Половина Нобелевской премии по химии за 2024 год присуждена Дэвид Бейкер (David Baker)，«за вклад в вычислительное проектирование белков»; другую половину совместно присудили Демис Хассабис（Demis Hassabis）и Джон М. Джампер（John M. Jumper），「в знак признания их достижений в предсказании структуры белков」。
Дэвид Бейкер — директор Института проектирования белков Вашингтонского университета, которого называют пионером в области проектирования белков. Начиная с 2003 года он успешно создал ряд принципиально новых белков, включая Top7, широко применяемых в лекарствах, вакцинах, наноматериалах, миниатюрных датчиках и других областях. А ещё в 1999 году он предложил алгоритм предсказания структуры белков RoseTTA, раньше AlphaFold от Deepmind.
Двое других лауреатов ещё более знакомы. Демис Хассабис — сооснователь и генеральный директор Google DeepMind, а Джон М. Джампер в настоящее время занимает должность директора Google DeepMind.Руководя командой разработчиков модели ИИ AlphaFold 2, они вдвоём решили задачу, над которой научное сообщество билось 50 лет: предсказание сложной структуры белка по последовательности аминокислот.
Белки — основные химические инструменты жизни: они контролируют и обеспечивают все биохимические реакции, играют ключевые роли гормонов, сигнальных веществ, антител и строительных компонентов тканей. В белках аминокислоты соединены в длинные цепочки, которые сворачиваются в трёхмерные структуры. С 70-х годов прошлого века исследователи пытались предсказывать структуру белков по последовательности аминокислот, однако прогресс шёл медленно, пока четыре года назад DeepMind не совершила поразительный прорыв.
В 2020 году Демис Хассабис и Джон Джампер на основе первой версии AlphaFold разработали AlphaFold 2. Эта модель способна предсказывать структуры почти всех 2 сотен миллионов белков, выявленных исследователями. На сегодняшний день её процитировали более 2 десятков тысяч раз, а число пользователей из 190 стран превысило 200 десятков тысяч. Она помогла добиться огромного прогресса в таких областях, как разработка вакцин против малярии, лечение рака, проектирование ферментов и изучение устойчивости к антибиотикам. Ещё до Нобелевской премии, в прошлом году, оба учёных получили премию «Прорыв» в области наук о жизни, известную как «научный Оскар», и премию Ласкера, которую называют «предвестником Нобелевской премии», за выдающийся вклад в фундаментальные медицинские исследования.
Шведская королевская академия наук заявила：“Без белков жизнь невозможна. Сегодня мы можем предсказывать структуру белков и создавать собственные белки, что приносит человечеству огромную пользу.”
Узнав о награде, Google DeepMind сразу опубликовала официальное сообщение с радостной новостью.
Демис Хассабис также выступил с заявлением:
«Получение Нобелевской премии — честь всей моей жизни. Благодарю Шведскую королевскую академию наук, John Jumper и команду AlphaFold, всех участников команд DeepMind и Google, а также всех коллег, которые внесли вклад в этот момент. Я посвятил свою карьеру развитию ИИ, поскольку он обладает беспрецедентным потенциалом улучшить жизнь миллиардов людей. Уже более 200 десятков тысяч исследователей используют AlphaFold для продвижения важнейших работ — от проектирования ферментов до поиска лекарств. Надеюсь, в будущем мы будем считать AlphaFold первым практическим подтверждением огромного потенциала ИИ в ускорении научных открытий».
Джон Джампер затем заявил: «Это важное подтверждение того, что ИИ способен ускорять научные исследования и в конечном счёте помогать понимать заболевания и разрабатывать методы лечения. Эта работа — заслуга выдающейся команды Google DeepMind, и эта награда также признаёт её выдающийся вклад».
