10 min read

AI ger oss innovation med superkrafter. Vad vi kan förvänta oss 2023 och framåt

AI ger oss innovation med superkrafter. Vad vi kan förvänta oss 2023 och framåt

2022 var ett imponerande år för artificiell intelligens med omtalade exempel som ChatGPT, DALL•E och Midjourney. De framsteg som vi kollektivt imponerades över har framför allt varit inom det man kallar för Generativ AI, där AI nu skapar allt mer verklighetstroget innehåll i form av text, bild, ljud och video. Den här typen av framsteg lär fortsätta under 2023 och komma från ”the usual suspects” som OpenAI och DeepMind, men också från ännu okända aktörer då artificiell intelligens blivit tillgängligt för fler.

I den här posten vill jag dock inte lyfta hur AI skriver våra texter eller gör om oss till avatarer. Snarare vill jag dyka ner i hur smarta algoritmer allt mer håller på att förändra hur vi jobbar med forskning & utveckling inom områden som medicin, batteriteknik, nya material och grön omställning.

För. De senaste årens genombrott inom AI och underkategorin maskininlärning har förändrat sättet som genombrott kan göras på. Uppenbart är att vi människor med våra begränade geniknölar angriper problem på ett annat sätt än vad AI gör. Istället för att utgår från teoretisk förståelse kan AI nu dyka ner i en massa information (data) och hitta helt nya typer av samband som tidigare varit dolda för oss människor. Låt oss titta på ett första exempel.

AI har identifierat en ny typ av antibiotika


Idag används mer antibiotika globalt än vad som är nödvändigt, framför allt inom djuruppfödning. Det här gör att bakterier utvecklar en motståndskraft mot antibiotika vilket i nästa steg är ett stort hot mot människors hälsa. Enligt WHO dör omkring 700 000 personer varje år på grund av denna resistens. Om inget görs riskerar siffran stiga till upp till 10 miljoner till 2050. Nu pågår en jakt på olika håll efter nya antibiotikaformer som kan ta död på bakteriestammar som är resistenta mot dagens antibiotika.

Forskare på Massachusetts Institute of Technology (MIT) gjorde 2019 ett värdefullt framsteg. Man lät en AI-algoritm ge sig på utmaningen vilket resulterade i flera lovande nya antibiotikakandidater, varav en var speciellt intressant och döptes till Halicin.

Teamet använde en metod som kallas för övervakad inlärning (supervised learning) där man tränade upp en artificiell intelligens utifrån information man hade om molekyler och deras förmåga att vara antibakteriella. Närmare bestämt handlade det om över 2 tusen olika molekyler, deras strukturer och egenskaper. AI-lösningen identifierade sedan nya typer av samband som forskarna tidigare hade missat.

"We trained a deep learning model on a collection of ~ 2,500 molecules for those that inhibited the growth of E. coli in vitro. This model learned the relationship between chemical structure and antibacterial activity in a manner that allowed us to show the model sets of chemicals it had never seen before and it could then make predictions about whether these new molecules were possessed antibacterial activity against E. coli or not.” Citat

AI-algoritmen kom inte fram till sin lösning genom att imitera vårt mänskliga sätt att tänka. En AI har inte någon egen intelligens med förståelse för kemiska processer eller hur läkemedel funkar. Istället kunde AI:n i det här fallet identifiera komplexa samband mellan molekylers strukturer och antibiotikaeffektivitet och utifrån denna information kartlägga tidigare dolda mönster. Vill du läsa mer om projektet gör du det här: news.mit.edu.

Lyckosamma misstag


Låt oss fortsätta på temat antibiotika men blicka bakåt i tiden. Den första sortens antibiotika, penicillinet, upptäcktes som du säkert vet av ett lyckosamt misstag. Även om de flesta framsteg som har gjorts varit ett resultatet av strukturerat arbete har vi ibland också snubblat över misstag som visat sig leda till banbrytande historiska genombrott. 1945 fick Alexander Fleming Nobelpriset i medicin för just ett sådant i och med hans upptäckt av penicillinet.

