• <menu id="44ama"><tt id="44ama"></tt></menu>
    當前位置:首頁 > facebook資訊 > 列表

    Facebook不干社交要“治病”

    發布:facebook 來源: facebook中文網  添加日期:2021-05-01 17:52:03 瀏覽: 評論:0 

    “線上尋親”的社交平臺裝不下扎克伯格的健康夢,但治病能。

    近日,Facebook放出消息,決定用AI“開藥”治癌癥。Facebook的人工智能研究部門和德國慕尼黑赫爾姆霍茲中心(Helmholtz Zentrum München,一家專注于環境健康的研究中心)聯合推出人工智能模型,從海量的藥物中篩選不同的組合,讓治療效果最大化。

    Facebook的同好不少,互聯網大廠首當其沖。

    谷歌在AlphaGo機器人通過“自主學習”擊敗了人類職業圍棋選手后正式進軍醫療行業,收購DeepMind。2020年因成功破解蛋白質結構這顆生物上的“明珠”,第二波大范圍刷屏緊隨其后。

    同樣在去年,百度成立百圖生科,開始下起AI制藥這盤棋。

    今年,拼多多的締造者黃崢卸任,內部辭職信引發遐想無限。一紙陳情述盡衷腸,他說自己要去搞生物。

    大廠“下海”,算法江湖下醫療投石問路。讓我們不禁想問一句,不同于社交、帶貨、搜索,開始借助 AI 算法治病救人的互聯網大廠,能行嗎?

    寫藥方的Facebook

    先看Facebook的AI想做什么。

    Facebook宣稱,與現有的方法相比,其開發的新型人工智能平臺可以更快地預測藥物在細胞內的相互作用方式,從而更快地發現治療癌癥等疾病的新藥組合。

    相關研究已經在預印本上發表

    重點是不僅可以預測藥物之間的相互作用,還能預測藥物將如何攻擊特定的細胞類型并中斷疾病。

    簡單來說,就是一個高效的“開藥”神器,機器藥劑師。

    看起來很神奇,但這背后的原理并不難。

    藥物一旦作用于人體內的細胞,就會在細胞內部引發不同的反應,那么,如果能讓單個細胞對一組特定藥物的治療作出反應,并讓機器將反應記錄下來,當累計的數據樣本足夠多,就可以利用數據訓練相應的機器學習模型。

    這些模型就可以順利預測在不同藥物作用下細胞的反應,以測試我們選擇的藥是否有用。反之,也可以得出對細胞最有效的那一組藥物究竟是什么。

    Facebook使用的是一種開源模型,也叫成分擾動自動編碼器(CPA)。他們發現CPA可以在短短幾個小時內自動評估數十種不同組合的藥物效果,并給出最佳的用藥劑量。

    如果沒有機器學習的干預,這一過程可能長達數年不等。

    這一消息一經傳出,海外的很多科學家開啟了表達的話匣子。德國馬克斯-普朗克發育生物學研究所的Andrei Lupas稱這些結果 “非常有前途”,但也強調還有更多的工作需要去完成,“現在該方法的有用性將取決于雙盲條件下的嚴格測試結果”。

    質疑同樣伴隨肯定而來。美國國家癌癥研究所的Eytan Ruppin聲稱“結果可能與炒作不符”。

    他認為,這種人工智能并不能預測細胞是存活還是死亡的狀態,而是預測細胞在接受藥物治療時表達RNA的變化。“這只能顯示出細胞內部的反應,但不一定能顯示出細胞是存活還是已經被治療藥物殺死了。”

    即便如此,人工智能技術仍像被置于薛定諤試驗中的“小貓”,不確定背后可能存在危險,但也同樣迷人。

    互聯網公司和生物,憑什么能破壁?