К этому моменту, если добавить Джеффри Э. Хинтона (Geoffrey E. Hinton), «крёстного отца ИИ», который ранее первым получил премию по физике и вызвал бурные обсуждения, общая связь между этими самыми обсуждаемыми лауреатами года становится очевидной — Хинтон был ключевой фигурой Google Brain, воплощавшей ранние амбиции Google в сфере ИИ, а Демис Хассабис — душа Google Deepmind, на которую в последние годы возложены задачи Google по исследованию ИИ.
Неудивительно, что даже «нобелевскую вечеринку» провели прямо в кампусе Google.
На фоне того, как Нобелевские премии одна за другой достаются учёным в области ИИ, Google тоже «сорвала огромный куш».
Наступление Google
Если смотреть на хронологию, Google определённо была самым ранним крупным корпоративным игроком, вступившим в сферу искусственного интеллекта.
Хотя во многих версиях этой истории тайный аукцион, прошедший зимой 2012 года в отеле с казино у озера Тахо в США, описывается как честная конкуренция трёх технологических гигантов — Google, Microsoft и Baidu — и DeepMind за недавно основанную Хинтоном небольшую компанию DNNResearch, у которой, кроме нескольких научных статей, не было никаких реальных продуктов. Но оглядываясь назад, можно сказать, что исход этого аукциона на самом деле был предрешён. Ведь одним из его истоков стала инициатива Google за 6 месяцев до этого.
В месяце 6 года 2012 Google Brain публично запустила проект «Кошка Google（The Cat Neurons）», использующий алгоритмы для распознавания кошек в видео YouTube. Проект возглавил Эндрю Ын, в нём участвовал Jeff Dean, а основатель компании Larry Page оказал ему активную поддержку。
В рамках проекта была построена крупная нейронная сеть с 10 сотнями миллионов связей, которую обучали на 1000 десятках тысяч неразмеченных видеороликов с YouTube, используя 16,000 процессоров. Благодаря обучению без учителя система самостоятельно научилась распознавать кошачьи морды с точностью 74.8%, а также распознавать другие объекты, в том числе человеческие лица.
Однако на позднем этапе проекта Эндрю Ын решил вовремя отойти от дел и перед уходом порекомендовал Google своего учителя Хинтона в качестве преемника. Хинтон заявил, что не собирается уходить из университета и согласен лишь «провести одно лето» в Google. Так он стал самым пожилым стажёром в истории Google.
Будучи авторитетом в области глубокого обучения, Хинтон быстро заметил недостатки проекта и указал, что «кот Google» «использовал неправильную нейронную сеть и неподходящие вычислительные мощности». Поэтому сразу после короткой «стажировки» Хинтон собрал команду со своими учениками Ильёй Суцкевером и Алексом Крижевским и разработал новую архитектуру нейронной сети AlexNet. С результатами обучения всего на 4 графических процессорах NVIDIA команда участвовала в конкурсе распознавания изображений ImageNet в 2012 году и одержала революционную победу с точностью 84%.
В 10-м месяце того же года команда Хинтона официально представила победивший алгоритм AlexNet на конференции по компьютерному зрению во Флоренции. Академическая команда неожиданно одолела Google, несопоставимо превосходившую её по аппаратным ресурсам и возможностям исследований и разработки, что вызвало настоящий переполох в научном сообществе и индустрии. Статья об AlexNet также стала одной из самых влиятельных работ в истории информатики, набрав более 12 десятков тысяч цитирований.
Затем трое исследователей зарегистрировали компанию DNNResearch. Дальнейшее развитие торгов было вполне закономерным：когда стоимость поднялась до 4400 десятков тысяч долларов США, Хинтон остановил аукцион и вместе с двумя студентами официально присоединился к Google, заняв должности вице-президента Google Brain и научного сотрудника по инженерным исследованиям.
Тогда Хинтон написал в заявлении: «Я продолжу преподавать в Университете Торонто на неполной ставке, но в Google смогу увидеть, как мы справляемся с вычислениями сверхбольшого масштаба».
