Cách AI có thể biến đổi thế giới tốt đẹp hơn: CEO Anthropic Dario Amodei [Phần 1]

Có một sự phân biệt thêm dựa trên thang thời gian. Những điều kiện hạn chế nghiêm ngặt trong ngắn hạn có thể trở nên linh hoạt hơn với trí tuệ trong dài hạn. Ví dụ, trí tuệ có thể được sử dụng để phát triển một mô hình thí nghiệm mới, cho phép chúng ta nghiên cứu trong ống nghiệm những điều mà trước đây phải thử nghiệm trên động vật sống, hoặc xây dựng các công cụ cần thiết để thu thập dữ liệu mới (ví dụ, máy gia tốc hạt lớn hơn), hoặc (trong giới hạn đạo đức) tìm cách vượt qua các hạn chế dựa trên con người (ví dụ, giúp cải thiện hệ thống thử nghiệm lâm sàng, giúp tạo ra các khu vực pháp lý mới nơi thử nghiệm lâm sàng ít thủ tục hành chính hơn, hoặc cải thiện khoa học để làm cho các thử nghiệm lâm sàng trên con người trở nên ít cần thiết hơn hoặc rẻ hơn).

Do đó, chúng ta nên tưởng tượng một bức tranh mà trí tuệ ban đầu bị ràng buộc mạnh mẽ bởi các yếu tố sản xuất khác, nhưng theo thời gian, trí tuệ sẽ dần dần vượt qua các yếu tố khác, mặc dù chúng không bao giờ hoàn toàn biến mất (và một số điều như các định lý vật lý là tuyệt đối). Câu hỏi then chốt là điều này sẽ xảy ra nhanh như thế nào và theo thứ tự nào.

Với khung lý thuyết trên, tôi sẽ cố gắng trả lời câu hỏi đó cho năm lĩnh vực đã được đề cập trong phần giới thiệu.

1. Sinh học và sức khỏe

Sinh học có lẽ là lĩnh vực có tiềm năng lớn nhất để cải thiện trực tiếp và rõ ràng chất lượng cuộc sống con người. Trong thế kỷ qua, một số căn bệnh cổ xưa nhất của con người (như bệnh đậu mùa) cuối cùng đã bị đánh bại, nhưng nhiều căn bệnh khác vẫn còn tồn tại, và việc đánh bại chúng sẽ là một thành tựu nhân đạo to lớn. Ngoài việc chữa bệnh, khoa học sinh học có thể trong nguyên lý cải thiện chất lượng sức khỏe cơ bản của con người, bằng cách kéo dài tuổi thọ khỏe mạnh của con người, tăng cường kiểm soát và tự do đối với các quá trình sinh học của chính mình, và giải quyết các vấn đề hàng ngày mà chúng ta hiện nay coi là những phần không thể thay đổi trong điều kiện con người.

Trong ngôn ngữ “các yếu tố hạn chế” của phần trước, những thách thức chính khi áp dụng trí tuệ trực tiếp vào sinh học là dữ liệu, tốc độ của thế giới vật lý và độ phức tạp nội tại (thực tế, cả ba yếu tố này có liên quan với nhau). Hạn chế từ con người cũng đóng vai trò ở giai đoạn sau, khi liên quan đến các thử nghiệm lâm sàng. Hãy cùng xem xét chúng từng yếu tố một.

Các thí nghiệm trên tế bào, động vật và ngay cả các quá trình hóa học đều bị giới hạn bởi tốc độ của thế giới vật lý: nhiều quy trình sinh học yêu cầu nuôi cấy vi khuẩn hoặc các tế bào khác, hoặc chỉ đơn giản là chờ đợi các phản ứng hóa học xảy ra, và điều này đôi khi có thể mất từ vài ngày đến vài tuần, không có cách rõ ràng để tăng tốc. Các thí nghiệm trên động vật có thể mất vài tháng (hoặc lâu hơn) và các thí nghiệm trên người thường mất nhiều năm (hoặc thậm chí hàng thập kỷ đối với các nghiên cứu kết quả dài hạn).

