Η τεχνητή νοημοσύνη έχει μεταμορφώσει το τοπίο της επιστημονικής ανακάλυψης. Το 2024, η συμβολή της αναγνωρίστηκε μέχρι και από την επιτροπή των βραβείων Νόμπελ: Το βραβείο για τη Φυσική Κέρδισαν οι John Hopfield και τον Geoffrey Hinton, για τις θεμελιώδεις παραμορφώσεις τους στη μηχανική μάθηση, ανοίγοντας το δρόμο για τον τρόπο με τον οποίο χρησιμοποιείται σήμερα. . . . η τεχνητή νοημοσύνη.
Μέσα στη χρονιά που φεύγει, η τεχνητή νοημοσύνη βοήθησε τους επιστήμονες να διαβάσουν τον παπύρου που είχε κάνει κάρβουνο τη λάβα του Βεζούβιου, να κατανοήσουν πώς να επικοινωνήσουν τα ζώα στα βάθη των ωκεανών, να βρουν νέες αρχαιολογικές τοποθεσίες σε απομακρυσμένα και μερικές φορές από μακριά. τις μεγαλύτερες προκλήσεις της βιολογίας.
Ανάγνωση των παπύρων του Ερκουλάνεουμ
Οι εκατοντάδες απανθρακωμένοι αρχαίοι πάπυροι που βρέθηκαν στο Ερκουλάνεουμ, πόλη που κατέστρεψε η έκρηξη του Βεζούβιου το 79 μ.Χ., είναι τόσο εύθραυστοι που θα διαλύονταν αν κάποιος επιχειρούσε να τους ξετυλίξει και θα χανόταν κάθε ελπίδα ανάγνωσής τους.
Χρησιμοποιώντας τεχνητή νοημοσύνη και ακτίνες Χ υψηλής ανάλυσης, οι ερευνητές καταφέρνουν να τους διαβάζουν χωρίς να τους ανοίξουν. Για να επιταχυνθεί μάλιστα η ανάγνωσή τους, δημιουργήθηκε ο διαγωνισμός Vesuvius Challenge, που επιβραβεύει όσους εμπλουτίζουν τη γνώση μας για τα κείμενα που περιέχονται στους πάπυρους του Ερκουλάνεουμ .
Ελληνικοί χαρακτήρες ορατοί σε σκαναρισμένο τμήμα παπύρου του Ερκουλάνεουμ
Πρόκληση του Βεζούβιου
«Η τεχνητή νοημοσύνη μας βοηθά να ενισχύσουμε την αναγνωσιμότητα των στοιχείων του μελανιού», δήλωσε ο Brent Seals, καθηγητής πληροφορικής στο Πανεπιστήμιο του Κεντάκι, ο οποίος εργάζεται για την αποκωδικοποίηση των παπύρων για περισσότερο από μια δεκαετία. «Τα στοιχεία του μελανιού είναι θαμμένα και καμουφλαρισμένα μέσα σε όλη αυτή την πολυπλοκότητα που η τεχνητή νοημοσύνη αποστάζει και συμπυκνώνει».
Αποκωδικοποίηση της γλώσσας των φαλαινών
Αναλύοντας χιλιάδες καταγεγραμμένες ακολουθίες ήχων φαλαινών – φυσητήρων με χρήση τεχνητή νοημοσύνης, οι επιστήμονες εντόπισαν μια άγνωστη μέχρι σήμερα πολυπλοκότητα στην επικοινωνία των φαλαινών.
Οι φυσητήρες επικοινωνούν εκπέμποντας παλμικούς ήχους – κλικ, σε ακολουθίες που ονομάζονται codas. Οι παραλλαγές στον ρυθμό και τη διάρκεια των codas, υφαίνουν ένα πλούσιο ακουστικό μωσαϊκό και υποδηλώνουν ότι οι φυσητήρες μπορούν να συνδυάζουν τα κλικ με πολλαπλούς τρόπους, για να επικοινωνήσουν ένα ευρύ φάσμα πληροφοριών.
Η μηχανική μάθηση, βοήθησε τους επιστήμονες να αναλύσουν τον συγχρονισμό και τη συχνότητα σε 9.000 καταγεγραμμένες codas, οι οποίες αντιπροσωπεύουν τις φωνές περίπου 60 φυσητήρων στην Καραϊβική. Εντόπισαν χαρακτηριστικά τα οποία ονόμασαν «φωνητικό αλφάβητο», που μπορούν να αναμειχθούν και να συνδυαστούν για να σχηματίσουν ένα τεράστιο ρεπερτόριο φράσεων.
