelen hiervan vóór de release, en het is iets dat we willen beoordelen voordat we resultaten boeken. Voor AlphaFold 2 spraken we bijvoorbeeld met ongeveer dertig bioveiligheidsexperts en zeiden: “Wat zijn de manieren waarop dit kan bijdragen aan schade door slechte actoren? Op welke manieren zou het dat doen?” En de overweldigende consensus was dat er geen grote risico’s aan verbonden waren. Dit was een laag risico en het was zeer gunstig om vrij te geven. Dus ik denk dat dit iets is waar we het voortdurend over hebben.
Er is een bredere discussie over welke dingen tot risico’s kunnen leiden. En natuurlijk denken we veel na over hoe slechte actoren dit zouden kunnen gebruiken om samen met andere biotechnologie schade aan te richten. Ik denk dat veel van de risico’s zich ook rond virussen afspelen. En je kunt wat informatie uit AlphaFold halen, maar veel daarvan hangt ook af van complexere eigenschappen zoals virulentie en overdracht. AlphaFold bevindt zich echt op het lage niveau, de atomaire details van al deze dingen, en dat is behoorlijk verschillend. Maar we denken er actief over na. En vóór elke release maakt dat echt deel uit van wat we al jaren en jaren doen om deze dingen te beoordelen.
Nieva: DeepMind fuseerde vorig jaar met Google Brain. Heeft dat iets veranderd aan de manier waarop u onderzoek doet of producten ontwikkelt?
Trui: Ik kan alleen lokaal met het wetenschapsteam spreken. Natuurlijk zijn er veel dingen in termen van Gemini en hoe dat samenwerkt. Maar in termen van wetenschap zou ik zeggen dat er niet veel is veranderd. Of in ieder geval is het verbeterd. We hebben een aantal hele geweldige teams van Google Brain geïntegreerd in de wetenschappelijke eenheid, bijvoorbeeld [Google research scientist] Het team van Lucy Colwell dat zich bezighoudt met de eiwitfunctie en andere zaken. Over het algemeen vind ik dat het heel goed werkte. Maar voor de wetenschapseenheid denk ik dat we dezelfde missie hebben. We hebben misschien uitgebreide mogelijkheden. We kunnen meer vertellen over hoe we het inzetten. Op dat vlak hebben we meer mogelijkheden.
Nieva: Een interessant aspect van dit moment is dat de grote AI-grenslaboratoria veel aandacht krijgen. Er zijn Google Deepmind, OpenAI, Anthropic en anderen. Als u aan rivaliserende laboratoria denkt: is er dan meer druk?
Trui: Binnen de wetenschap ervaar ik dat tenminste niet zo. Ik denk veel meer na over alle andere experimentele technieken die met ons concurreren. Alle andere geweldige startups en andere mensen die in de computationele biologie werken. En echt, voor mij is het ook zo’n interdisciplinair veld, en ik denk dat we een groot voordeel hebben omdat het erg moeilijk is. Je kunt niet zomaar de wetenschap induiken. Zelfs binnen GDM [Google DeepMind]Ik herinner me dat mensen al vroeg zeiden: ‘Oh, voorspelling van de eiwitstructuur. Dat is een probleem van reeks tot reeks. Ga een stapje achteruit, ik weet hoe ik reeks-tot-reeks-problemen moet oplossen. En dan proberen ze hun idee uit, en het zou onvermijdelijk niet werken. En je beseft dat je echt op het snijvlak van de wetenschap en de machine learning-discipline moet werken. Ik denk dus dat dit een van de sterke punten van GDM is, en dat zal ook zo blijven. Ik bedoel, er zijn uitstekende andere laboratoria. Er zijn een heleboel echt geweldige AI-laboratoria die nog veel meer dingen doen, maar we hebben echt geweldig werk verricht binnen wetenschappelijke ML [machine learning].
Nieva: U noemde deze twee AI-momenten die momenteel tegelijkertijd plaatsvinden: chatbots en wetenschap. Gemini en ChatGPT krijgen veel aandacht omdat het consumentenproducten zijn en gewone mensen ze kunnen gebruiken. Maar heeft u, als iemand die zich met wetenschap bezighoudt, gemerkt dat er sprake is van chatbotvermoeidheid?
Trui: Binnen de wetenschap denk ik van niet. Ik bedoel, één ding om te zeggen is dat de overgrote meerderheid van GDM niet aan wetenschap werkt. Het overgrote deel ervan werkt op andere dingen, en nogal wat op chatbots. En er zijn ook LLM-gerelateerde projecten binnen de wetenschap. Ik zie het als een enorme kans. Ik vind het geweldig. Bovendien zou ik me waarschijnlijk meer zorgen maken als ik dit zou doen zonder toegang tot eersteklas chatbots en LLM-experts. Want dat is een redelijk specialistisch iets. Maar ik zie het niet zozeer als zorgen. Het is een kans. De ruimte krijgt enorme aandacht. Er wordt enorm geïnvesteerd in computers, waar ik erg blij mee ben: al deze dingen, tools en al het andere. Dat betekent dat we meer tijd kunnen besteden aan het zorgen maken over de wetenschappelijke aspecten ervan.
Nieva: Wat zijn in de toekomst de grote wetenschappelijke problemen waar u het meest enthousiast over bent?
Trui: Eigenlijk twee dingen. Ik denk dat de ene simpelweg is dat de voorspelling van de eiwitstructuur ons meeneemt naar de ontwikkeling van geneesmiddelen, of het nu om kleine moleculen gaat of via eiwitontwerp. Dit is gewoon heel erg spannend: dat we de komende jaren kwalitatief beter zullen worden in deze problemen. De andere is eigenlijk hoe AlphaFold kan worden gebruikt om te informeren hoe we steeds meer van de cel begrijpen. En we zien dingen als uitzoeken hoe eiwitten samenkomen. We zien steeds grotere systemen bestudeerd met AlphaFold en echt creatieve toepassingen. We zullen dit blijven doen, en het zal ons ertoe aanzetten de cel echt te begrijpen op een manier die onze wetenschap verandert. Dat vind ik echt spannend.
Het gesprek is voor de duidelijkheid bewerkt en ingekort.
MEER VAN FORBES