Liên quan đến vấn đề này, dữ liệu thường thiếu – không phải về số lượng, mà là chất lượng: luôn có sự thiếu hụt dữ liệu rõ ràng, không mơ hồ để tách biệt một tác động sinh học cần quan tâm khỏi hàng nghìn yếu tố khác đang tác động, hoặc can thiệp nhân quả vào một quá trình nào đó, hoặc đo lường trực tiếp một hiệu ứng nào đó (thay vì suy ra các hậu quả của nó một cách gián tiếp hoặc không rõ ràng). Thậm chí dữ liệu phân tích phân tử khối lượng lớn, như dữ liệu proteomics mà tôi thu thập khi làm việc với kỹ thuật khối phổ, cũng rất nhiễu và thiếu sót rất nhiều (ví dụ: các protein này xuất hiện trong loại tế bào nào? Phần nào của tế bào? Trong giai đoạn nào của chu kỳ tế bào?).

Một phần nguyên nhân gây ra những vấn đề với dữ liệu là do độ phức tạp nội tại: nếu bạn đã từng nhìn thấy một sơ đồ mô tả sinh hóa học của quá trình trao đổi chất ở con người, bạn sẽ biết rằng rất khó để tách biệt tác động của bất kỳ phần nào trong hệ thống phức tạp này, và thậm chí còn khó khăn hơn khi can thiệp vào hệ thống theo một cách chính xác hoặc có thể dự đoán được. Cuối cùng, ngoài thời gian nội tại cần có để thực hiện một thí nghiệm trên con người, các thử nghiệm lâm sàng thực tế còn liên quan đến rất nhiều thủ tục hành chính và yêu cầu pháp lý mà (theo quan điểm của nhiều người, trong đó có tôi) làm mất thời gian không cần thiết và gây chậm tiến độ.

Với tất cả những yếu tố này, nhiều nhà sinh học từ lâu đã hoài nghi về giá trị của AI và “dữ liệu lớn” nói chung trong sinh học. Lịch sử cho thấy các nhà toán học, nhà khoa học máy tính và nhà vật lý đã ứng dụng kỹ năng của họ vào sinh học trong suốt 30 năm qua và đạt được một số thành công nhất định, nhưng không tạo ra tác động đột phá như kỳ vọng ban đầu. Một số hoài nghi đã được giảm bớt nhờ vào những đột phá lớn và mang tính cách mạng như AlphaFold (mới đây đã xứng đáng giành giải Nobel Hóa học cho các nhà sáng chế) và AlphaProteo11, nhưng vẫn còn một nhận thức rằng AI chỉ (và sẽ tiếp tục) hữu ích trong một số hoàn cảnh hạn chế. Một công thức phổ biến là “AI có thể phân tích dữ liệu của bạn tốt hơn, nhưng nó không thể tạo ra thêm dữ liệu hoặc cải thiện chất lượng dữ liệu. Dữ liệu tồi, kết quả tồi”.

Tuy nhiên, tôi nghĩ rằng góc nhìn bi quan này đang nhìn nhận AI theo cách sai. Nếu giả thuyết cốt lõi của chúng ta về sự tiến bộ của AI là đúng, thì cách đúng đắn để nghĩ về AI không phải là một phương pháp phân tích dữ liệu, mà là một nhà sinh học ảo thực hiện tất cả các công việc mà các nhà sinh học làm, bao gồm thiết kế và thực hiện thí nghiệm trong thế giới thực (bằng cách điều khiển robot trong phòng thí nghiệm hoặc đơn giản là chỉ bảo con người thực hiện các thí nghiệm – giống như một Principal Investigator hướng dẫn các nghiên cứu sinh của họ), phát minh các phương pháp sinh học mới hoặc kỹ thuật đo lường mới, và nhiều việc khác nữa.

Chính bằng cách tăng tốc toàn bộ quy trình nghiên cứu, AI mới có thể thực sự thúc đẩy sinh học. Tôi muốn nhắc lại điều này vì đó là hiểu lầm phổ biến nhất mà tôi gặp phải khi nói về khả năng của AI trong việc thay đổi sinh học: tôi không nói về AI như một công cụ phân tích dữ liệu. Theo định nghĩa về AI mạnh mẽ ở phần đầu của bài viết này, tôi đang nói về việc sử dụng AI để thực hiện, chỉ đạo và cải thiện gần như tất cả những gì mà các nhà sinh học đang làm.

