Революция разума: на подступах к Сингулярности. Как технологии изменят общество и сознание - Рэймонд Курцвейл

уверенности в безопасности препарата нам, вероятно, понадобится создать модель человеческого тела с точностью до каждой молекулы. Только тогда ученые смогут однозначно сказать, какие его аспекты можно без опасений оставить за рамками симуляции в каждом конкретном случае. Это наша долгосрочная цель и одна из самых жизненно важных задач, которые мы поставим перед ИИ. Мы рассчитываем добиться серьезного прогресса в этом направлении уже к концу 2020-х годов.

Можно предположить, что внедрение компьютерных симуляций в процесс тестирования лекарственных препаратов столкнется с серьезным сопротивлением со стороны врачебного сообщества, причем по целому ряду причин. Во-первых, в медицине принято проявлять осторожность в отношении рисков. Последнее, чего бы хотелось врачам, это подвергнуть пациентов опасности из-за необдуманных изменений в протоколах одобрения препаратов. Поэтому компьютерным моделям придется обзавестись солидным послужным списком, подтверждающим получение с их помощью результатов на уровне традиционных методов или превосходящих их. Во-вторых, кому-то придется брать на себя ответственность. Никому не хочется оказаться тем человеком, кто одобрил новый перспективный метод лечения, который в итоге обернулся катастрофой. Так что органам по надзору предстоит подготовиться к появлению инновационных подходов и действовать на опережение, чтобы найти баланс между необходимой осторожностью и смелостью в использовании технологий, способных спасти жизни.

ИИ уже вносит вклад в генетику, даже несмотря на отсутствие полной биологической модели организма. Когда-то 98 % генетического материала, который не кодирует белки, считались «мусорной» ДНК28. Теперь мы знаем, что эти участки играют ключевую роль в управлении экспрессией генов (определении, какие гены работают и насколько активно). Однако выявление нужных закономерностей в некодирующей ДНК представляет собой очень сложную задачу. Но благодаря способности ИИ выявлять тонкие взаимосвязи нам уже удалось сдвинуть эту работу с мертвой точки. Например, в 2019 году исследователи из Нью-Йорка обнаружили связь между некодирующими участками ДНК и аутизмом 29. По словам Ольги Троянской, ведущего специалиста этого проекта, их команде «впервые удалось продемонстрировать, что неунаследованные мутации в некодирующей ДНК могут вызывать у человека комплексные заболевания или функциональные расстройства»30.

Пандемия COVID-19 поставила на повестку дня еще одну сложную задачу – мониторинг распространения инфекционных заболеваний. В прошлом эпидемиологам для оценки вероятности эпидемий в США приходилось опираться на несколько не вполне подходящих источников данных. Недавно разработанная система ARGONet решает эту проблему, обрабатывая разрозненные информационные потоки в режиме реального времени и придавая каждому из них вес в зависимости от его прогностического потенциала31. ИИ просматривает электронные медкарты, архивные данные, анализирует поисковые запросы встревоженных пользователей и пространственно-временные диаграммы распространения заболевания32. «Система постоянно оценивает качество прогнозов, выдаваемых отдельными методами, – говорит руководитель проекта, ученый из Гарварда Маурицио Сантильяна, – и перенастраивает себя с учетом полезности каждого источника для построения будущего графика заболеваемости гриппом»33. В 2019 году ARGONet продемонстрировала впечатляющие результаты, обогнав все ранее существовавшие системы. В частности, ее точность превзошла показатели Google Flu Trends в 75 % штатов. Более того, ARGONet смогла обнаружить угрозу распространения гриппа во всех регионах на неделю раньше, чем это удалось сделать с помощью традиционных методов Центру по контролю и профилактике заболеваний34. В настоящее время активно изучаются различные варианты применения ИИ для предотвращения следующей глобальной эпидемии.

В дополнение к достижениям в научной сфере ИИ постепенно начинает опережать докторов в области клинической медицины. В одном из выступлений 2018 года я высказал предположение, что в течение года или двух ИИ научится анализировать рентгеновские снимки так же качественно, как профессиональные радиологи. Всего две недели спустя разработчики из Стэнфорда представили CheXNet – сверточную нейронную сеть, состоящую из 121 слоя. Эта сеть была обучена на 100 000 рентгеновских снимков и способна диагностировать 14 различных заболеваний. Предварительные результаты сравнения с радиологами-людьми оказались весьма многообещающими: ИИ показал лучшие результаты35. Другие системы ИИ также продемонстрировали высокий уровень анализа. В 2019 году было проведено исследование, в котором нейросеть смогла поставить диагноз на основе данных педиатрического осмотра, представленных на естественном языке. Ее точность оказалась выше, чем у восьми молодых врачей, а в некоторых случаях – даже у всех двадцати врачей, принимавших участие в эксперименте36. В 2021 году команда ученых из Университета Джона Хопкинса создала уникальную систему на основе ИИ под названием DELFI. Эта система способна распознавать отдельные фрагменты ДНК в крови человека и с высокой точностью, а именно в 94 %, определять наличие рака легких по лабораторному анализу крови, что даже эксперты не могут сделать в одиночку37.

Такие технические решения стремительно переходят из разряда экспериментальных образцов в разряд широко применяемых. В июле 2022 года в журнале Nature Medicine были опубликованы результаты обширного исследования, в котором приняли участие более 590 000 пациентов стационара. Все они находились под наблюдением системы на основе ИИ, известной как «Целевая система раннего предупреждения» (Targeted Real-Time Early Warning System, TREWS). Целью исследования было как можно скорее выявить сепсис – тяжелое патологическое состояние, ежегодно уносящее жизни 270 000 американцев38. TREWS посылала врачам сигнал тревоги, позволяя начать лечение на ранних стадиях сепсиса, что привело к снижению смертности на 18,7 %. Если бы такие системы использовались повсеместно, то могли бы каждый год спасать десятки тысяч людей. Впоследствии эти модели получат расширенный доступ к информации, включая данные фитнес-трекеров, и смогут предлагать варианты лечения еще до того, как человек осознает, что болен.

В ближайшем будущем технологии на основе ИИ достигнут уровня, превышающего возможности человека, практически во всех областях диагностики39. В задачах расшифровки медицинских изображений возможности нейросетей раскрываются наиболее полно. Клинически значимая информация может быть едва заметна для человеческого глаза, но легко обнаруживается системами ИИ. В отличие от других форм диагностики, где требуется комплексный анализ разнородных данных, включая качественные признаки, набор пикселей изображения описывается массивом чисел, что идеально подходит для нейросетей. Именно поэтому рентгенографическая диагностика стала одной из первых областей медицины, где ИИ достиг впечатляющих результатов. По этой же причине будет сравнительно легко адаптировать системы типа CheXNet и ее аналог CheXpert для работы с другими классами диагностических изображений. В конце концов ИИ сможет полностью реализовать потенциал визуальной диагностики. Возможно, он даже сможет выявлять скрытые факторы риска на органах, которые на первый взгляд кажутся здоровыми. Это позволит принимать превентивные меры до того, как болезнь успеет причинить вред.

Сфера хирургии также стоит на пороге революции благодаря развитию вычислительных мощностей и увеличению объема качественных данных об операциях40. На протяжении многих лет роботы выполняли вспомогательные функции, но теперь они демонстрируют, что сами способны проводить операции. В 2016 году робот-хирург STAR в ходе испытаний на животных наложил швы на