Używamy ciasteczek, dzięki którym strona działa poprawnie.
Koszyk ( 0 )
Suma 0,00 zł
0,00 zł
2020 w Nauce
dr Łukasz Lamża
13 stycznia 2021

 

Rok 2020 zostanie pewnie zapamiętany głównie poprzez pandemię covid-19. Kiedy więc przychodzi do podsumowania, co najważniejszego wydarzyło się w nauce tego roku, trudno nie mówić o postępach w zidentyfikowaniu, poznaniu i ostatecznie – póki co wstępnym – przezwyciężeniu odpowiedzialnego za tę chorobę wirusa.

Z drugiej strony, kto śledzi na bieżąco wydarzenia ze świata nauki, na pewno zauważył, że dla zdecydowanej większości naukowców przez ostatnie 12 miesięcy miał miejsce business as usual, pomijając oczywiście kwestie organizacyjne wynikające z pandemii. Na poziomie artykułów naukowych, publikowanych codziennie niestrudzenie przez tysiące czasopism specjalistycznych, wygląda na to, że wszystko rozwija się względnie standardowo – czyli zupełnie wariacko, w szaleńczym tempie i z przerażającymi często rezultatami. Jak podsumować kolejny rok niezwykłych odkryć we wszystkich dziedzinach medycyny, nauki i technologii? Spróbuję odnaleźć trochę porządku w tym kalejdoskopie doniesień.

Trening w wirtualnej rzeczywistości

Są takie tematy, o których nie można nie wspomnieć. Rozwój sztucznej inteligencji (AI) w ciągu mniej więcej ostatniej dekady bezprecedensowo przyspieszył, a ponadto nastąpił niebywały wzrost samodzielności AI, głównie dzięki możliwości realizacji coraz bardziej śmiałych programów nienadzorowanego uczenia maszynowego. Przypomnijmy: pierwotna idea sztucznej inteligencji opierała się na wizji „mózgu elektronowego”, a mówiąc nieco precyzyjniej: realizacji w postaci programu komputerowego struktury algorytmicznej (ustalonego sposobu postępowania) zasadniczo podobnej do domniemanego sposobu działania umysłu ludzkiego. Triumf komputera szachowego Deep Blue nad Garrym Kasparowem w 1997 roku to dobra ilustracja szczytu, na jaki można się wspiąć przy pomocy metody „klasycznej”: Deep Blue był miesiącami żmudnie trenowany przez szachistów i programistów. Choć nawet w latach 50. niektórzy wizjonerzy (jak Alan Turing) rozważali możliwość samodzielnego uczenia się komputerów, w praktyce dopiero w latach 80. po raz pierwszy udało się to zrealizować. Obecni komputerowi mistrzowie szachowi, ale też i programy wykonujące dziesiątki zupełnie innych zadań, powstają już w zupełnie inny sposób.

Uczenie maszynowe (ML) to procedura samodzielnego dochodzenia przez program komputerowy do dobrego rozwiązania na drodze tysięcznych i milionowych prób, coraz lepszych wraz z napływem kolejnych danych treningowych. Programy opierające swą skuteczność na ML potrzebują gigantycznego zbioru danych i sporo czasu – warto jednak postarać się o owe dane i cierpliwie poczekać, ponieważ skutki bywają oszałamiające. W 2020 roku ujrzeliśmy przynajmniej dwa bardzo interesujące kroki na drodze do coraz silniejszego uwalniania się potęgi komputera od ograniczeń stawianych mu przez człowieka.

