MIT відкриває нову еру: «другий переломний момент» ШІ для науки – що стоїть за проривом Гомес-Бомбареллі?

Зміст статті

В аудиторіях Массачусетського технологічного інституту – сухе сяйво моніторів і списані формулами дошки. Тут Рафаель Гомес-Бомбареллі говорить про майбутнє, яке він намагається прискорити, – від лабораторних планів до обчислювальних стеків. Його шлях пролягає через фізичні симуляції, генеративні моделі та мову, яку розуміють і вчені, і алгоритми. На тлі стрімкого розвитку ШІ професор, який нещодавно отримав постійну посаду в MIT, окреслює межу між учорашньою наукою і тією, яка вчиться мислити в коді та даних.

Другий переломний момент

Понад десятиліття Гомес-Бомбареллі використовує генеративний ШІ для створення нових матеріалів, і сьогодні він називає це точкою «другого зламу» – поєднанням мовних моделей, багатомодових даних і масштабованих симуляцій. Його група зосереджена на тому, як склад, структура та реактивність атомів визначають властивості речовини, а обчислювальні підходи пришвидшують пошук. Це поєднання дало конкретні результати: з’явилися нові матеріали для батарей, каталізаторів, пластиків та OLED. За межами кампусу його досвід конвертується в підприємництво – від участі в наукових радах стартапів до заснування компаній. Остання ініціатива, Lila Sciences, будує платформу «наукового суперінтелекту» для біології, хімії та матеріалознавства. Усе це працює на спільну мету – зробити дослідження більш безшовними та продуктивними, скоротивши шлях від ідеї до верифікації.

Цей «другий переломний момент» він бачить як логічне продовження хвилі 2015 року, коли з’явилися перші успіхи представлення знань, генеративні моделі та високопродуктивні дані в окремих галузях науки. Сьогодні, за його словами, до набору інструментів додається можливість «міркувати мовою», інтерпретувати структури матеріалів і навіть читати «рецепти синтезу» як дані, з якими може працювати машина.

Від пробірки до коду

Його траєкторія почалася в Іспанії: у 2001 році перемога в олімпіаді з хімії визначила вибір університету – Саламанка, де він здобув бакалаврський і потім захистив PhD, досліджуючи дію речовин, що ушкоджують ДНК. Дисертація стартувала як експериментальна, однак посередині шляху він «переїхав» у моделювання, де програмування стало способом впорядкувати думку і вийти за межі можливостей інструментів. Наступною зупинкою стала Шотландія – постдок із квантових ефектів у біології, що з’єднав його з Alán Aspuru-Guzik і привів до Гарварду у 2014 році. Там він був серед перших, хто у 2015 році застосував нейронні мережі для розуміння молекул, а вже у 2016 році – генеративний підхід у хімії. Лік було поставлено сотням тисяч розрахунків у різних класах матеріалів, що принесло сотні кандидатів для подальших тестів. Цей досвід задав стандарт швидкості, до якого тепер підтягується індустрія.

Через два роки в лабораторії він разом із наставником заснував компанію з обчислювального пошуку матеріалів, яка згодом сфокусувалася на органічних світлодіодах (OLED). Гомес-Бомбареллі приєднався до неї повний робочий день і називає цей період найскладнішим у кар’єрі – але саме він навчив його створювати цінність із розрахунків. У 2018 році, попри скепсис щодо академічного навантаження, він подався на позицію в Департаменті матеріалознавства та інженерії MIT і зрештою обрав університет як ширшу рамку для своїх ідей.

Лабораторія без піпеток

Сьогодні минуло дев’ять років відтоді, як він приєднався до MIT, і його група цілком обчислювальна – тут не проводять фізичних експериментів. Натомість ідеї проходять через високопродуктивні симуляції, де дані підсилюють алгоритми, а алгоритми – наступні серії розрахунків, створюючи «добродійне коло» між фізикою та ШІ. Команда розробляє інструменти, що поєднують глибинне навчання та фізичні моделі, аби відсіювати слабкі гіпотези й витягувати потенційно результативні. Водночас лабораторія тримає фокус на реальному застосуванні: тісно співпрацює з компаніями та використовує можливості Industrial Liaison Program MIT, щоб розуміти потреби індустрії та бар’єри на шляху до комерціалізації. Це дозволяє наблизити відкриття до етапу виробництва без зайвих спроб і помилок.