За десять лет работы в Google, завершившихся в мае（5）2023 года, Хинтон продолжал исследования крупномасштабных искусственных нейронных сетей, внеся основополагающий вклад в технологии, лежащие в основе современных систем ИИ, таких как Bard и ChatGPT. Он также участвовал в разработке TensorFlow, программной библиотеки машинного обучения с открытым исходным кодом, способствовал развитию возможностей ИИ в распознавании изображений, понимании языка и других областях и широкому внедрению глубокого обучения в продукты и сервисы Google.
Google никогда не замедляла привлечение талантов и концентрацию технологий. Всего через два года после приобретения DNNResearch она купила и DeepMind, основанную Хассабисом, — одного из соперников, участвовавших тогда в торгах.
Сообщается, что тогда Google даже специально зафрахтовала частный самолёт, чтобы отвезти Хинтона в Лондон «осмотреть товар», и переоборудовала кресло, решив проблему его болей в спине, из-за которых он не мог летать. А Facebook, которую Google оттеснила от сделки с DeepMind, после упущенной возможности переманила за большие деньги Яна Лекуна, одного из «трёх корифеев глубокого обучения».
История Deepmind
Что касается DeepMind, ещё до приобретения компанией Google она столкнулась с финансовыми трудностями: постоянно тратила деньги, но так и не нашла устойчивую бизнес-модель и даже оказалась на грани банкротства.
Покупка за 6 сотен миллионов долларов компанией Google спасла DeepMind: она не только сохранила основную техническую команду, но и предоставила мощные вычислительные ресурсы, включая облачную платформу и поддержку центров обработки данных. Благодаря этому DeepMind смогла использовать более мощные вычисления для обучения глубоких нейронных сетей, особенно при разработке AlphaGo, существенно повысив скорость вычислений и точность модели. Кроме того, Google предоставила специально разработанные TPU（тензорные процессоры）, дополнительно повысив эффективность обучения и выполнения моделей глубокого обучения. Базовый инструмент ИИ TensorFlow также широко применялся в исследованиях DeepMind, помогая улучшать результаты AlphaGo.
AlphaGo — программа искусственного интеллекта для игры в го, разработанная командой DeepMind. Анализируя миллионы записей партий и используя обучение с подкреплением посредством игры с самой собой, она освоила сложные стратегии го и смогла превзойти сильнейших игроков мира. В 2016 году AlphaGo победила чемпиона мира по го Ли Седоля со счётом 4:1, прославившись благодаря этому матчу и поразив весь мир.
Однако для Хассабиса проверка способности ИИ решать сложные задачи с помощью настольных игр была лишь началом. Важнее использовать её для развития универсальных обучающихся систем, способных справляться с задачами реального мира, по-настоящему улучшать жизнь людей, преобразовывать отрасли и продвигать науку.
Поэтому за несколько месяцев DeepMind оперативно наняла биологов и создала междисциплинарную команду, сосредоточенную на решении проблемы сворачивания белков, что в итоге привело к появлению проекта AlphaFold в 2018 году. После нескольких итераций AlphaFold благодаря прорывным возможностям предсказания структуры белков коренным образом изменила биологические исследования, продемонстрировав огромные перспективы применения ИИ в науке.
В 5-м месяце этого года Google Deepmind вновь официально объявила о совместном с Isomorphic Labs выпуске модели нового поколения для предсказания структуры белков AlphaFold 3; соответствующая статья сразу же была опубликована в журнале Nature.
По сравнению с предыдущими версиями AlphaFold 3 не только продвинулся в предсказании сворачивания белков, но и впервые обеспечил высокоточное предсказание структур и взаимодействий таких биомолекул, как белки, ДНК, РНК и лиганды. Этот прорыв помогает учёным глубже понимать механизмы заболеваний и жизненные процессы, одновременно значительно сокращая сроки и затраты на исследования и разработки. Будь то разработка возобновляемых материалов, ускорение проектирования лекарств или исследования в области геномики, AlphaFold 3 открывает более широкие возможности применения в области биомолекул.
