چگونه هوش مصنوعی گوگل در حال پیشرفت علم است

1. شکستن “چالش بزرگ” 50 ساله پیش بینی ساختار پروتئین

کارشناسان ابهام زدایی از تاخوردگی پروتئین را به عنوان یک “چالش بزرگ” برای دهه ها توصیف کرده اند. در سال 2022، Google DeepMind ساختارهای پیش بینی شده 200 میلیون پروتئین را از مدل AlphaFold 2 خود به اشتراک گذاشت. پیش از این، تعیین ساختار سه بعدی یک پروتئین منفرد معمولاً یک سال یا بیشتر طول می کشید – AlphaFold می تواند این اشکال را با دقت قابل توجهی در چند دقیقه پیش بینی کند. با انتشار پیش‌بینی‌های ساختار پروتئین در یک پایگاه داده رایگان، این به دانشمندان در سراسر جهان این امکان را می‌دهد تا پیشرفت را در زمینه‌هایی مانند توسعه داروهای جدید، مبارزه با مقاومت آنتی‌بیوتیکی و مقابله با آلودگی پلاستیکی سرعت بخشند. به عنوان گام بعدی، مدل AlphaFold 3 بر روی AlphaFold 2 ساخته می شود تا ساختار و تعامل همه مولکول های زندگی را پیش بینی کند.

2. نمایش مغز انسان با جزئیات بی سابقه، برای حمایت از تحقیقات بهداشتی

چیزهای کمی در طول زمان بیش از مغز انسان راز داشته اند. گوگل که بیش از 10 سال تحقیقات مربوط به کانکتومیک را توسعه داده است، با دیگران، از جمله آزمایشگاه لیختمن در هاروارد، همکاری کرد تا یک قطعه کوچک از مغز انسان را به سطحی از جزئیات ترسیم کند که قبلا هرگز به آن دست نیافته بود. این پروژه که در سال 2024 منتشر شد، ساختارهایی را که قبلاً هرگز دیده نشده بود در مغز انسان آشکار کرد. و مجموعه داده کامل، از جمله حاشیه نویسی های ایجاد شده توسط هوش مصنوعی برای هر سلول، برای کمک به تسریع تحقیقات در دسترس عموم قرار گرفته است.

3. نجات زندگی با پیش بینی دقیق سیل

زمانی که پروژه پیش‌بینی سیل گوگل در سال 2018 آغاز شد، بسیاری بر این باور بودند که با توجه به کمیاب بودن داده‌ها، امکان پیش‌بینی دقیق سیل در مقیاس وجود ندارد. اما محققان توانستند یک مدل هوش مصنوعی ایجاد کنند که به قابلیت اطمینان در پیش‌بینی رویدادهای شدید رودخانه در حوضه‌های آبخیز اندازه‌گیری نشده تا حداکثر پنج روز با قابلیت اطمینان تطابق یا فراتر از قابلیت پخش‌های Nowcast (زمان هدایت روز صفر) می‌رسد. در سال 2024، Google Research این پوشش را به 100 کشور و 700 میلیون نفر در سراسر جهان گسترش داد – و مدل هوش مصنوعی را بهبود بخشید، بنابراین دقتی مشابه مدل قبلی در پنج روز ارائه می‌کند.

4. تشخیص زودهنگام آتش سوزی برای کمک به آتش نشانان برای توقف سریعتر آنها

آتش‌سوزی‌های جنگلی به دلیل آب و هوای گرم‌تر و خشک‌تر، به طور فزاینده‌ای جوامع را در سراسر جهان متحول می‌کنند. در سال 2024، Google Research با سرویس جنگل ایالات متحده برای توسعه FireSat، یک مدل هوش مصنوعی و صورت فلکی ماهواره‌ای جهانی که به طور خاص برای شناسایی و ردیابی آتش‌سوزی‌های جنگلی به اندازه یک کلاس درس طراحی شده است، با ارائه تصاویری با وضوح بالاتر در عرض 20 دقیقه، همکاری کرد. این به مقامات آتش نشانی اجازه می دهد تا سریعتر واکنش نشان دهند و به طور بالقوه جان، اموال و منابع طبیعی را نجات دهند.

