自动化科学触发21世纪博纳扎



自动化科学触发21世纪博纳扎
自2000年代初以来,许多经济学家都怀疑生产率是否会再次匹配或超过1990年代的增长率。
技术简报

成绩单


自2000年代初以来相对公寓后,许多经济学家怀疑生产力将再次匹配或超过20世纪90年代所见的增长率并不奇怪。这是因为他们正在考虑我们在全球网站发明的发明之上。

过去30年的巨大成功案例主要来自这种突破的线性推断。搜索引擎,社交媒体,智能手机和软件AS-AS-SERVER各自创造的巨大价值,但它们都是在20世纪90年代初创建的技术范式的所有副产品,并从那时起改善了。

下一个“腿”将涉及在已经创建的基金会上建立新的业务模型和技术范例。从现在到2030年代中期,新的爆炸性财富创造浪潮将通过将无处不在的网络计算,AI,量子计算和机器人技术相结合,以在250年前开始的技术道路上进行下一个重大飞跃。优化现有系统将让位于真正的创新。

正如我们在我们的书中所讨论的波浪,将免费市场与不断的技术创新结合起来,使美国人能够从大约1300美元到近65,000美元的大约1300美元提高他们的人均GDP(今天的美元)。这个前所未有的浪涌在250年和四个技术经济革命中发生。前四个技术经济革命集中在通过利用能源和自动化实际劳动来增加生产率。在此期间,研究人员使用手动计算与试验和错误实验相结合“科学发现的低悬浮果”。

但随着许多学者提醒我们,每次有意义的突破现在需要更多的时间和努力来识别和商业化,使人类聪明才智更加努力地常规产生新的大片。因此,许多经济学家认为我们陷入了缓慢的增长“新的正常”。幸运的是,在1971年开始的第五届技术经济革命的定义技术正在证明能够提供科学,这些解决方案的各种游戏改变解决方案,即用于农业,制造,交通,沟通和娱乐提供的早期技术。

这些新解决方案是什么?为什么他们现在只开始彻底改变我们的世界?Moore律师的前所未有的进展,Metcalfe法律意味着计算和网络的价格绩效继续以指数率提高。因此,访问庞大的计算资源,数据库和通信能力的能力可以在任何地方都在一切中。

第五届技术经济革命的新兴黄金时代(或协同阶段)的定义特征在于人类使用数字技术的几乎各个方面的定性和定量增强的能力。这个新时代的一个关键的副产品和推动者是“​​机器学习”,也称为“狭窄的人工智能”。这是日常值得普遍存在谷歌搜索引擎,亚马逊的Alexa和Apple最新的iPhone中的价值。

现在,机器学习即将以迄今为止难以想象的方式彻底改变科学研究。这是因为这些技术将实现更好,更快,更便宜的方式来开展研究的各个方面,从而产生自我加强的良性循环。广泛的影响将成为地球破碎,因为更高效的研究迅速而便宜地对重要的新发现,这将增加财富,并鼓励社会投入更多资源来提高研究。

这尤其如此,因为数字研究将使我们能够做到以前永远不会完成的事情,而不管分配的传统资源。此外,这种加速的研究将使我们能够创造今天使我们最富有的解决方案,然后在几年内将这些益处扩展到世界上最贫穷的人。从来没有在全球范围内迅速移动或以如此迅速移动或如此易于访问。它每年都越来越快。

科学研究已经利用智能机器来赋予聪明的人,而不是大多数努力领域。由于其步伐,科学家们自己常常只意识到自己的科学研究中的革命。与此同时,很少有管理人员,政策制定者或投资者欣赏仍处于初期的科学中的数字革命的巨大范围。为那些了解正在发生的事情的人创造了很大的机会,可以为早期变革的迹象扫描地平线。

让我们考虑一些最大的机会以及对科学家,消费者和投资者的意义。要欣赏这场革命,有必要了解科学发现周期的五个步骤,并考虑数字化如何在每个步骤中增强过程。

第一步:探索科学文献。

在这里,永无止境的任务是识别数百万的海洋中的相关科学论文,同时跟踪它们的新主题。

第二步:设计实验。

这里的挑战是制定假设并确定如何进行测试。像业务策略一样,实验设计决定了研究其余部分的执行,投资和指标。关键是要在探索新理由和对众所周知现象的剥削之间找到正确的权衡。

第三步:运行实验。

跟踪数百万个数据点及其关系。例如,在生命科学的情况下,必须在精确确定的时间段内对各种分子和细胞上的实验进行数千个小管,同时避免污染。在此阶段,错误会导致职业生涯的后果。

第四步:解释数据。

这涉及从实验中发出洪泛的原始数据。例如,在生命科学中,这可能涉及许多遗传和生物化学信息的特烈。目标是将实验结果转化为科学发现。在这里,研究人员确定了假设是否有量化或拒绝;或者,另一个同样有趣的假设,并确认。

