Στο τέλος της φετινής κεντρικής ομιλίας του Google I/O, ο CEO της Google DeepMind, Demis Hassabis, έκανε μια τολμηρή δήλωση, με απόλυτα ανέκφραστο ύφος: η εταιρεία ελπίζει να «επαναπροσδιορίσει τη διαδικασία ανακάλυψης φαρμάκων με στόχο κάποια μέρα να λύσει όλες τις ασθένειες».
Είναι ακριβώς το είδος της φράσης για το οποίο λέγεται το «big, if true».
Αυτό που περιέγραφε στην πραγματικότητα ο Hassabis ήταν το Gemini for Science, ένα σύνολο πειραματικών εργαλείων τεχνητής νοημοσύνης, σχεδιασμένων ώστε να ενθαρρύνουν τους ερευνητές να εξερευνούν και να κάνουν νέες ανακαλύψεις.
Στο Optimizer είμαι συχνά επικριτική απέναντι στην AI στην υγεία, όμως η δήλωση του Hassabis χρειάζεται πολύ περισσότερη αποσαφήνιση. Η καλή επιστημονική επικοινωνία —κάτι που να είναι κατανοητό για τον μη ειδικό, χωρίς να προωθεί άθελά του παραπληροφόρηση— γίνεται ολοένα και πιο δύσκολη. Σίγουρα οι ερευνητές που βρίσκονταν στην αίθουσα του I/O κατάλαβαν ότι αναφερόταν στο πόσο δραστικά η AI έχει μειώσει τον χρόνο που απαιτείται για νέες ιατρικές ανακαλύψεις. Για τον μέσο άνθρωπο, όμως, και πιθανότατα ακόμη και για όσους ασχολούνται με την επιστημονική επικοινωνία, αυτό ακούστηκε σαν «το Gemini θα θεραπεύσει κάθε ασθένεια, γιατί αυτή είναι η δύναμη της AI». Στην πραγματική ζωή, όμως, έτσι δεν λειτουργούν οι ιατρικές ανακαλύψεις.
Εδώ και δεκαετίες, η AI αποτελεί αναπόσπαστο μέρος της ιατρικής έρευνας και της ανακάλυψης νέων θεραπειών. Οι αλγόριθμοι που χρησιμοποιούν τα wearables; Αυτό είναι AI. Οι ανακαλύψεις για μη επεμβατικά, φορετά χαρακτηριστικά ανίχνευσης; Machine learning. Η γενετική AI είναι σχετικά πιο πρόσφατη είσοδος σε αυτόν τον χώρο, αλλά έχει τεράστιες προοπτικές. Στο πλαίσιο της δουλειάς μου, μιλάω συχνά με κλινικούς ερευνητές και πολλές από τις εξελίξεις στην καταναλωτική υγειονομική τεχνολογία τα τελευταία χρόνια οφείλονται, εν μέρει, στην πρόοδο της AI. Για παράδειγμα, αυτή η meta review διαπίστωσε ότι η AI έπαιξε σημαντικό ρόλο στη μείωση του χρόνου ανάπτυξης των εμβολίων για την covid-19. Κάτι που ωφέλησε ολόκληρο τον κόσμο. Ωστόσο, η ίδια ανασκόπηση έδειξε επίσης ότι παραμένουν σημαντικές ηθικές, οργανωτικές και ρυθμιστικές προκλήσεις στη χρήση της AI, ειδικά σε ό,τι αφορά την αλγοριθμική μεροληψία, την προστασία των δεδομένων και την ισότιμη παγκόσμια πρόσβαση.