Để cụ thể hơn về nơi tôi nghĩ rằng sự tăng tốc có thể đến từ, một phần lớn tiến bộ trong sinh học đã đến từ một số ít phát hiện thực sự nhỏ, thường liên quan đến các công cụ hoặc kỹ thuật đo lường rộng rãi cho phép can thiệp chính xác nhưng có thể điều chỉnh được vào các hệ thống sinh học. Có thể mỗi năm có khoảng 1 trong số những phát hiện lớn này và chúng tập hợp lại có thể tạo ra hơn 50% tiến bộ trong sinh học. Những phát hiện này mạnh mẽ chính vì chúng cắt xuyên qua sự phức tạp nội tại và hạn chế dữ liệu, trực tiếp làm tăng hiểu biết và khả năng kiểm soát quá trình sinh học. Một vài phát hiện trong mỗi thập kỷ đã giúp chúng ta hiểu biết cơ bản về sinh học và đồng thời thúc đẩy nhiều phương pháp điều trị y tế mạnh mẽ nhất.

Một số ví dụ bao gồm:

• CRISPR: một kỹ thuật cho phép chỉnh sửa gene sống trong các sinh vật sống (thay thế bất kỳ chuỗi gene nào bằng một chuỗi gene khác tùy ý). Kể từ khi kỹ thuật này được phát triển, đã có những cải tiến liên tục để nhắm mục tiêu các loại tế bào cụ thể, tăng độ chính xác và giảm việc chỉnh sửa nhầm gene – tất cả đều cần thiết cho việc sử dụng an toàn trên con người.
• Các loại kính hiển vi khác nhau để quan sát những gì đang diễn ra ở mức độ chính xác: kính hiển vi ánh sáng tiên tiến (với các kỹ thuật huỳnh quang khác nhau, quang học đặc biệt, v.v.), kính hiển vi điện tử, kính hiển vi lực nguyên tử, v.v.
• Giải mã và tổng hợp bộ gen, đã giảm giá thành rất nhiều trong vài thập kỷ qua.
• Các kỹ thuật quang sinh học cho phép bạn kích hoạt một neuron bằng cách chiếu sáng nó.
• Vắc-xin mRNA, về lý thuyết, cho phép chúng ta thiết kế một loại vắc-xin chống lại bất kỳ bệnh gì và nhanh chóng điều chỉnh nó (vắc-xin mRNA tất nhiên đã trở nên nổi tiếng trong đại dịch COVID).
• Các liệu pháp tế bào như CAR-T cho phép tế bào miễn dịch được lấy ra khỏi cơ thể và “lập trình lại” để tấn công, về lý thuyết, bất kỳ thứ gì.
• Những hiểu biết khái niệm như lý thuyết mầm bệnh hay nhận thức về mối liên hệ giữa hệ miễn dịch và ung thư.

Tôi liệt kê tất cả những công nghệ này vì tôi muốn đưa ra một tuyên bố quan trọng về chúng: tôi nghĩ rằng tốc độ phát hiện của chúng có thể được tăng lên gấp 10 lần hoặc hơn nếu có nhiều nhà nghiên cứu tài năng, sáng tạo hơn. Nói cách khác, tôi nghĩ rằng lợi ích thu được từ trí tuệ là rất cao đối với những phát hiện này, và rằng tất cả những thứ khác trong sinh học và y học chủ yếu theo sau từ chúng.

Tại sao tôi nghĩ vậy? Vì câu trả lời cho một số câu hỏi mà chúng ta nên quen hỏi khi cố gắng xác định “lợi tức từ trí tuệ”. Thứ nhất, những phát hiện này thường được thực hiện bởi một số ít nhà nghiên cứu, thường là những người đã thực hiện những phát hiện này nhiều lần, cho thấy kỹ năng và không phải là tìm kiếm ngẫu nhiên (cái sau có thể chỉ ra rằng thí nghiệm dài ngày là yếu tố giới hạn).

