В Duke University искусственный интеллект и передовые вычисления больше не являются экспериментальными дополнениями. Они становятся инструментами по умолчанию для задавания вопросов, на которые ранее невозможно было ответить. Этот сдвиг меняет то, как исследователи работают в биологии, медицине и более широких науках. [1] [2]
Основные модели работают как микроскопы для биологии
Рохит Сингх, вычислительный биолог из медицинской школы Duke, рассматривает основные модели как новые типы микроскопов. Эти системы машинного обучения обучены на сотнях миллионов точек данных, позволяя исследователям видеть закономерности среди миллионов профилей экспрессии генов и биологических последовательностей. Каждая модель раскрывает разный аспект жизни, который можно изучать.
Обучение этих моделей требует огромных вычислительных ресурсов, но доступ к графическим процессорам (GPU) сократил то, что раньше занимало недели, до нескольких дней. Кластер компьютеров Duke обеспечивает основу высокопроизводительных вычислений для этих задач, а небольшой центр GPU, запланированный к открытию в 2027 году, дополнительно увеличит ёмкость.
Выгода прямая. Изучая абстрактные представления белков, генов и клеток, модели Сингха могут сравнивать здоровые клетки с раковыми и определять, может ли лекарство свести разницу к нулю. Полученные данные используются в проектах от разработки генной терапии до поиска лекарств для множества заболеваний.
Интерпретируемый ИИ создаёт доверие в высокорисковых решениях
Хотя более быстрые аппаратные средства расширяют возможности, Синтия Рудин сосредоточена на создании ИИ-систем, которые люди могут понять и которым могут доверять. В течение многих лет большинство моделей ИИ работали как чёрные ящики, скрывая логику своих предсказаний. Эта непрозрачность становится проблемой в таких областях, как здравоохранение и уголовное правосудие, где решения имеют серьёзные последствия.
Лаборатория Рудин разрабатывает интерпретируемые модели, позволяющие экспертам видеть, как принимаются решения. Одна из таких моделей, созданная совместно с радиологом Duke Джозефом Ло, анализирует тонкие паттерны изображений на маммограммах, чтобы предсказать риск развития рака груди у пациента в течение следующего одного‑пяти лет. Поскольку модель прозрачна, врачи могут отлаживать и оценивать данные и логику каждого предсказания.
Такие интерпретируемые системы уже применяются в различных медицинских учреждениях — от прогнозирования судорог до анализа медицинских изображений. Цель заключается не только в точности, но и в подотчётности в областях, где доверие имеет такое же значение, как и производительность.
ИИ соединяет дисциплины для ускорения открытий
Инициатива Deep Tech в Duke профинансировала четыре проекта, исследующих, как ИИ может ускорить научные открытия благодаря междисциплинарному сотрудничеству. Каждый проект решает отдельный барьер, замедляющий прогресс в разных областях.
Consilience, возглавляемый Бриnnэ Бент, — это голосовая ИИ-система, предназначенная для поддержки междисциплинарного сотрудничества. Она переводит терминологию, стимулирует рефлексию и в реальном времени выявляет новые исследовательские связи. Система тестируется во время университетского хакатона, где она направляет команды аспирантов из разных областей при формулировании междисциплинарных исследовательских предложений.
Проект Дэвида Карлсона направлен на обучение студентов критически использовать ИИ. Вместо простого внедрения больших языковых моделей, исследователи учатся оценивать эти инструменты, находить ошибочные рассуждения и применять их ответственно. Это особенно важно в междисциплинарной работе, где соединение биологии, статистики и инженерии требует сложного мышления.
Команда Sharique Hasan изучает, как ИИ может переводить сложные результаты для политиков, промышленности и общественности. Выделяя исследования с высоким потенциалом влияния и раскрывая скрытые связи между областями, эти инструменты могут сократить путь от открытия к практической выгоде.
Проект Мэтью Херши отображает научный прогресс и узкие места, анализируя литературу. Большие языковые модели отслеживают, как концепции перемещаются между областями и выявляют общие проблемы, такие как ограниченные данные или вычислительная мощность. Полученные карты направлены на руководство решениями о финансировании и стимулирование сотрудничества за пределами традиционных изолированных групп.
Инфраструктура идёт в ногу с амбициями
Ничего из этого было бы невозможно без постоянных инвестиций в вычислительную инфраструктуру. Кластер компьютеров Duke уже поддерживает крупномасштабные научные приложения, а предстоящий центр GPU спроектирован так, чтобы минимизировать потребление энергии и воды, а также выбросы углерода благодаря энергоэффективным практикам.
Сингх отмечает, что доступ к большему числу GPU напрямую ускоряет его вычислительно-биологические исследования. Инвестиции Duke позиционируют университет как ведущий центр такого рода работы, привлекая таланты и позволяя реализовывать проекты, зависящие как от масштаба, так и от устойчивости.
Поскольку ИИ становится неотъемлемой частью исследовательского процесса, задача заключается не только в создании более быстрых моделей, но и в построении моделей, которые являются полезными, надёжными и соответствуют потребностям людей, от них зависящих. Подход Duke предполагает, что будущее научных открытий будет совместным, интерпретируемым и глубоко вычислительным.