Bild: Public Domain

Nobel Prize Museum beskriver pristagaren enligt följande:

"Fleming tillhörde inte de mest fanatiska forskarna. Han drack ”afternoon tea”, spelade biljard, schack, kort, tog en drink för att sedan gå hem till familjen och äta middag klockan åtta på kvällarna."

Sommaren 1928 unnade sig den livsbejakande bakteriologen en semester från sin tjänst på St Mary’s Hospital i London. När han kom tillbaks upptäckte han svamp i en odling av bakterier som han glömt kvar på en bänk innan semestern. Svampen visade sig hade tagit kål på bakterierna vilket blev startskottet för penicillinet.

Vid den här typen av slumpvisa upptäckter har människor fått jobba baklänges för att förstå hur sjutton det kan komma sig att den specifika upptäckten faktiskt funkar. Lite samma sak är det nu med AI. Tekniken hjälper oss att hitta nya typer av samband och lösningar, men det är inte alltid tydligt för oss hur den har kommit fram till slutsatserna. Vi kan inte sätta oss bredvid en AI och pedagogiskt be den att förklara hur den har ”tänkt”. Snarare får vi som människor observera resultaten, korrelationerna och sedan jobba just baklänges.

Låt oss hoppa vidare till nästa exempel som handlar om livets existens och som börjar i historien om proteiner.

Alla världens 200 miljoner proteiner är nu kartlagda och ”googlingsbara”

Proteiner är det som får det mesta i våra kroppar att funka. ”De omvandlar mat till energi, forslar syre till cellerna och får musklerna att dra ihop sig” (citat). Ja, det är proteiner som även får naturen att funka på imponerande sätt.

"Proteins do everything in life. And in order to understand life, we need to understand proteins" - Citat

Proteiner är uppbyggda av kedjor av aminosyror och här finns det något som kallas för proteinveckning, protein folding på engelska. Dessa kedjor av proteiner veckar nämligen ihop sig till komplexa 3D-strukturer när de bildas och det är just dessa former som avgör ett proteinernas egenskaper och hur de sköter sina jobb.

Bild: DeepMind

Att förstå hur proteiner är uppbyggda är en bra grej när vi vill utveckla nya läkemedel, men också i den gröna omställningen (vilket jag kommer att återkomma till längre ner).

Tidigare har det varit svårt att förutsäga strukturen hos proteiner eftersom det finns många olika sätt att koppla samman de olika aminosyrorna som utgör proteinet. I över 50 år har forskare brottats med att knäcka koden med hur proteinveckningen i proteiner ser ut. Fram tills nyligen hade den samlade forskarkåren lyckats kartlägga ett par hundra tusen proteiner och dess 3D-strukturer. Den absoluta majoriteten av proteinerna var dock fortfarande en gåta. AI-lösningen AlphaFold från DeepMind har nu knäckt den nöten.

Med hjälp av en kombination av djupinlärning och andra tekniker för att analysera stora mängder data utvecklade algoritmen från AlphaFold en förmåga att identifiera mönster i strukturerna – och utifrån denna skapa "predicitons" för tidigare okända proteiner. Detta gav inte ett resultat med 100% korrekthet, men väldigt träffsäkra förutsägelser. Så pass imponerande att tidningen Forbes kallar AlphaFold ”The Most Important Achievement In AI Ever”.

Och det finns ett enormt värde i att kartlägga strukturer hos proteiner."Det är helt nödvändigt att bestämma proteiners 3d-strukturer för att kunna förstå vad det har för olika funktioner, säger Pernilla Wittung-Stafshede, professor vid avdelningen för kemisk biologi på Chalmers.

AlphaFold har utvecklats i flera steg där det första genombrottet kommunicerades kring 2019. 2021 öppnade DeepMind upp informationen för forskarvärlden och 2022 hade man lyckats identifierade alla proteiner i universum som vi människor känner till – närmare bestämt över 200 miljoner stycken. Är du intresserad av att läsa mer om hur AlphaFolds har utvecklats över tid kan du göra det här.