Кроме того, на основе AlphaFold 3 команда запустила бесплатную платформу AlphaFold Server для некоммерческих исследований учёных со всего мира, сделав научный поиск ещё доступнее.
Благодаря DeepMind Google постоянно привлекает ведущих исследователей со всего мира и обеспечивает им долгосрочное финансирование, позволяя сосредоточиться на прорывных исследованиях, не завися от краткосрочной коммерческой отдачи. Google также предоставила DeepMind высокую степень стратегической самостоятельности, позволяя свободно выбирать направления исследований. Именно эта независимость и долгосрочная поддержка заложили прочную основу для перспективных исследований DeepMind.
Помимо достижений в играх и биологии, DeepMind разработала WaveNet — модель реалистичного синтеза речи для Google Assistant, улучшившую голосовое взаимодействие. Модель RT-2, объединяющая зрение, язык и действия, расширила возможности роботов выполнять задачи в разнообразных условиях. Исследования компании также охватывают такие сложные задачи, как прогнозирование погоды и работа термоядерных реакторов, а проекты AlphaCode и AlphaDev способствуют дальнейшему развитию компьютерных алгоритмов.
У Google по-прежнему солидные «запасы»
В нынешней конкуренции в области искусственного интеллекта стремительный взлёт таких звёздных компаний, как OpenAI и Anthropic, а также «сокрушительное превосходство» ChatGPT и Claude над Gemini в своё время заставили людей усомниться в стратегии Google в области ИИ. Особенно заметным был контраст между быстрым развитием OpenAI и подобных компаний и относительно медленными шагами Google в коммерциализации продуктов генеративного ИИ и инструментов для разработчиков.
Однако эти две Нобелевские премии, похоже, напоминают нам, что развитая научная среда Google и накопленный технологический опыт по-прежнему остаются преимуществом, которое другим компаниям трудно воспроизвести.
До 2006 года положение глубокого обучения можно было описать известной фразой барона Кельвина: «深度学习的大厦已经基本建成，只不过在阳光灿烂的天空下，漂浮着三朵小乌云。» — «Здание глубокого обучения в основном уже построено, лишь три небольшие тёмные тучи плывут по залитому солнцем небу».
Эти три небольшие тёмные тучки — алгоритмы, вычислительные мощности и данные.
И именно в этих ключевых областях Google обладает явными преимуществами. Прежде всего, компания располагает огромными ресурсами данных мирового уровня：благодаря таким платформам, как YouTube, Google Scholar и Google Search, Google предоставляет обширные и разнообразные обучающие данные для моделей ИИ в области компьютерного зрения, распознавания речи и обработки естественного языка.
Во-вторых, Google обладает значительным преимуществом в вычислительных ресурсах. Разработанные компанией аппаратные ускорители TPU существенно повышают скорость обучения моделей глубокого обучения. Google Cloud не только предоставляет мощные вычислительные ресурсы для внутренних исследований, но и снабжает разработчиков по всему миру инструментами, помогающими быстро создавать и развёртывать сложные приложения ИИ.
В области разработки алгоритмов Google также находится на переднем крае отрасли. Архитектура Transformer, созданная командой Google Brain, заложила основы современной обработки естественного языка и способствовала развитию почти всех современных передовых моделей ИИ. Эти технологии не только продвигают академические исследования, но и широко применяются в основных продуктах Google.
В 2024 году сфера ИИ по-прежнему сталкивается с трудностями, связанными с алгоритмами, вычислительными мощностями и данными. Хотя многие компании добились собственных прорывов в отдельных областях, на их фоне именно Google, похоже, обладает преимуществами во всех трёх направлениях одновременно и продолжает эффективно их сочетать.
В конкуренции с OpenAI, Microsoft и другими компаниями Google по-прежнему располагает солидными ресурсами и не потерпела поражения в гонке ИИ. Потенциал искусственного интеллекта ещё далеко не раскрыт полностью, и в этой долгой гонке, возможно, именно глубина и широта технологических инноваций определят окончательного победителя.