W grudniu w czasopiśmie „Nature” opisano[1] program zdolny do autonomicznego kontrolowania balonów stratosferycznych, tak aby nie oddalały się od zadanego położenia o więcej niż 50 kilometrów. (Wszystko to, nawiasem mówiąc, w ramach Project Loon, czyli inicjatywy mającej na celu rozmieszczenie w ziemskiej atmosferze sieci balonów telekomunikacyjnych, mających teoretycznie dostarczać szerokopasmowy internet w dowolne miejsce na globie – ot, kolejna rzecz, na którą warto mieć oko w latach 20. XXI wieku). Sterowanie ręczne flotą takich balonów nie wchodzi oczywiście w grę, zaś nieprzewidywalność stanu atmosfery sprawia, że stworzenie automatycznego systemu sterowania nie jest rzeczą prostą. Pracownicy Loon LLC (której spółką-matką jest Alphabet Inc., firma powstała wskutek restrukturyzacji Google w 2015 roku) posłużyli się więc uczeniem maszynowym. Algorytmy sterujące balonami długo szkoliły się, samodzielnie sprawdzając, jakie postępowanie przynosi im sukces, a jakie porażkę. Tu jest jednak haczyk: jak sprawić, aby tysiące konkurencyjnych algorytmów, z których każdy potrzebuje tysięcy godzin lotu, aby dograć wszystkie parametry, miały możliwość wykonania łącznie milionów próbnych lotów? Czy ekonomicznie, ekologicznie i etycznie dopuszczalne jest wypuszczenie do atmosfery milionów balonów niezdarnie uczących się latać?

Skądże znowu. Od czego wirtualna rzeczywistość? Dla potrzeb programu wygenerowano wirtualną atmosferę, stworzoną na podstawie globalnych danych pogodowych i lokalnych modeli turbulencji, a gdy algorytmom „wydawało się”, że sterują realnymi balonami, w rzeczywistości oddziaływały tylko z ich modelami, unoszącymi się w komputerowej symulacji atmosfery. Symulacja ta była jednak najwyraźniej dobrym odzwierciedleniem rzeczywistości, zaś uczenie przebiegło poprawnie, ponieważ w toku najzupełniej realnych testów, wykonanych nad Pacyfikiem na przełomie 2019 i 2020 roku, skuteczność algorytmów sterujących przekroczyła wszystkie dotychczas osiągane wyniki. Wygląda na to, że globalna flota balonów telekomunikacyjnych, jeśli powstanie, będzie sterowana przez sztuczną inteligencję trenowaną w wirtualnej atmosferze ziemskiej.

Startując od zera

Drugim ważnym wydarzeniem w świecie sztucznej inteligencji był triumf algorytmu MuZero nad algorytmem AlphaZero[2]. Cóż, wygląda na to, że w pewnych przynajmniej dyscyplinach przyjdzie nam już śledzić rozgrywki pomiędzy maszynami, a nie ludźmi. Od dłuższego czasu osoby zainteresowane najwyższym poziomem gry w szachy pytają już tylko o to, który algorytm dzierży obecnie palmę zwycięstwa – a ludzcy szachiści rozgrywają swoje ludzkie rozgrywki w drugiej lidze, nie mając prawa startu z prawdziwymi mistrzami.

AlphaZero, co można wywnioskować już choćby z nazwy, trenowany był metodą „naiwną”, tj. oprócz podstawowych reguł gry w szachy nie wiedział początkowo o tej grze zupełnie nic. W przeciwieństwie do Deep Blue nie był uczony otwarć, gry końcowej, taktyki i strategii – wszystkiego tego nauczył się sam w toku kolejnych rozgrywek (sam ze sobą). MuZero to algorytm rozpoczynający od jeszcze bardziej pustego „umysłu”: jedyne, co zna na początku treningu, to abstrakcyjna lista możliwych do wykonania czynności, które można by sobie wyobrazić jako niepodpisane przyciski na wielkim panelu. Gdy MuZero uczony jest gry w szachy, jeden z tych przycisków może na przykład przesuwać wybrany pionek o pole do przodu. Gdy jest uczony gry w PacMana (co też sprawdzano), może przesuwać bohatera tej gry w lewo. Gdy celem będzie nauczenie go sterowania balonem, „guziczki” mogą reprezentować podgrzanie lub oziębienie czaszy. I tak dalej. Dla samego algorytmu jest to bez znaczenia, a ostatecznie liczy się tylko informacja zwrotna: jak po chwili wygląda „stan świata” (którym to światem może być realny świat, ekran komputera z labiryntem i duszkami albo stan szachownicy) oraz – po skończonej „rozgrywce” – informacja o tym, czy poszło dobrze, czy źle.