而且,第五步:写一个新的科学论文和/或申请专利。

这是周期结束的地方和新的开始。研究人员确保他们引用每一个相关的先例,无论是在第一步中是否已识别。然后,一旦对同行评审,结果将被添加到其他研究人员引用的科学文献体内。在理想的情况下,该研究结果不仅转化为经常引用的研究论文,而且成为宝贵专利的基础,也许甚至是全新企业。

从文明的黎明到20世纪80年代,这个周期的每一步都是精心的手动。这是当科学文献存储在计算机上时,使用大型机和小型计算机的大数据集的统计分析越来越可用,实验者越来越多地使用数字仪器来构建数据集。然后,在接下来的35年左右,这些传统的数字解决方案变得更好,更便宜,更快。然而,它只是自2015年左右以来,人工智能,大数据方法和机器人公司已经达到了在应用研究时能够实现量子飞跃的程度。

前进,主要目标是利用这些技术来增强,甚至更换人类在科学过程中。第二个和更大的目标是进行研究,即“以前不可能”的常规。为此,研究人员已经释放了人工智能,通常是人工神经网络的形式,在数据种子上。与早期的基于规则的系统尝试不同,这些不需要以人类专家的知识进行编程。相反,他们往往从大型的“培训数据”中学习,直到他们可以“看到模式”和“现场异常”,这些数据集比人类可以应付更大且凌乱的数据集。

为了欣赏这种新的范式如何得到回报,请考虑人工智能改变药物发现科学的一些方式。首先,人工智能可以分析大量数据,使其识别对人类来说太复杂的数据集中的模式。其次,人工智能可以基于这些数据产生预测,可能导致新型药物靶标和铅分子的快速和准确的鉴定。第三,人工智能可以使用自然语言处理来汇集不同的信息和数据集,为研究人员提供了无法提供单一实验的见解。包括所有相关的科学期刊。第四,药物发现中的关键挑战之一是了解药物可以靶向的蛋白质的结构。虽然结构可以通过实验辨别,但过程是耗时和昂贵的。

Google的DeepMind最近推出了Alphafold,Alphafold是一个AI平台,可以高精度预测蛋白质结构。Alphafold为药物发现中的一个关键瓶颈提供了解决方案,从而探索了一组新的潜在药物靶标。第五,生物系统由高度复杂的相互作用网络组成。该系统的复杂性使得很难预测药物如何产生不良影响。

例如,电子治疗方法使用人工智能来模拟和分析这些复杂的网络,并假设整个生物系统AI的代表性模拟将改变药物发现将有助于将疗法转化为患者,从而降低昂贵的临床阶段失败。因此,尽管存在明显的婴儿期,但人工智能已经被广泛认识到对药物发现过程具有革命性的影响,有可能降低磨损,加速开发时间表并降低成本。

在回应中,AI - 供应商和药物开发商之间存在众多伙伴关系。这引发了一系列基于AI的药物发现平台的风险投资。在过去十年中导致了较快和更便宜的药物发现方法的潜力导致了众多初创企业。许多人收到了大量的投资和与大型生物生物公司的公司建立了合作伙伴关系。

哪些公司在药物发现中使用人工智能以及谁在支持它们?考虑一些例子。Benevolentai使用机器学习创建所谓的“知识图”,以连接其大型存储库中相关的生物医学数据。这些知识图包含有关人类由于数据的复杂性和数量而无法自行合成的见解。

该信息可用于识别药物靶标,开发铅分子并重新利用已知药物。Benevolentai确定Bariticinib(一种批准的类风湿关节炎药物)有可能用于治疗Covid-19。FDA随后授权使用Bariticinib治疗住院的Covid-19患者。Benevolentai与Astrazeneca合作,该合作伙伴关系将Benevolentai的平台与Astrazeneca的专业知识和大型数据集相结合。

2021年1月,它宣布发现对慢性肾病的新靶点。一家名为递归的公司旨在使用机器视觉更快地制造药物发现,以确定通过分子治疗引起的细胞生物学的细微变化。该方法使公司能够迅速分析大量的实验数据。数据使用其自动机器人实验室在内部生成,每周执行150万实验。

该公司在I期临床试验中有四个药物候选人,并与拜耳持续伙伴关系,旨在在纤维化疾病中开发新的疗法。4月,递归在纳斯达克完成了4.36亿美元的IPO。今天,新药的发现和批准估计超过26亿美元,需要至少10年。虽然基于AI的药物发现技术仍然很新兴,但刚刚探索了许多应用,但广泛认识到AI潜力,以改善药物发现过程。