Idag finns DeepMinds databas över proteinerna tillgänglig både för forskarvärlden och för kommersiellt bruk på. Med en ”vetenskaplig googling” går det att hitta information om hur varje känt protein veckas ihop i sin unika och komplexa 3D-struktur.

Att förstå hur proteinveckning ser ut för ETT enda protein har tidigare krävt månader eller år i labb.”What once took biologists thousands of dollars or years of painstaking research is as effortless as a Google Search” skriver Pushmeet Kohli från DeepMind. Nu har även Meta (Facebooks moderbolag) gett sig in i leken vilket du kan läsa mer om här.

Meta's AI research team just created a model that predicts protein folding 60x faster than the state of the art. This will unlock new ways to treat disease and accelerate drug discovery.

Posted by Mark Zuckerberg on Tuesday, November 1, 2022

När smarta algoritmer angriper utmaningar på nya sätt har både tidsaspekter och kostnader dramatiskt sjukt. Vad betyder då det här? Att proteinforskare nu står utan jobb? Med stor sannolikhet inte. Snarare är det så att arbetssätten håller på att förändras och där forskare av kött och blod kan lägga mer tid på att hitta lösningar på de utmaningar man vill lösa. Vetenskapstidskriften Nature skriver:

”In some cases, the AI has saved scientists time; in others it has made possible research that was previously inconceivable or wildly impractical. It has limitations, and some scientists are finding its predictions to be too unreliable for their work. But the pace of experimentation is frenetic."

En utveckling som innebär att teknik och människa allt mer kompletterar varandra och framåt kan ge oss innovation med superkrafter.

🦾 💪 🦾 💪 🦾 💪 🦾 💪 🦾 💪

Nu (äntligen) ska vi gå in på vad det här betyder för planeten, Men innan vi gör det vill jag poängtera att tekniken isolerat inte kommer att rädda oss. Det finns idag ett överflöd av teknikoptimister som pratar om att framtida teknologier kommer att lösa klimatutmaningen. Jag tror att tekniken kommer att spela en central roll, men att alltför stor teknikoptimism samtidigt riskerar att befria oss från ansvar att ställa om på alla andra sätt som vi kan.

Det finns ingen magisk knapp. Parallellt med teknisk innovation behöver vi samtidigt politisk förändring och beslutsfattare som förändrar reglerna på marknaden, medborgare och konsumenter som ställer krav och förändrar sina beteenden, företag som investerar i den gröna omställningen, statliga investeringar osv.

Nu, dags för lite hoppfulla exempel!

Bild skapad (på min beställning) av AI-motorn Midjourney

AI för gröna omställning 🌿

Halicin (den nya antibiotikan) och AlphaFold är två exempel som illustrerar hur AI framåt kommer att hjälpa oss att öka innovationstakten rejält. Men våra exempel stannar inte inom området medicin och hälsa. Idag ser vi hur AI allt mer används för att öka innovationstakten inom olika aspekter kopplat till grön omställning. Låt oss börja med ett exempel som har med proteiner/enzymer att göra.

Enzym som bryter ner plast

Varje år produceras 400 miljoner ton plast varav alltför mycket hamnar i haven. Forskarna John McGeehan och Rosie Graham vid University of Portsmouth håller på att med hjälp av enzym utveckla ett sätt att bryta ner plastmolekyler så att de till 100% kan återvinnas. Projektet drivs i samarbete med DeepMind.  

Utveckla nya typer av batterier

Batterier blir en allt viktigare komponent i den gröna omställningen – både för våra eldrivna fordon, men också för att lagra energi från fossilfria källor. Dels behöver vi optimera våra befintliga typer av batterier, men också hitta helt nya typer av material för batterier framåt.