To coś więcej niż tylko sztuczka obliczeniowa – to realny krok w uwolnieniu człowieka z obowiązku myślenia za maszynę. Pomyślmy o przypadkach, gdy skutki działań naprawdę nie są oczywiste. Niech nasz algorytm steruje czworonożnym robotem. Skąd właściwie miałby wiedzieć – i skąd ma to wiedzieć ludzki programista czy inżynier – jakie będą skutki skurczenia określonego „mięśnia” lewej tylnej nogi w danych warunkach? Czy robot przewróci się, przechyli, czy też nie zmieni w ogóle położenia? Z samej wiedzy o tym, który to „mięsień”, nic jeszcze nie wynika. Konieczność modelowania świata dla potrzeb algorytmów ML była od lat poważnym ograniczeniem. Nowe algorytmy potrafią nie tylko samodzielnie nauczyć się skutecznego poruszania się po świecie, ale wręcz samodzielnie nauczyć się sposobu funkcjonowania tego świata oraz własnego zanurzonego w nim „ciała”, jeśli w danym przypadku takie występuje. W toku uczenia się wyłania się więc nie tylko skuteczny sposób działania, ale również reprezentacja świata i „siebie”.

Płuco z probówki

Zostawmy może już na boku świat komputerów – zwłaszcza, gdy w tym realnym szaleje pandemia covid-19 (na którą to chorobę zmarło w 2020 roku, dodajmy, ok. 0,02% światowej populacji). Co nowego w świecie medycyny naukowej? Ano choćby organoidy płucne.

Organoidy to struktury, wyhodowane in vitro z komórek macierzystych, przypominające ludzkie organy: im dokładniej, tym lepiej. Zasadnicza logika jest następująca: rzeczywiste organy powstają w organizmach ludzkich właśnie z komórek macierzystych, czyli takich, które nie „zdecydowały” jeszcze, jakiego typu komórką się staną. „Wszechmocne” (pluripotencjalne) komórki macierzyste nie mają określonej tożsamości i mogą stać się zarówno komórką mięśnia, jak i skóry, wątroby czy płuca. Potrzebny jest tylko odpowiedni sygnał, a raczej sekwencja sygnałów: chemicznych, mechanicznych, fizycznych. Organy powstają w życiu płodowym wskutek uruchamiania się w odpowiednim czasie i miejscu szalenie złożonych programów „sterowania” wielkimi grupami komórek macierzystych ku odpowiednim przeznaczeniom. Gdyby udało się poznać i odtworzyć te programy, to grupy „naiwnych” komórek macierzystych mogłyby, przynajmniej teoretycznie, samodzielnie zorganizować się w warunkach laboratoryjnych w dowolną strukturę. Obecnie program ten jest in statu nascendi, choć pewne proste tkanki wytwarza się już z komórek macierzystych niemal rutynowo.

Jednym z zastosowań tego programu jest medycyna regeneracyjna. Innym – strefa badań podstawowych. Nowe leki lub inne interwencje terapeutyczne można testować na organach zwierzęcych, na hodowlach ludzkich tkanek albo na ludziach – ale dlaczego by nie na organoidach? W listopadzie opisano[3] organoidy płucne tak dobrze udające rzeczywiste ludzkie płuca (naukowcy szczególnie pieczołowicie odtworzyli tkankę pęcherzyków płucnych), że wirus SARS-CoV-2 infekował je w taki sam sposób, w jaki infekuje tkanki człowieka. To pozwoliło na systematyczne badanie wszelkich możliwych czynników, które mogą wpływać na przebieg infekcji, bez żadnych praktycznie etycznych ograniczeń (tego typu organoidy, które nie są tworzone z komórek embrionalnych, są względnie mało rygorystycznie kontrolowane przez komitety etyczne i traktowane po prostu jako hodowle tkanek). W toku badań udało się choćby zidentyfikować charakterystyczną populację komórek pęcherzyków płucnych, które szczególnie łatwo padają ofiarą wirusa. Bliższe badania genetyczne doprowadziły do ustalenia, które geny odpowiadają za ową podatność. W dzisiejszych czasach, kiedy terapia genowa w zasadzie powoli trafia pod strzechy, sygnały tego typu traktuje się z dużą uwagą: istnieje bowiem, przynajmniej teoretycznie, możliwość edycji ludzkiego genomu, również zlokalizowanego do określonego rodzaju tkanki.

