การประกาศล่าสุดว่าโมเดล AI C2S-Scale 27B ของ Google ช่วยระบุเส้นทางบำบัดมะเร็งใหม่ที่มีศักยภาพ ได้ก่อให้เกิดการอภิปรายอย่างกว้างขวางภายในชุมชนวิทยาศาสตร์และเทคโนโลยี ในขณะที่หลายคนเฉลิมฉลองความก้าวหน้าครั้งนี้ในฐานะการยืนยันศักยภาพของ AI ในวงการแพทย์ แต่บางคนกลับตั้งคำถามว่านี่เป็นการค้นพบที่แท้จริงหรือเป็นเพียงการจดจำรูปแบบที่มีประสิทธิภาพ การสนทนานี้เผยให้เห็นถึงความกังวลลึกๆ เกี่ยวกับวิธีที่เราประเมินวิทยาศาสตร์ที่ขับเคลื่อนโดย AI และจำเป็นต้องมีมาตรการป้องกันใดบ้างเมื่อเทคโนโลยีเหล่านี้ก้าวหน้าขึ้น
การยืนยันทางวิทยาศาสตร์ กับ คำโฆษณาเกินจริงของ AI
ความสำเร็จหลัก — การใช้ AI เพื่อระบุว่า silmitasertib มีศักยภาพเป็นตัวขยายการบำบัดมะเร็งด้วยภูมิคุ้มกัน — ได้รับทั้งคำชื่นชมและความสงสัยจากนักวิจัย ผู้สนับสนุนชี้ไปที่การตรวจสอบด้วยการทดลองซึ่งแสดงให้เห็นการเพิ่มขึ้น 50% ในการนำเสนอแอนติเจนเมื่อรวม silmitasertib กับ interferon ขนาดต่ำ โดยเรียกสิ่งนี้ว่าก้าวที่มีความหมายสู่การทำให้ก้อนมะเร็งชนิดเย็น (cold tumors) มองเห็นได้ชัดเจนขึ้นสำหรับระบบภูมิคุ้มกัน อย่างไรก็ตาม บางส่วนในชุมชนชีววิทยาเชิงคำนวณสงสัยว่าวิธีการดั้งเดิมจะสามารถเปิดเผยความสัมพันธ์เดียวกันนี้ได้หรือไม่
โดยหลักแล้ว พวกเขาควรจะแสดงให้เห็นว่าโมเดลนี้สามารถทำได้ดีกว่าโมเดลเชิงเส้นแบบง่ายๆ ในการทำนายปฏิสัมพันธ์ของการแสดงออกของยีนหรือไม่ เราเคยเห็นมาแล้วว่าโมเดลพื้นฐาน (foundation models) บางตัวสำหรับเซลล์เดี่ยวไม่ได้ดีที่สุดในการสร้างแบบจำลองการรบกวนในสภาพแวดล้อมเสมือนจริง (in silico)
ความรู้สึกนี้สะท้อนถึงคำถามที่กว้างขึ้นในสาขานี้: เรากำลังเป็นพยานในการค้นพบโดย AI ที่แท้จริง หรือเป็นเพียงการขุดข้อมูลที่มีประสิทธิภาพมากขึ้น? การอภิปรายมุ่งเน้นไปที่ว่าโมเดลสร้างความเข้าใจทางชีววิทยาที่ใหม่จริงๆ หรือเพียงแค่ระบุรูปแบบที่นักวิจัยมนุษย์อาจพบในที่สุดผ่านวิธีการดั้งเดิม สิ่งที่ทำให้กรณีนี้น่าสนใจเป็นพิเศษคือ ตัวยาที่ระบุได้ แม้จะรู้จักในวงการวิทยาศาสตร์แล้ว แต่ไม่เคยมีการเชื่อมโยงมาก่อนกับการเพิ่มการนำเสนอแอนติเจนในบริบทเฉพาะนี้
คำถามเรื่องการขยายขนาด: ขนาดที่ใหญ่กว่าหมายถึงดีกว่าจริงหรือ?