Στην ομιλία του, ο Hassabis αναφέρθηκε στα προγράμματα AlphaFold και AlphaGenome της Google. Το πρώτο βοηθά τους ερευνητές να κατανοήσουν καλύτερα τις δομές των πρωτεϊνών. Αυτό είναι σημαντικό, επειδή οι πρωτεΐνες έχουν αμέτρητους ρόλους σε αμέτρητες βιολογικές διεργασίες. Η καλύτερη κατανόηση των πρωτεϊνών —ή ακόμη και ο σχεδιασμός νέων συνθετικών πρωτεϊνών— θα μπορούσε να είναι το κλειδί για την ανάπτυξη θεραπειών για τον καρκίνο. Πρόσφατα, μάλιστα, επιστήμονες εντόπισαν 1.700 νέες πρωτεΐνες που ίσως κάνουν ακριβώς αυτό. Παραδοσιακά, η ανακάλυψη νέων πρωτεϊνών, η μελέτη της λειτουργίας τους και ο τρόπος που αλληλεπιδρούν με άλλα μόρια, ήταν μια διαδικασία που κρατούσε χρόνια. Κάτι σαν το AlphaFold βοηθά να μειωθεί δραστικά αυτός ο χρόνος. Σε πραγματικά παραδείγματα, ερευνητές έχουν χρησιμοποιήσει το μοντέλο για να βοηθήσουν στην ανάπτυξη εμβολίων για την ελονοσία, να ανακαλύψουν μια κρίσιμη πρωτεΐνη πίσω από την LDL ή την «κακή χοληστερίνη» και να κατανοήσουν μια άλλη πρωτεΐνη που σχετίζεται με την πρώιμη νόσο του Πάρκινσον, μεταξύ άλλων εφαρμογών.
Την ίδια ώρα, το AlphaGenome είναι ένα ακόμη μοντέλο που βοηθά τους ερευνητές να προβλέπουν μεταλλάξεις σε αλληλουχίες ανθρώπινου DNA. Η προοπτική του είναι ότι ίσως βοηθήσει να κατανοηθεί γιατί εμφανίζονται ορισμένες ασθένειες, όμως, όπως έχει σημειώσει η Google σε μελέτη στο Nature, υπάρχουν σημαντικοί περιορισμοί. Για παράδειγμα, το μοντέλο δεν έχει επικυρωθεί ούτε σχεδιαστεί για προσωπική πρόβλεψη γονιδιώματος και δυσκολεύεται να αποτυπώσει μοτίβα που εξαρτώνται από τα κύτταρα και τους ιστούς. Πρόκειται για σημαντικές λεπτομέρειες για τους ερευνητές, αλλά για τους περισσότερους ανθρώπους συνήθως περνούν απαρατήρητες.
Σε πολλά επίπεδα, αυτό που έλεγε ο Hassabis στη σκηνή δεν απευθυνόταν σε εσένα ή σε εμένα. Υπάρχει όμως και ένα ακόμη σημαντικό πλαίσιο: αυτά τα μοντέλα AI και τα εργαλεία του Gemini for Science δεν πρόκειται να εξαφανίσουν μαγικά τον καρκίνο ή κάθε άλλο «ανίατο» νόσημα μέσα στα επόμενα τρία, πέντε ή ακόμη και δέκα χρόνια. Κάτι τέτοιο είναι πιο πιθανό να χρειαστεί τουλάχιστον 20 χρόνια, ίσως και περισσότερα. Μπορεί να σου φαίνεται πολύς χρόνος, ειδικά αν σκέφτεσαι τι σημαίνει αυτό για έναν συγγενή που νοσεί σήμερα ή για το δικό σου προσδόκιμο ζωής. Αλλά από την άποψη της αυστηρής επιστημονικής έρευνας, πρόκειται για μια φιλόδοξη, επιθετική εκτίμηση.
Βέβαια, δεν είναι ακριβώς κάτι που έχεις τον χρόνο να εξηγήσεις σε μια κεντρική ομιλία, όπου ανακοινώνεις άλλους σαράντα μπιλιόν AI agents και λειτουργίες. Το πρόβλημα είναι ότι τέτοιες δηλώσεις ταξιδεύουν μακριά και έχουν ευρύτερο αντίκτυπο. Για τη μεγάλη πλειονότητα από εμάς, η AI στην υγεία ήταν μέχρι σήμερα μια απογοητευτική εμπειρία από άχρηστες περιλήψεις μετρήσεων, παραισθήσεις και κουραστικό κράτημα από το χέρι. Δεν πρέπει απαραίτητα να συγχέουμε τα εργαλεία AI για ερευνητές με τις καταναλωτικές λειτουργίες AI στην υγεία, αλλά είναι απολύτως ανθρώπινο να το κάνουμε.