Як працює зв’язка симуляцій та ШІ

Ключ у масштабі: симуляції генерують узгоджені з фізикою дані, на яких вчаться моделі; моделі прискорюють наступні симуляції, скорочуючи простір пошуку і час на валідацію. Паралельно мовні моделі структурують наукові тексти – від статей до протоколів синтезу – і перетворюють їх на коди дій, придатні для алгоритмічного аналізу. Так «мова науки» стає вхідними даними для обчислень, а обчислення – підказками для експериментів у партнерських лабораторіях.

Момент зрілості індустрії

Із вибуховим зростанням уваги до ШІ Гомес-Бомбареллі спостерігає, як ідеї шестирічної давнини стають мейнстримом. Команди з Meta, Microsoft та Google DeepMind регулярно проводять симуляції, співзвучні тим підходам, що відпрацьовувалися ще у 2016 році. У листопаді Міністерство енергетики США запустило ініціативу Genesis Mission – програму прискорення наукових відкриттів, зміцнення нацбезпеки та енергетичної переваги за допомогою ШІ. Для вченого це підтвердження консенсусу: масштабування працює для симуляцій і мовних моделей, а тепер має показати себе в самій науці – як системному процесі.

Читайте також наші статті:

• Підйомник на сцену, QR-код і тактильні рішення: як Львівська національна філармонія ламає бар’єри вже сьогодні
• Коли темніє місто: інструкція МВС під час відключень – вода, «тривожна валіза» та зв’язок із 112

Людський вимір швидкості

Коли він прийшов до MIT, його вразила відсутність внутрішньої конкуренції та відкрита співпраця. Сьогодні його група налічує близько 25 аспірантів та постдоків, де кожен має власні амбіції, а керівник виступає модератором темпу, а не диктатором ідей. Тут підтримують експериментаторів за межами групи – зводять індустрію, моделі та лабораторії. Так вибудовується екосистема, у якій ШІ для науки стає каталізатором, а не самоціллю.

«AI for science is one of the most exciting and aspirational uses of AI… AI for science is about bringing a better future forward in time.»

Це висловлювання Гомес-Бомбареллі добре окреслює ставку: цінність не в заміні людини, а в стисненні часової шкали наукового процесу – від гіпотези до практичного матеріалу. Тому лабораторія лишається без «мокрих» експериментів, натомість працюючи як фільтр і прискорювач ідей для партнерів, які ставлять фінальні крапки у верифікації.

Коли мова стає інструментом

Другий злам у ШІ, про який говорить професор, – це розмиття кордонів між текстом, кодом і структурою речовини. Люди формулюють думки мовою, і тепер великі мовні моделі здатні з’єднати науковий дискурс із розрахунками: зчитати рецепт синтезу як граф дій, а молекулу – як структуру, що піддається маніпуляції в обчисленні. Такий місток дозволяє масштабувати не лише дані, а й міркування – те, що колись було привілеєм експертних «інтуїцій», тепер стає тиражованим інструментом аналізу.

Попереду – прискорена наука

Обачні прогнози спираються на нинішні тенденції: масштабовані симуляції синхронізуються з багатомодовими моделями, а індустрія вже підхоплює цю логіку. За рахунок кооперації та стандартизованих інтерфейсів між лабораторіями, компаніями та університетами зменшується тертя на стиках. Усе це посилює шанси, що масштабування для науки стане не метафорою, а операційною нормою.

• Поєднання мовних моделей із симуляціями для аналізу літератури, структур і «рецептів» синтезу.
• Розширення високопродуктивних обчислень, що генерують фізично узгоджені дані для навчання моделей.
• Тісніші зв’язки з індустрією через програми на кшталт Industrial Liaison Program – швидша дорога до впровадження.

Формула темпу

Історія Гомес-Бомбареллі – це про темп, у якому зшиваються мова, дані та матерія. Від Саламанки до Кембриджа – через стартапи, симуляції та колаборації з індустрією – він вибудовує шлях, де відкриття вимірюються не лише публікаціями, а й новими матеріалами, що потрапляють у тести. Якщо масштабування працює для мови й симуляцій, чи стане воно стандартом і для самої науки? Відповідь залежить від того, наскільки швидко «науковий суперінтелект» з’єднає людей, моделі та виробництво в єдину систему рішень.