Город будущего: Инвариант времени
В предыдущем тексте я писал о довольно странном будущем: о мире, в котором интеллектуальная работа перестаёт быть дефицитным ресурсом. Не потому, что люди внезапно стали в сто раз умнее, а потому, что рядом с каждым человеком появился почти неограниченный запас машинного интеллекта.
Задать вопрос. Получить несколько гипотез. Построить математическую модель. Написать код. Запустить симуляцию. Сравнить варианты. Переделать.
И снова.
Если раньше на один хороший результат могли уйти недели работы нескольких специалистов, то теперь значительная часть этого цикла может сжиматься до минут.
Но тут возникает неприятная деталь.
Вселенная не работает на GPU.
Компьютер может думать быстрее, чем вещество меняется
Представим исследователя будущего.
Он говорит ИИ:
«Найди материал с такой-то теплопроводностью, прочностью, магнитными свойствами и стоимостью производства».
ИИ перебирает миллионы вариантов, строит модели, оптимизирует структуру, предлагает несколько десятков кандидатов.
Через несколько минут у нас есть:
вариант №1, №2, №3... №100.
И вот здесь компьютер заканчивается.
Потому что материал нужно сделать.
Нужно взять вещество.
Нагреть.
Смешать.
Осадить.
Вырастить кристалл.
Нанести покрытие.
Сделать образец.
Проверить структуру.
Померить свойства.
Разломать.
Повторить.
А если речь идёт о биологии — всё ещё веселее.
Новую молекулу можно рассчитать за секунды. Но потом её нужно синтезировать, очистить, проверить стабильность, доставить в нужную систему, посмотреть взаимодействие с клетками, тканями, органами, проверить токсичность и только после этого узнать, насколько расчёт вообще был близок к реальности.
Можно очень быстро придумать тысячу лекарственных молекул.
Но нельзя за одну миллисекунду прогнать тысячу молекул через человеческую клетку.
Клетка тоже не работает на GPU.
Мы упёрлись в физическое время
Это, возможно, будет одним из главных ограничений следующей эпохи.
Интеллект можно масштабировать почти как вычислительный ресурс.
Добавили GPU — получили больше вычислений.
Добавили модели — получили больше гипотез.
Подключили агентов — получили больше параллельных рассуждений.
Но физический эксперимент имеет собственную временную шкалу.
Кристалл может расти часами.
Химическая реакция может занимать секунды или сутки.
Материал нужно физически изготовить.
Клетке нужно время, чтобы отреагировать.
Организму нужно время, чтобы проявить эффект.
Некоторые процессы требуют недель, месяцев или даже лет.
И здесь возникает странная асимметрия:
мы можем породить миллион идей быстрее, чем способны проверить одну.
Вот это уже настоящий bottleneck.
Не недостаток интеллекта.
Недостаток физического мира, доступного этому интеллекту для экспериментов.
Поэтому следующей инфраструктурой должны стать лаборатории
Причём не просто лаборатории в старом смысле.
Не помещение, где десять учёных стоят вокруг одного прибора.
Нужны универсальные экспериментальные среды, в которых ИИ может не только предложить гипотезу, но и физически проверить её.
Условно:
Это уже не фантастика. Так называемые self-driving laboratories прямо сейчас развиваются как системы, где алгоритмы предлагают эксперименты, роботы их выполняют, приборы измеряют результат, а ИИ использует данные для следующего цикла.
Но пока такие лаборатории в основном специализированы под конкретные области и задачи. Следующий шаг, на мой взгляд, — сделать их инфраструктурой общего назначения.
Универсальная лаборатория как «компилятор в металл»
Мне нравится думать об этом почти как о программировании.
Сегодня мы можем написать программу:
создай объект такого-то типа.
А компьютер сам превращает описание в машинный код.
В лаборатории будущего должно появиться что-то похожее:
создай и проверь материал с такими свойствами.
И дальше система сама выбирает технологический маршрут.
Или:
проверь, взаимодействует ли эта молекула с данным белком.
Лаборатория сама выбирает протокол.
Или:
проверь эту физическую гипотезу десятью независимыми способами.
Она сама распределяет эксперименты между установками.
То есть появляется своего рода:
описание → физический эксперимент.
Не CAD для деталей, а условный компилятор из гипотезы в материальную реальность.
Причём лаборатория должна быть не одна
Если одна лаборатория умеет только синтезировать полимеры, она всё равно остаётся узким местом.
Гораздо интереснее сеть.
Одна установка выращивает материал.
Другая наносит покрытие.
Третья делает микроскопию.
Четвёртая проверяет механические свойства.
Пятая работает с клеточными культурами.
Шестая делает спектроскопию.
Седьмая проводит химический анализ.
ИИ распределяет работу между ними.
Тогда лаборатория превращается почти в интернет физических экспериментов.
Не:
«у нашего института есть один хороший микроскоп».
А:
«у научной сети есть десять тысяч экспериментальных возможностей, доступных программно».
И это особенно важно потому, что современные self-driving labs уже сталкиваются именно с проблемами масштабирования, совместимости оборудования, переноса методик и стандартизации экспериментальных данных.
А что делать с опасными экспериментами?
Здесь появляется ещё один очевидный кандидат — роботы.
Не обязательно сразу строить специального человекоподобного робота.
Можно взять существующую робототехническую платформу и постепенно превратить её в лабораторного рабочего общего назначения.