Η πρώτη μου αντίδραση στο σχόλιο του Hassabis ήταν να θυμηθώ μια πρόσφατη δήλωση του υπουργού Υγείας RFK Jr. Σε ακρόαση στο Κογκρέσο, ο Kennedy είπε ότι η AI ίσως καταστήσει τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ «άσχετο». Η λογική του είναι ότι η AI θα μπορούσε να βοηθήσει στην ανάπτυξη και έγκριση νέων φαρμάκων. Αν το συγκρίνεις αυτό με το σχόλιο του Hassabis —που έγινε σε εντελώς διαφορετικό πλαίσιο— καταλαβαίνεις εύκολα πώς η αντίδραση του κοινού μπορεί να οδηγηθεί σε παραπλανητικές συσχετίσεις. Για παράδειγμα, ότι η Google αναπαράγει ή ενισχύει την ανάλυση του Kennedy.
Δεν είναι τυχαίο ότι το The Verge έχει ήδη γράψει για το γιατί η θέση του Kennedy σχετικά με την AI στον χώρο της υγείας είναι προβληματική. Για να το θυμηθούμε, σε συνέντευξή του στον Tucker Carlson πέρυσι, ο Kennedy είχε πει ότι η AI θα μπορούσε να επιταχύνει πολύ τη διαδικασία έγκρισης φαρμάκων. Είναι μια γενική διατύπωση που δεν είναι εντελώς ψευδής. Ναι, τα εργαλεία AI χρησιμοποιούνται εδώ και καιρό σε αυτόν τον χώρο. Ναι, τα νεότερα και ισχυρότερα μοντέλα μπορούν να κάνουν τις διαδικασίες των ερευνητών και των φαρμακευτικών εταιρειών πολύ πιο εύκολες και αποδοτικές. Όμως αυτό δεν καταργεί την ανάγκη για κλινικές δοκιμές του FDA, για δοκιμές σε ζώα ή για τις διαδικασίες που υπάρχουν εδώ και δεκαετίες. Η AI είναι τελικά ένα εργαλείο που χρειάζεται εξειδικευμένη συμβολή και συνεργασία και, για να το πούμε για πολλοστή φορά, η επιστημονική αυστηρότητα δεν είναι κάτι που μπορεί να παρακαμφθεί αυθαίρετα.
Το πλαίσιο έχει σημασία και συνήθως είναι το πρώτο που χάνεται στις ηχηρές ατάκες. Γι’ αυτό, όταν περιέγραψα για πρώτη φορά το playbook των wellness grifters, είπα ότι το πρώτο βήμα είναι συνήθως να τοποθετείς ένα ευρύ γεγονός δίπλα σε έναν παραπλανητικό ισχυρισμό. Για να είμαι ξεκάθαρη, δεν λέω ότι ο Hassabis διέπραξε κάποιο τεράστιο ατόπημα με τη δήλωσή του στην κεντρική ομιλία. Η Google —όπως και η Apple— κάνει πράγματι σημαντική κλινική έρευνα και προσπαθεί να το επικοινωνεί μέσα από τα blogs της. Όμως, όπως σε ένα παιχνίδι «σπασμένου τηλεφώνου», πολλά χάνονται στη σημερινή εποχή των σύντομων βίντεο στα social, της μειωμένης προσοχής και της φθίνουσας κατανόησης των ΜΜΕ. Δεν έχω κάποια λύση, πέρα από το να προσπαθούμε να προσθέτουμε περισσότερο πλαίσιο όπου και όποτε μπορούμε και να ελπίζουμε ότι θα φτάνει στα σωστά ακροατήρια.
Ίσως κάποια μέρα η AI να βοηθήσει πραγματικά να λυθούν όλες οι ασθένειες. Αν συμβεί αυτό, όμως, η διαδρομή δεν θα είναι ούτε καθαρή ούτε απλή. Πολλά μπορούν να συμβούν μέσα στα επόμενα 20 χρόνια, ειδικά στο πολιτικό, κοινωνικό και πολιτισμικό περιβάλλον που θα επηρεάσει επίσης τις δυνατότητες της κλινικής έρευνας. Οπότε συγχωρέστε με αν, προς το παρόν, δεν είμαι τόσο αισιόδοξη όσο ο Hassabis.