”In the development of batteries, from the discovery of new materials to the testing at each stage, each link takes months or even years to evaluate. Applying AI to developing new battery materials, testing battery performance and monitoring battery state of charge can greatly alleviate this problem.” A Survey of Artificial Intelligence Techniques Applied in Energy Storage Materials R&D

Ett konkret exempel på framsteg hittar vi från University of Liverpool där forskare har skapat ett AI-baserat verktyg för att upptäcka vad de kallar för ”truly new materials”. En av upptäckterna handlar om ett material som leder litium och som kan bidra till utvecklingen av smartare batterier. Läs mer här.

Om framtidens batterier blir som WIRED skriver – viktlösa och osynliga – tja, det återstår att se.

Material som mer effektivt fångar in och lagrar koldioxid

IBM har bland annat använt AI för att skynda på utvecklingen av nya material för att mer effektivt separera rökgaser i vad som kallas för CCS, Carbon Capture & Storage.

”Using molecular generative AI modeling, we have identified several hundred molecular structures that could enable more efficient and cheaper alternatives to existing separation membranes for capturing CO2 emitted in industrial processes.”Citat

Även i Sverige och på Chalmers sker det spännande framsteg inom området vilket du kan läsa mer om här.

Den koldioxid som fångas in genom teknologier som CCS eller DAC (Direct Air Capture) kan dels lagras djupt ner i marken, men också användas i olika typer av material för mer långvarig lagring. Här har AI börjat ge sig på nöten att identifiera nya typer av källor att lagra koldioxiden. På universitetet i Toronto använder man AI för att utforska nya typer av kandidater.

⚠️ Tillägg: CCS kommer inte utan utmaningar. Vissa menar att tekniken snarare riskerar att förstärka vårt beroende av fossila källor istället för att ta oss bort från dem. Läs mer här.

Cement med lägre utsläpp

Cement är ett av världens mest använda material och dessvärre också en stor klimatbov som står för hela 8% av de globala utsläppen av växthusgaser. Den viktigaste råvaran när man tillverkar cement är kalksten som värms upp till väldigt hög värmen (över 1400 grader). Under processen frigörs stora mängder koldioxid som tidigare legat lagrad under marken. Även om energin i uppvärmningen kommer från fossilfria källor är koldioxid idag en ofrånkomlig restprodukt från den kemiska processen.

Cement används som nyckelkomponent i betong som behövs för att bygga våra hus och där cementet fungerar som själva klistret som får andra komponenter som berg, sten och grus att hålla ihop. Vi kommer fortfarande behöva betong för att utveckla våra samhällen, men den behöver bli betydligt mindre dålig.

Tillsammans med University of Illinois har Meta (Facebooks moderbolag) utformat en AI-model som optimerar sättett att blanda betong på och som ger både ett starkare och mindre klimatdåligt resultat. I siffror, 40% mindre koldioxid. Även MIT-IBM Watson AI Lab jobbar på liknande utmaning.

Bild: Meta

Detta är en bra start, men vi behöver också utveckla helt nya typer av material som kan ersätta cement som en komponent i husen vi bygger. Även här har AI börjat utforska helt nya typer av material som kan ersätta cement och där koldioxid inte blir en restprodukt i processen. Även om svenska Paebbl inte är byggd utifrån en AI-innovation är det ett spännande exempel på hur vi framåt kan lagra koldioxid på nya sätt. Företaget grundades 2021, har tagit in 80 miljoner i kapital och vill lagra koldioxid från industrin genom att producera ett pulver som kan användas i betong- och cementtillverkning. Läs mer här och här.

🌿

Detta var några exempel på hur AI kan hjälpa till att öka innovationstakten inom grön omställning. Har du tips på andra spännande exempel, släng gärna iväg ett meddelande till mig via Linkedin.

/ Judith

Ps, vill du lära dig mer om hur AI kan hjälpa oss ur ett bredare hållbarhetsperspektiv (inte bara kopplat till innovation) – missa inte vår rapport AI och hållbarhet - 20 exempel där tekniken används redan idag som finns att ladda ner här.

En rapport från SusTechable