การอภิปรายทางเทคนิคที่สำคัญเกี่ยวข้องกับว่าความสำเร็จของโมเดลขนาด 27 พันล้านพารามิเตอร์ แสดงถึงความสามารถที่เกิดขึ้นใหม่ (emergent capability) ซึ่งโมเดลขนาดเล็กขาดหายไปหรือไม่ การวิจัยของ Google ชี้ให้เห็นว่าเหตุผลแบบมีเงื่อนไข (conditional reasoning) ที่ต้องการ — การระบุยาที่ใช้ได้ผลเฉพาะในบริบทภูมิคุ้มกันบางอย่าง — ดูเหมือนจะเป็นความสามารถที่เกิดขึ้นในขนาดที่ใหญ่ขึ้นเท่านั้น สิ่งนี้ทำให้เกิดคำถามสำคัญเกี่ยวกับอนาคตของการวิจัย AI ทางชีววิทยา และว่าความก้าวหน้าที่สำคัญจะต้องใช้ทรัพยากรการคำนวณที่ใหญ่ขึ้นเรื่อยๆ หรือไม่
ชุมชนมีความเห็นแตกกันในจุดนี้ นักวิจัยบางคนระบุว่าการจำลองเชิงคำนวณระดับเซลล์เดี่ยวมีมานานหลายปีแล้วและมีความซับซ้อนมากขึ้นเรื่อยๆ เนื่องจากชุดข้อมูลการทดลองที่เติบโตขึ้น ความท้าทายที่แท้จริงอยู่ที่ความเชี่ยวชาญในโดเมนที่จำเป็นในการตีความกิจกรรมของเซลล์ โดยเฉพาะในสภาพแวดล้อมที่ซับซ้อนเช่นก้อนมะเร็ง คำถามจึงกลายเป็นว่าโมเดลที่ใหญ่กว่าสามารถเอาชนะข้อจำกัดเหล่านี้ได้จริงหรือเป็นเพียงการจับคู่รูปแบบที่ซับซ้อนมากขึ้น
รายละเอียดทางเทคนิคที่สำคัญของโมเดล C2S-Scale 27B:
- สร้างขึ้นจากตระกูลโมเดลแบบเปิดของ Google ที่ชื่อ Gemma
- มีพารามิเตอร์ 27 พันล้านตัวที่ออกแบบมาโดยเฉพาะสำหรับการวิเคราะห์เซลล์เดี่ยว
- แสดงให้เห็นความสามารถที่เกิดขึ้นเองในการให้เหตุผลแบบมีเงื่อนไขในบริบททางชีววิทยา
- ระบุตัวเลือกยาที่มีศักยภาพได้สำเร็จจากการคัดกรองสารประกอบมากกว่า 4,000 ชนิด
- การทดสอบในห้องปฏิบัติการแสดงให้เห็นการเพิ่มขึ้น 50% ในการนำเสนอแอนติเจนในโมเดลเซลล์นิวโรเอนโดไครน์ของมนุษย์
ความกังวลด้านความปลอดภัยในยุคของ AI ทางชีววิทยา
เหนือจากการอภิปรายทางวิทยาศาสตร์ การประกาศครั้งนี้ได้จุดประกายการสนทนาที่สำคัญเกี่ยวกับความปลอดภัยและข้อบังคับของ AI ผู้แสดงความคิดเห็นหลายคนแสดงความกังวลว่าเทคโนโลยีเดียวกันนี้อาจถูกใช้ในทางที่ผิดเพื่อหลีกเลี่ยงมาตรการป้องกันดั้งเดิมต่อการพัฒนาอาวุธชีวภาพ การอภิปรายนี้เน้นย้ำถึงธรรมชาติของการใช้สองทาง (dual-use) ของระบบ AI ขั้นสูงในสาขาชีววิทยา — ความสามารถเดียวกันที่สามารถเร่งความก้าวหน้าทางการแพทย์ได้ ก็อาจถูกนำไปใช้กับวัตถุประสงค์ที่อันตรายกว่าได้ในทางทฤษฎี
การสนทนาเรื่องความปลอดภัยเผยให้เห็นความตึงเครียดระหว่างนวัตกรรมและความระมัดระวัง ในขณะที่บางคนระบุว่าบริษัท AI ขนาดใหญ่มีทีมความปลอดภัยโดยเฉพาะ แต่คนอื่นๆ ตั้งคำถามว่ามาตรการป้องกันภายในเหล่านี้เพียงพอหรือไม่เมื่อพิจารณาถึงผลกระทบระดับโลกที่อาจเกิดขึ้น สิ่งนี้สะท้อนถึงความกังวลในวงกว้างของสังคมเกี่ยวกับว่าใครควรเป็นผู้ดูแลระบบ AI ที่ทรงพลังมากขึ้น และจำเป็นต้องมีกรอบงานระหว่างประเทศใดบ้างเพื่อให้มั่นใจในการพัฒนาอย่างมีความรับผิดชอบ
ภูมิทัศน์เชิงพาณิชย์ของ AI ในวิทยาศาสตร์