Условный доработанный Optimus или аналог:
принести контейнер;
поставить образец;
подключить прибор;
заменить реактор;
закрыть защитный кожух;
провести визуальный осмотр;
убрать оборудование.
Но особенно интересно это становится там, где человеку вообще не стоит находиться.
Токсичные вещества.
Высокие температуры.
Радиация.
Взрывоопасные процессы.
Вакуумные установки.
Высокое давление.
Агрессивная химия.
Биологические агенты.
Там робот перестаёт быть просто «заменой сотрудника».
Он становится физическим продолжением экспериментального интеллекта.
ИИ придумал эксперимент → робот его поставил → прибор получил данные → ИИ изменил следующий эксперимент.
И человек может вообще не заходить в помещение.
Разумеется, это требует серьёзной системы безопасности, аппаратных ограничений и человеческой ответственности; безопасность автономных лабораторий сейчас рассматривается как отдельная инженерная задача, а не как деталь, которую можно добавить в конце.
Но есть ещё одна вещь: универсальность
Я думаю, нам нужны не только «умные лаборатории», а лабораторные модули.
Как конструктор.
Есть базовая роботизированная платформа.
К ней подключаются:
спектрометр;
микроскоп;
печь;
камера;
вакуумная система;
химический модуль;
установка для нанесения покрытий;
3D-принтер;
станок;
система культивирования клеток;
механический тестер;
система магнитных измерений;
электрические измерения;
оптические измерения.
И программное обеспечение видит всё это как набор физических примитивов.
Тогда новая лаборатория не обязательно строится целиком.
Она собирается под класс задач.
А потом разбирается и собирается заново.
И вот здесь появляется настоящая скорость
Мы привыкли говорить:
«ИИ ускорит науку».
Но это немного неправильно.
ИИ сам по себе ускоряет мышление.
Следующий технологический скачок произойдёт тогда, когда мы начнём ускорять переход от мысли к физическому эксперименту.
Сегодня:
идея → заявка → поиск оборудования → заказ материалов → очередь на прибор → эксперимент → обработка → следующая идея.
Будущее:
идея → эксперимент.
А ещё лучше:
1000 гипотез → 1000 экспериментов → 1000 результатов → новая модель.
И вот тогда интеллект действительно перестаёт быть дефицитом.
Потому что мы убираем следующий bottleneck.
Но полностью убрать физическое время не получится
И это, наверное, самое интересное.
Мы можем построить тысячу роботов.
Можем сделать миллион виртуальных экспериментов.
Можем заставить ИИ генерировать гипотезы круглосуточно.
Но если клетке требуется 48 часов, чтобы показать результат, 48 часов никуда не исчезнут.
Можно поставить миллион клеточных экспериментов параллельно.
Можно автоматизировать наблюдение.
Можно уменьшить объём образца.
Можно ускорить некоторые процессы.
Можно использовать более быстрые surrogate-модели.
Но нельзя просто сказать:
«GPU, посчитай следующие две недели биологии за 0,003 секунды».
Потому что вычисление модели и прохождение реального физического процесса — не одно и то же.
И именно поэтому будущая наука будет представлять собой не соревнование ИИ против человека, а соединение двух совершенно разных скоростей:
очень быстрый интеллект
медленная, но настоящая физическая реальность.
Поэтому я бы оптимизировал не только интеллект
Если у нас стало дешёвым мышление, надо перестать вкладывать все усилия в ещё более быстрое мышление.
Нужно строить много физических рук для этого мышления.
ИИ должен иметь возможность сказать:
«Мне нужно проверить вот эти 300 вариантов».
А инфраструктура должна ответить:
«Хорошо. Вот 300 экспериментов. Первые результаты через 20 минут, остальные — по мере готовности».
Тогда интеллект начинает масштабироваться не только количеством вычислительных ядер.
Он начинает масштабироваться количеством физических экспериментов, которые он способен запускать одновременно.
И здесь возникает очень странная экономика
В прошлом дефицитом были:
люди → знания → вычисления.
Потом вычисления стали дешёвыми.
Знания стали почти мгновенно доступными.
Интеллект начал становиться дешёвым.
Следующим дефицитом становятся:
материалы, приборы, лабораторные часы, физические образцы, безопасные экспериментальные мощности и время реальных процессов.
То есть после эпохи abundance of intelligence нам понадобится abundance of experimentation.
Не один суперлабораторный комплекс, который принадлежит одному университету.
А тысячи универсальных лабораторий, соединённых в сеть.
И тогда возникает следующий город будущего.
В нём рядом с вычислительными центрами стоят не только дата-центры.
Стоят экспериментальные центры.
GPU генерируют гипотезы.
Роботы собирают образцы.
Материалы выращиваются автоматически.
Химические реакции идут ночью без людей.
Клеточные культуры наблюдаются круглосуточно.
Оптимусы или другие роботы работают там, где человеку опасно.
Приборы сами передают данные.
ИИ анализирует их и сразу запускает следующий цикл.
Человек в этой системе перестаёт быть оператором каждого эксперимента.
Он становится тем, кто задаёт:
«Что мы вообще хотим узнать?»
А дальше начинается самое интересное.
Потому что если однажды мы действительно сделаем такую инфраструктуру дешёвой и массовой, человечество получит не просто изобилие интеллекта.
Оно получит возможность проверять идеи в физическом мире почти с той же скоростью, с какой сегодня проверяет их в компьютере.
И вот тогда уже можно будет по-настоящему сказать:
Будущее наступило.