自2015年以来,AI服务与制药行业之间存在100宗新伙伴关系。此外,11月,字母表宣布推出同构实验室,这是一种深度脱落,旨在为药物发现提供新的“AI-First方法”。重要的是要认识到,制药行业的早期进展仅仅是一个特别高调的区域,自动化科学研究将彻底改变创造的价值。

世界各地的研究实验室正忙于将这些核心能力应用于材料科学,化学综合,以及其他其他领域。这一想法是在几乎每个利基地区都可以更便宜,更快,更有效的材料和过程。这样做将改造和加强行业,以各种农业,运输,航空航天,建筑,能源和消费品包装商品。

鉴于这一趋势,我们提供以下预测供您考虑。首先,一旦2030年,一大批行业将通过自动化科学研究的洪水洪水改变。作为汽车,包装,建筑和农业多样化的行业需要更好的材料更加富有成效。到目前为止,材料发现一直是试验和错误过程,由此科学家们产生新的分子,然后依次测试所需的性质。

这平均需要二十年,对于大多数公司而言,这太昂贵且冒险。但是,想象一下使用分子电子结构精确知识来创建新设计的计算机程序;想象一下制作和测试这些分子的机器人;并想象一下软件和机器人共同努力(测试分子,调整设计和测试),直到它们生产一种材料,并带有我们要寻找的属性。

多伦多大学的研究人员已经在使用AI,机器人技术和计算方面的进步来使这种愿景栩栩如生。他们实验室的中心是一个充满氮气的玻璃和金属围墙,该机器人沿着轨道来回移动。机器人可以从围栏侧面附近的一系列罐子中选择粉末和液体,并以精确的精度将内容物沉积到许多反应器中之一。机器人就像一个不懈的实验室助手,他将化学药品24/7混合在一起。它可以每12小时生产40种化合物。

除了机器人外,该系统还具有称为Chemos的软件,该软件可以识别候选分子。另一个程序将Chemos连接到机器人,将其指示以根据需要合成这些候选者。该系统的第三个独特组成部分是生产过程的完全自动化的“闭环”性质。反应完成后,所得的液体将通过塑料软管延伸到分析机,如小冰箱的大小和形状,从而将不需要的副产品分开。

然后,精细的输出流入另一个机器人,该机器人测试它以了解其属性。一旦这些结果完成,机器人就会将实验结果的结果送回化疗计划,使人工智能能够从该试验中学习并立即产生新的候选分子的新且更好的板岩。然后,在许多回合的预测,合成和测试中出现了胜利者。毫不奇怪,使用这种自动化的闭环发现系统的想法对化学研究人员越来越有吸引力。

在温哥华,纽约市,香槟 - 厄巴纳和格拉斯哥的同行现在正在建立类似的设施。作为这样的通用,自动分子创造设施出现在大学校园和全球企业研发中心,这是一项具有成本效益,高性能材料的新时代,将黎明。其次,正如公司依赖软件服务,许多人都将依赖于全自动遥控研究实验室,从而大大减少与运行实验相关的时间,成本和操作问题。

在生命科学中,Cloudbased Remote Laboratories可以提供巨大的好处,从而大大提高了最先进的实验的速度,成本,质量和可达性。像祖母绿的云实验室和转录销售时间(最先进的机器人实验室)等公司。任何启动或技术公司都可以在“可靠性的基础上,而不是投资一百万美元或更多的建造和运营无菌,全自动的实验室,可以购买对这些设施的访问。

在那里,机器人完美无瑕地执行研究人员的实验计划,并随着实验的冷冻最终产品提供数据文件。正如云几乎每次商业访问超级计算能力的那样,这些实验室几乎给出了每个生物技术研究员访问了实验室。突然与天使或VC资金的启动可以与主要公司研究中心竞争。

第三,人工智能的最大影响将在科学发现和产品开发方面,整个行业将建造在没有使用AI的情况下无法制造的发现。前面提到的蛋白质折叠突破只是许多重磅炸弹示例的最新突破。麻省理工学院研究人员最近报道称,“一种计算机模型,可以在几天内筛选超过一亿化学化合物,旨在挑选使用不同机制的潜在抗生素,而不是现有的药物。”

同样,有线杂志在Inobat报道的基于斯洛伐克的公司,该公司正在使用美国开发的AI平台来分析不同锂电池化学物质的速度比以前可能的速度快10倍。而这只是“冰山一角”,当利用AI的独特能力来做游戏变化的科学研究时。由于这项技术仍处于起步阶段,趋势编辑期望看到一系列以前未想象的解决方案,这将为新公司甚至新兴产业构成基础。

评论

迄今未提交任何意见。

提交评论


发布前审查了评论。您必须包含您的全名,以发布您的评论。我们不会发布您的电子邮件地址。

你的名字


你的公司
你的邮件


你的国家
你的评论



Baidu