Εύρεση άγνωστων αρχαιολογικών χώρων
Η τεχνητή νοημοσύνη επιταχύνει πλέον κατά πολύ την αναζήτηση μυστηριωδών γραμμών και συμβόλων, χαραγμένων στο σκονισμένο έδαφος της ερήμου Νάσκα του Περού, τα οποία οι αρχαιολόγοι αποκαλύπτουν και τεκμηριώνουν εδώ και σχεδόν έναν αιώνα. Συχνά ορατά μόνο από ψηλά, τα γεωγλυφικά αυτά ονομάζονται Γραμμές Νάσκα και απεικονίζουν γεωμετρικά σχέδια, ανθρωπόμορφες φιγούρες και ακόμη και μια φάλαινα όρκα που κρατάει μαχαίρι.
Μια ομάδα ερευνητών με επικεφαλής τον Ιάπωνα αρχαιολόγο Masato Sakai, εκπαίδευσε ένα μοντέλο τεχνητής νοημοσύνης με εικόνες υψηλής ανάλυσης των 430 Γραμμών Νάσκα που είχαν χαρτογραφηθεί μέχρι το 2020. Μεταξύ Σεπτεμβρίου 2022 και Φεβρουαρίου 2023, η ομάδα δοκίμασε την ακρίβεια του μοντέλου της στην έρημο Νάσκα εντοπίζοντας 303 νέα σχέδια και σχεδόν διπλασιάζοντας τον γνωστό αριθμό γεωγλυφικών μέσα σε λίγους μήνες.
Ένα μοντέλο βασισμένο στην τεχνητή νοημοσύνη έχει βοηθήσει τους αρχαιολόγους να ακακαλύψουν πολλά περισσότερα γεωγλυφικά στην έρημο Νάσκα του Περού
Yamagata University Institute of Nasca
Το μοντέλο δεν είναι καθόλου τέλειο, καθώς από τις συνολικά 47.000 πιθανές τοποθεσίες που έχει προτείνει για μια περιοχή 629 τετραγωνικών χιλιομέτρων, μόλις οι 1.309 είναι «πολλά υποσχόμενες υποψήφιες» για τους αρχαιολόγους. Παρ’ όλα αυτά, η τεχνητή νοημοσύνη έχει τη δυνατότητα να συμβάλει σε τεράστιο βαθμό στην αρχαιολογία, ιδιαίτερα σε απομακρυσμένα και σκληρά εδάφη όπως οι έρημοι. Παρόμοια μοντέλα χρησιμοποιούνται και για τον εντοπισμό ταφικών τύμβων στη Μογγολία με βάση δορυφορικές εικόνες.
Κατανόηση των δομικών στοιχείων της ζωής
Τα μοντέλα τεχνητής νοημοσύνης βοηθούν επίσης τους ερευνητές να κατανοήσουν τη ζωή στη μικρότερη κλίμακα: τις σειρές μορίων που σχηματίζουν τις πρωτεΐνες, τα δομικά στοιχεία της ζωής.
Για δεκαετίες, η αποκωδικοποίηση αυτών των τρισδιάστατων δομών ήταν μια δύσκολη και χρονοβόρα προσπάθεια που περιελάμβανε δύσκολα εργαστηριακά πειράματα και μια τεχνική γνωστή ως κρυσταλλογραφία ακτίνων Χ. Τα δεδομένα άλλαξε η βασισμένη στην τεχνητή νοημοσύνη βάση δεδομένων AlphaFold Protein Structure Database, που αναπτύχθηκε από τους Demis Hassabis και John Jumper στο Google DeepMind στο Λονδίνο και προβλέπει τη δομή σχεδόν όλων των 200 εκατομμυρίων γνωστών πρωτεϊνών από τις αλληλουχίες των αμινοξέων.
Οι Demis Hassabis και John Jumper, που κέρδισαν φέτος το Νόμπελ Χημείας για τη δουλειά τους πάνω στις πρωτεΐνες με τη χρήση τεχνητή νοημοσύνης
AP Photo/Alastair Grant
Αυτή η πολύτιμη βάση δεδομένων λειτουργεί όπως η αναζήτηση στο Google, παρέχοντας πρόσβαση στο πάτημα ενός κουμπιού σε προβλεπόμενα μοντέλα πρωτεϊνών και επιταχύνοντας την πρόοδο στη θεμελιώδη βιολογία και σε άλλους συναφείς τομείς, όπως η ιατρική. Το εργαλείο έχει χρησιμοποιηθεί από τουλάχιστον 2 εκατομμύρια ερευνητές σε όλο τον κόσμο, ενώ για την ανακάλυψή τους αυτή ο Hassabis και ο Jumper ήταν μεταξύ των τριών νικητών του φετινού Νόμπελ Χημείας .
Με πληροφορίες από: ‘A sort of superpower’: Unexpected Revelations made by AI in 2024 by Katie Hunt, CNN