Thứ hai, chúng thường “có thể đã được phát hiện” nhiều năm trước khi chúng được thực hiện: ví dụ, CRISPR là một thành phần tự nhiên của hệ miễn dịch trong vi khuẩn đã được biết đến từ những năm 80, nhưng mất 25 năm nữa người ta mới nhận ra nó có thể được sử dụng cho chỉnh sửa gene tổng quát. Chúng cũng thường bị trì hoãn nhiều năm do thiếu sự hỗ trợ từ cộng đồng khoa học cho những hướng đi đầy hứa hẹn (xem hồ sơ về người sáng chế vắc-xin mRNA; những câu chuyện tương tự rất phổ biến). Thứ ba, các dự án thành công thường là những dự án vất vả hoặc là những ý tưởng sau này mà ban đầu người ta không nghĩ là hứa hẹn, thay vì những nỗ lực được tài trợ lớn. Điều này cho thấy rằng không chỉ có việc tập trung tài nguyên lớn mới thúc đẩy những phát hiện, mà còn là sự sáng tạo.

Cuối cùng, mặc dù một số phát hiện này có “sự phụ thuộc theo chuỗi” (bạn cần thực hiện phát hiện A trước để có công cụ hoặc kiến thức để thực hiện phát hiện B) – điều này một lần nữa có thể tạo ra sự chậm trễ trong thí nghiệm – nhiều phát hiện, có thể là phần lớn, lại độc lập, có nghĩa là nhiều phát hiện có thể được nghiên cứu song song. Cả hai yếu tố này, cùng với kinh nghiệm chung của tôi với tư cách là một nhà sinh học, đều mạnh mẽ chỉ ra rằng có hàng trăm phát hiện như vậy đang chờ được thực hiện nếu các nhà khoa học thông minh hơn và giỏi hơn trong việc kết nối giữa khối lượng kiến thức sinh học mà nhân loại sở hữu (một lần nữa hãy xem ví dụ về CRISPR). Thành công của AlphaFold/AlphaProteo trong việc giải quyết các vấn đề quan trọng một cách hiệu quả hơn nhiều so với con người, mặc dù đã có hàng thập kỷ mô hình hóa vật lý được thiết kế cẩn thận, cung cấp một nguyên lý chứng minh (dù chỉ là với một công cụ hẹp trong một lĩnh vực hẹp) mà có thể chỉ ra con đường phía trước.

Do đó, tôi đoán rằng AI mạnh mẽ có thể ít nhất tăng gấp 10 lần tốc độ những phát hiện này, giúp chúng ta có được 50-100 năm tiến bộ sinh học trong vòng 5-10 năm. Tại sao không phải là 100 lần? Có thể là có thể, nhưng ở đây, sự phụ thuộc theo chuỗi và thời gian thí nghiệm trở thành yếu tố quan trọng: để có được 100 năm tiến bộ trong 1 năm, nhiều điều phải diễn ra đúng ngay từ lần đầu tiên, bao gồm thí nghiệm trên động vật và những công việc như thiết kế kính hiển vi hay các cơ sở thí nghiệm đắt tiền.

Tôi thực sự mở lòng với ý tưởng (có thể nghe có vẻ ngớ ngẩn) rằng chúng ta có thể đạt được 1000 năm tiến bộ trong vòng 5-10 năm, nhưng lại hoài nghi rằng chúng ta có thể đạt được 100 năm trong 1 năm. Cách khác để diễn đạt là tôi nghĩ có một độ trễ không thể tránh khỏi: thí nghiệm và thiết kế phần cứng có một “độ trễ” nhất định và cần phải được lặp lại một số lần “không thể giảm thiểu” để học được những điều không thể suy luận ra. Tuy nhiên, sự song song hóa quy mô lớn có thể là khả thi trên nền tảng đó.

Còn về các thử nghiệm lâm sàng thì sao? Mặc dù có rất nhiều thủ tục hành chính và sự chậm trễ liên quan đến chúng, sự thật là rất nhiều (dù không phải tất cả!) sự chậm trễ này cuối cùng lại xuất phát từ việc cần phải đánh giá nghiêm ngặt các loại thuốc chỉ có tác dụng hạn chế hoặc tác dụng không rõ ràng. Điều này đáng tiếc đúng với hầu hết các liệu pháp hiện nay: thuốc ung thư trung bình chỉ kéo dài sự sống vài tháng trong khi có các tác dụng phụ nghiêm trọng cần phải đo lường cẩn thận (cũng có câu chuyện tương tự với thuốc Alzheimer). Điều này dẫn đến các nghiên cứu lớn (để đạt được độ tin cậy thống kê) và các thỏa hiệp khó khăn mà các cơ quan quản lý thường không giỏi trong việc đưa ra quyết định, lại do thủ tục hành chính và sự phức tạp của các lợi ích cạnh tranh.