ความคิดเห็นยังเผยให้เห็นมุมมองที่น่าสนใจเกี่ยวกับแรงจูงใจทางการค้า behind การวิจัย AI ผู้สังเกตการณ์บางคนชื่นชม Google ที่ลงทุนในการประยุกต์ใช้ทางวิทยาศาสตร์ระยะยาว ขณะที่เปรียบเทียบแนวทางนี้กับบริษัท AI อื่นๆ ที่มุ่งเน้นลำดับความสำคัญที่แตกต่าง การอภิปรายนี้ касаетсяว่า มีเงินทุนเพียงพอสำหรับการวิจัย AI ที่มีการประยุกต์ใช้ทางวิทยาศาสตร์ที่แท้จริงหรือไม่ และว่าโมเดลธุรกิจอุตสาหกรรมเทคโนโลยีในปัจจุบันสนับสนุนงานประเภทนี้อย่างเพียงพอหรือไม่
ผู้แสดงความคิดเห็นหลายคนแนะนำว่าบริษัทยา ซึ่งมีทรัพยากรมากมาย อาจเพิ่มเงินทุนให้กับการวิจัย AI มากขึ้น หากแสดงให้เห็นถึงการประหยัดต้นทุนที่แท้จริงในการค้นพบยา สิ่งนี้ชี้ให้เห็นถึงการเปลี่ยนแปลงที่อาจเกิดขึ้นในวิธีที่การวิจัย AI ได้รับเงินทุนและนำไปใช้ ย้ายออกจากการประยุกต์ใช้สำหรับผู้บริโภคไปสู่โดเมนวิทยาศาสตร์เฉพาะทางที่แรงจูงใจทางการเงินสอดคล้องกับประโยชน์ด้านมนุษยธรรม
ประเด็นการอภิปรายในชุมชน:
- การตรวจสอบความถูกต้องทางวิทยาศาสตร์เทียบกับกระแส AI
- กฎการขยายขนาดในโมเดล AI ทางชีววิทยา
- ข้อกังวลด้านความปลอดภัยเกี่ยวกับเทคโนโลยีที่มีการใช้งานสองด้าน
- แรงจูงใจเชิงพาณิชย์สำหรับการวิจัย AI
- การเปรียบเทียบกับวิธีการวิจัยทางชีววิทยาแบบดั้งเดิม
- ศักยภาพในอนาคตของ foundation models ในทางการแพทย์
มองไปข้างหน้า: บทบาทของ AI ในการค้นพบทางวิทยาศาสตร์
ปฏิกิริยาที่หลากหลายต่อความก้าวหน้าด้านการวิจัยมะเร็งของ Google แสดงให้เห็นถึงความสัมพันธ์ที่กำลังพัฒนาระหว่าง AI และวิธีการทางวิทยาศาสตร์แบบดั้งเดิม แม้ว่าการตรวจสอบด้วยการทดลองจะให้หลักฐานที่เป็นรูปธรรมของประโยชน์ของโมเดล แต่ชุมชนยังคงระมัดระวังอย่างเหมาะสมเกี่ยวกับการกล่าวเกินจริงถึงความสามารถในปัจจุบันของ AI มุมมองที่สมดุลที่สุดดูเหมือนจะยอมรับทั้งความก้าวหน้าที่แท้จริงที่สิ่งนี้เป็นตัวแทน ในขณะที่ตระหนักว่า AI ในสาขาชีววิทยายังอยู่ในช่วงเริ่มต้น
การอภิปรายชี้ให้เห็นว่าเส้นทางข้างหน้าที่มีประสิทธิผลที่สุดอาจเกี่ยวข้องกับการมองว่า AI เป็นเครื่องมืออันทรงพลังที่เสริม而不是แทนที่ความเชี่ยวชาญของมนุษย์ ดังที่ผู้แสดงความคิดเห็นคนหนึ่งระบุว่า โมเดลพื้นฐาน (foundation models) เป็นตัวแทนอนาคตของการวิเคราะห์เซลล์ แต่การตรวจสอบความถูกต้องยังคงเป็นความท้าทาย — โดยเฉพาะเมื่อโมเดลมีขนาดใหญ่ขึ้นและการคาดคะเนของพวกมันมีความซับซ้อนมากขึ้น การทดสอบที่แท้จริงจะอยู่ที่ว่าสมมติฐานที่สร้างโดย AI เช่นนี้ จะนำไปสู่การประยุกต์ใช้ทางคลินิกที่ประสบความสำเร็จและเป็นประโยชน์ต่อผู้ป่วยในท้ายที่สุดหรือไม่
หมายเหตุ: ก้อนมะเร็งชนิดเย็น (Cold tumors) หมายถึงมะเร็งที่ระบบภูมิคุ้มกันมองไม่เห็น ในขณะที่ก้อนมะเร็งชนิดร้อน (hot tumors) คือมะเร็งที่กระตุ้นการตอบสนองของระบบภูมิคุ้มกัน การนำเสนอแอนติเจน (Antigen presentation) เป็นกระบวนการที่เซลล์แสดงส่วนของโปรตีนให้เซลล์ภูมิคุ้มกันเห็น ซึ่งอาจกระตุ้นการตอบสนองของระบบภูมิคุ้มกันต่อมะเร็ง
อ้างอิง: How a Gemma model helped discover a new potential cancer therapy pathway