5. پیش بینی آب و هوا سریعتر و با دقت بیشتر

در سال 2023، Google DeepMind کد مدل GraphCast را راه‌اندازی و منبع باز کرد، یک مدل تحقیقاتی یادگیری ماشینی که شرایط آب و هوایی را تا 10 روز قبل با دقت و سرعت بسیار بیشتری نسبت به سیستم شبیه‌سازی آب و هوای استاندارد طلایی صنعت (HRES) پیش‌بینی می‌کند. GraphCast همچنین می‌تواند مسیر طوفان‌ها (و خطرات مرتبط با آن مانند سیل) را با دقت بیشتری پیش‌بینی کند و به طور دقیق پیش‌بینی کرده بود که طوفان لی سه روز قبل از مدل‌های سنتی به نوا اسکوشیا خواهد رسید.

6. پیشبرد مرز استدلال ریاضی

هوش مصنوعی به دلیل کمبود داده ها و مهارت های استدلال همیشه با ریاضیات پیچیده دست و پنجه نرم کرده است. سپس، در سال 2024، Google DeepMind سیستم هوش مصنوعی AlphaGeometry را معرفی کرد که مشکلات هندسی پیچیده را در سطحی که به مدال طلای المپیاد انسانی نزدیک می‌شود، حل می‌کند – پیشرفتی در عملکرد هوش مصنوعی و پیگیری سیستم‌های هوش مصنوعی عمومی پیشرفته‌تر. مدل بعدی آموزش‌دیده جمینی، AlphaGeometry 2، سپس با مدل جدید AlphaProof ترکیب شد و آنها با هم 83 درصد از تمام مسائل هندسه تاریخی المپیاد بین‌المللی ریاضی (IMO) را در 25 سال گذشته حل کردند. با نشان دادن توانایی رو به رشد هوش مصنوعی در استدلال و حل مشکلات بالقوه فراتر از توانایی های انسانی فعلی، این ما را به سیستم هایی نزدیک کرد که می توانند دانش جدید را کشف و تأیید کنند.

7. استفاده از محاسبات کوانتومی برای پیش بینی دقیق واکنش شیمیایی و سینتیک

محققان گوگل با دانشگاه کالیفرنیا برکلی و دانشگاه کلمبیا همکاری کردند تا بزرگترین شبیه سازی های شیمی تا به امروز را روی یک کامپیوتر کوانتومی انجام دهند. نتایج که در سال 2022 منتشر شد، نه تنها با روش‌های کلاسیک رقابتی بود، بلکه به کاهش خطای سنگینی که معمولاً با محاسبات کوانتومی مرتبط است نیز نیاز نداشت. توانایی انجام این شبیه‌سازی‌ها، پیش‌بینی‌های دقیق‌تری از واکنش‌پذیری شیمیایی و سینتیک ارائه می‌دهد، که پیش‌گویی برای استفاده از شیمی به روش‌های جدید برای کمک به حل چالش‌های دنیای واقعی است.

8. تسریع علم مواد و پتانسیل برای سلول های خورشیدی پایدارتر، باتری ها و ابررساناها

در سال 2023، Google DeepMind شبکه‌های گراف برای اکتشاف مواد (GNoME) را معرفی کرد، ابزار هوش مصنوعی جدیدی که طبق شبیه‌سازی‌ها تاکنون 380000 ماده را کشف کرده است که در دماهای پایین پایدار هستند. در زمانی که جهان ما به دنبال رویکردهای جدید در زمینه انرژی، قدرت پردازش و علم مواد است، این کار می تواند راه را برای سلول های خورشیدی، باتری ها و ابررساناهای بالقوه بهتر هموار کند. به‌علاوه، برای کمک به این فناوری که به نفع همه باشد، Google DeepMind پایدارترین پیش‌بینی‌های GNoME را از طریق پروژه Materials در پایگاه داده باز خود در دسترس قرار داد.

9. برداشتن گامی معنادار به سوی همجوشی هسته ای و انرژی پاک فراوان

همانطور که جوک قدیمی می گوید، “فوژن انرژی آینده است” و همیشه خواهد بود.” کنترل و استفاده از انرژی که به ستاره ها سوخت می دهد – از جمله خورشید خود ما – فراتر از قلمرو است. علم سپس در سال 2022، Google DeepMind اعلام کرد که هوش مصنوعی ایجاد کرده است که می تواند پلاسمای داخل یک راکتور همجوشی هسته ای را به طور مستقل کنترل کند. Google DeepMind با همکاری با مرکز پلاسما سوئیس در EPFL، اولین سیستمی را ساخت که قادر به تثبیت و شکل دهی مستقل پلاسما در یک راکتور همجوشی عملیاتی است و گامی حیاتی به سمت همجوشی پایدار و انرژی پاک فراوان برای همه بردارد.