Khi một liệu pháp thực sự hiệu quả, tiến trình sẽ nhanh hơn nhiều: có một lộ trình phê duyệt nhanh và việc phê duyệt sẽ dễ dàng hơn khi tác dụng rõ ràng hơn. Các vắc-xin mRNA cho COVID đã được phê duyệt trong 9 tháng – nhanh hơn nhiều so với tốc độ thông thường. Tuy nhiên, ngay cả trong điều kiện này, các thử nghiệm lâm sàng vẫn quá chậm – các vắc-xin mRNA đáng lẽ đã có thể được phê duyệt trong khoảng 2 tháng. Nhưng những sự chậm trễ kiểu này (~1 năm toàn bộ cho một loại thuốc) kết hợp với sự song song hóa quy mô lớn và sự cần thiết phải có một số nhưng không quá nhiều lần thử nghiệm (“một vài lần thử”) rất phù hợp với việc có một sự chuyển đổi mạnh mẽ trong 5-10 năm. Thậm chí, lạc quan hơn, có thể khoa học sinh học sử dụng AI sẽ giảm bớt sự cần thiết phải thử nghiệm lặp lại trong các thử nghiệm lâm sàng bằng cách phát triển các mô hình thí nghiệm động vật và tế bào (hoặc thậm chí mô phỏng) chính xác hơn trong việc dự đoán những gì sẽ xảy ra ở con người. Điều này đặc biệt quan trọng trong việc phát triển thuốc chống lại quá trình lão hóa, vì quá trình này diễn ra trong nhiều thập kỷ và chúng ta cần một chu kỳ lặp lại nhanh hơn.

Cuối cùng, về chủ đề các thử nghiệm lâm sàng và các rào cản xã hội, đáng chú ý là về mặt nào đó, các đổi mới sinh học có một hồ sơ triển khai thành công đặc biệt mạnh mẽ, trái ngược với một số công nghệ khác. Như đã đề cập trong phần mở đầu, nhiều công nghệ bị cản trở bởi các yếu tố xã hội mặc dù về mặt kỹ thuật thì hoạt động tốt. Điều này có thể gợi ý một cái nhìn bi quan về những gì AI có thể đạt được. Nhưng y sinh học là một lĩnh vực đặc biệt vì mặc dù quá trình phát triển thuốc quá phức tạp, nhưng một khi thuốc được phát triển thì chúng thường được triển khai và sử dụng thành công.

Tóm lại, dự đoán cơ bản của tôi là AI-enabled biology và y học sẽ cho phép chúng ta rút ngắn tiến bộ mà các nhà sinh học nhân loại sẽ đạt được trong 50-100 năm tới thành 5-10 năm. Tôi sẽ gọi điều này là “thế kỷ 21 bị nén lại”: ý tưởng rằng sau khi AI mạnh mẽ được phát triển, chúng ta sẽ đạt được toàn bộ tiến bộ trong sinh học và y học mà chúng ta dự đoán sẽ có được trong suốt thế kỷ 21 chỉ trong vài năm.

Mặc dù dự đoán những gì AI mạnh mẽ có thể làm trong vài năm vẫn là một việc khó khăn và đầy suy đoán, nhưng có một số cơ sở thực tế khi đặt câu hỏi “con người có thể làm gì mà không có sự trợ giúp trong 100 năm tới?”. Chỉ cần nhìn vào những gì chúng ta đã đạt được trong thế kỷ 20, hoặc mở rộng từ hai thập kỷ đầu của thế kỷ 21, hoặc hỏi “10 CRISPR và 50 CAR-T sẽ đưa chúng ta đến đâu”, tất cả đều cung cấp những cách tiếp cận thực tế, có cơ sở để ước tính mức độ tiến bộ chung mà chúng ta có thể mong đợi từ AI mạnh mẽ.