Perspektywy

Na koniec trudno nie wspomnieć o „wyścigu po szczepionkę”, który ruszył – jeśli przyjrzeć się dokumentom – już w pierwszych miesiącach 2020 roku, gdy tylko udało się zidentyfikować nowego koronawirusa. Wiosną rozpoczęły się badania kliniczne, a latem ich III faza, wyniki której właśnie poznajemy. Dwie szczepionki dopuszczone do warunkowego obrotu w Unii Europejskiej w momencie pisania tego tekstu (9 stycznia) stworzono w laboratoriach firm Pfizer i Moderna. Naukowcy pracujący dla obu tych firm przedstawili wstępne informacje na temat skuteczności i bezpieczeństwa szczepionek w dwóch artykułach w czasopiśmie medycznym „NEJM”, opublikowanych 30 i 31 grudnia 2020 roku[4], dość efektownie kończąc ten niezwykły rok. Na całym świecie trwają obecnie pierwsze szczepienia, którym ostatecznie mają się poddać miliony ludzi (a w niektórych wizjach wręcz miliardy). Zarówno ich zwolennicy, jak i przeciwnicy – których nie brak – czekają na normalność. Tej jednak nie przyniesie nam już nauka.

Autor: dr Łukasz Lamża


Komentarze
DODAJ komentarz
Oceń
W przypadku naruszenia regulaminu Twój wpis zostanie usunięty.
Najnowsze artykuły
13 stycznia 2021
2020 w Nauce

 

Rok 2020 zostanie pewnie zapamiętany głównie poprzez pandemię covid-19. Kiedy więc przychodzi do podsumowania, co najważniejszego wydarzyło się w nauce tego roku, trudno nie mówić o postępach w zidentyfikowaniu, poznaniu i ostatecznie – póki co wstępnym – przezwyciężeniu odpowiedzialnego za tę chorobę wirusa.

13 stycznia 2021
Filozofia, Przyjaciółka Podstępna

 

Czym jest filozofia? Zwykle słysząc to miano odczuwamy dreszcz przerażenia; przecież to szczyt wszelkich nauk, żeby ją pojąć, trzeba czytać ze zrozumieniem Metafizykę Arystotelesa, Krytykę czystego rozumu Kanta i Filozoficzny dyskurs nowoczesności Habermansa. Kogo intelektualnie na to stać? Jest to zajęcie dla wybitnych umysłów, ale oderwanych od realnego życia i jego problemów. Czy tak rozumiana filozofia jest w stanie odpowiedzieć na którekolwiek z naszych wielkich pytań?

13 stycznia 2021
Bogactwo narodu czy narody bogatych ludzi? Problem zarobkowej imigracji

 

Bryan Caplan, amerykański ekonomista i jeden z najzagorzalszych zwolenników otwartych granic, zdecydował się na przedstawienie swoich argumentów w sposób najbardziej przystępny dla popularnego czytelnika, czyli poprzez komiks. „Open Borders. The Science and Ethics of Immigration” jest znakomitą lekturą podsumowującą to co na dzisiaj wiemy o skutkach zarobkowych migracji i to co możemy na ten temat powiedzieć z punktu widzenia etyki. Wydźwięk jest jednoznaczny.

13 stycznia 2021
Fizyka informacji

 

Gdy zapytać fizyków o to, jakie są podstawowe składniki świata, w odpowiedziach prawdopodobnie pojawią się cząstki i pola, materia i energia... ale raczej nie informacja. No właśnie, co z tą informacją?