    我們通常默認AI可以改變世界,對它的嘗試也從未停止。

    自動駕駛、互聯網、智慧學習、增強人類智能等應用不勝枚舉。但在恐怖谷效應之下,它下游的衍生業態,如機器人的探索等又帶著些許科幻小說的意味。

    人工智能總帶著一種啟示錄式神性和浪漫主義色彩,即便控制它的是那些最理性的算法。

    作為普通人,我們該如何理解那些帶“AI+”頭銜概念背后的真實情況?我想,要從回答何為人工智能開始。

    維基百科給出的解釋是,人工智能指計算機用來模仿人類智能的相關軟件。例如,一個根據你買的書推薦你應該讀什么書的程序,或者一個對周圍世界有基本認識的機器人。

    這些常規操作是十分普遍,但是一記特殊“成分”的加入,讓人工智能變了模樣——“機器學習”(Machine Learning)。

    過去10年,機器學習人工智能具備了更加強大的能力。

    從DeepMind的與世界冠軍圍棋,到谷歌翻譯,從人臉識別算法到亞馬遜Alexa等數據處理系統,背后都有這項技術的身影。

    與其說是由程序員給機器學習AI提供了一份明確的指令清單,告訴它們如何完成一項任務,不如說AI必須自己學習如何完成任務。我們對機器展開了訓練,神經網絡是最熱門的方式之一。

    “機器人夢到了電子章魚了嗎?”利用神經網絡比利時根特大學計算機上實時播放的畫面

    神經網絡是一個大型的連接網絡,其靈感來自于大腦中神經元的連接方式。神經網絡從上世紀四五十年代就已經出現了,但直到最近才開始取得極大的進展。命運的改變數據量和計算機算力提升的后的必然結果。

    數據量的大小影響著神經網絡的訓練效果。而現在,每分鐘都有數以百萬計的視頻和音頻片段、文章、照片等被上傳到互聯網上,這使得掌握合適的數據集變得更加容易。

    尤其當你自己就是持有這些數據的大型科技公司的時候,你就掌握著先天優勢。

    是萬能的嗎?

    AI作用在生物技術和藥物研發上,也有自己的煩惱。

    首先,大數據是AI的基石,“數據大于算法”這一說法被廣泛流傳??梢哉f,只要我們能收集到足夠多的數據,很多問題就迎刃而解了。

    然而,在醫藥行業中,整個新藥發現領域的數據量,總體上不足以支撐人工智能模型的運作。

    為什么這么說?

    從工業革命至今可能有兩三百年的時間內,人類開發出的創新藥也不過是幾百到千這樣一個數量級,而這些藥物又具體分布到數十類疾病或者數百個靶點上面,具體到某一個靶點的新藥可能也就是個位數了。

    這讓每個靶點可供使用的數據量非常有限。數據量的嚴重不足,大大的制約了整個AI制藥行業的發展。

    在這一背景下,部分主打算法的AI研發公司希望借助和相關組織、藥企合作,以獲取更多有效數據。

    但除此之外,我們也該意識到人工智能的決策并不不透明。

    我們難以分析神經網絡如何得出結論,這意味著如果他們犯了一個關鍵的錯誤,比如在圖像中漏掉了癌癥信息,我們就很難找出他們為什么會犯這個錯誤。

    如果錯誤的源頭沒有找到,人工智能同樣無法“自省”,這可能會減緩人工智能在個別重要應用中的進展。

    整體來看,AI藥物研發還處在非常早期的階段,如果用百米賽跑作比喻,我們現在大約跑了五米。剩下的九十五米,在等待著科學的答案。

    #作者有話說# 大鯨榜第二期正在尋鯨!本期大鯨榜旨在全力挖掘智慧醫療領域里隱藏的“實力大鯨”,并將于大鯨峰會(7月)集結亮相,與行業頂級專家、領袖、資本大咖等一起洞悉產業未來。點擊這里了解更多。

    Tags: Facebook社交

    分享到:

    男闺蜜把我的腿打开揉我的胸
  • <menu id="44ama"><tt id="44ama"></tt></menu>