ריאיון
"בינה מלאכותית תגביר את החדשנות האנושית. היעד שלנו הוא לרפא את כל המחלות"
פרופ' יוסי מטיאס, סגן נשיא בגוגל, מסביר כיצד כלי AI חדשים יקצרו שנים של עבודת מחקר ויאפשרו לחוקרים להיעזר ב"מעבדה וירטואלית". למרות זאת, הוא טוען שאין תחליף להשכלה וסבור שתפקידו של האדם יהיה חשוב מאי פעם בעולם המדע
פרופ' יוסי מטיאס (68)
מגורים:
מאונטיין ויו
מצב משפחתי:
נשוי + 3
השכלה:
בוגר תואר ראשון במדעי המחשב מאוניברסיטת תל אביב, תואר שני במדעי המחשב ממכון ויצמן ודוקטורט באוניברסיטת תל אביב
תפקיד:
סגן נשיא בגוגל ומנהל Google Research; חבר סגל מדעי המחשב באוניברסיטת תל אביב (בחל״ת)
עוד משהו:
היה טייס בחיל האוויר
פרופ' יוסי מטיאס, סגן נשיא בגוגל ומנהל Google Research, אנחנו מתחילים את השיחה כשאתה בדרך לעבודה ב־Waymo. שאלה מסקרנות: אם אתה תופס את ההגה, אתה יכול לגרום לו לסטות מהמסלול?
"לא, יש לזה המון אבטחות כמובן. הנה, איך שאני מדבר, עוברים כאן מולי כמה Waymo. זה עבר ממצב שהרבה זמן חיכו שזה יקרה, ועכשיו כשזה עובד, זה פשוט רובטקסי והסטטיסטיקות מדברות בעד עצמן. זה בדיוק תואם לאמירה הידועה שדברים לוקחים יותר זמן ממה שאתה חושב בטווח הקצר, אבל הם באים יותר מוקדם ממה שאתה חושב בטווח הארוך".
בוא נעבור לנושא שלנו: AI ומדע. כשהגיעו ChatGPT וג'מיני אמרו שזו הטכנולוגיה שתרפא סרטן ותביא לפריצות דרך מדעיות. בינתיים, הדבר היחיד שהיא ריפאה זה מפתחים מהגישה לכיבודים במטבחון לטובת לשכת האבטלה. מתי תתגשם ההבטחה הזו?
"נתחיל מזה שזה לא דבר חדש. השנה מציינים עשור למאמר שפרסמנו ב־JAMA, אחד מכתבי העת המובילים בתחום הבריאות, שהראה שאנחנו מסוגלים להשתמש בלמידת מכונה לזיהוי מחלת עיניים בשם בצקת מקולרית על רקע סוכרת מצילום רשתית. זו מחלה שאם לא תטופל, יכולה להוליך לעיוורון. עבדנו עם שותפים בתאילנד ובהודו והבאנו את זה לקליניקה.
"לפני כשנתיים וחצי ביקרתי בבנגקוק וראיתי איך מטופלים יושבים לפני מכונה, ובתוך שתי דקות מקבלים דיאגנוסטיקה שמצילה אותם מעיוורון. לאחרונה פרסמנו גם מאמר מחקרי יחד עם ה־NHS (שירות הבריאות הלאומי - ע"כ) באנגליה, שמשתמש ב־AI בתור קורא שני לממוגרפיה של סרטן שד. המאמר הראה שה־AI עוזרת לזהות 25% מהפספוסים של המומחים.
"עכשיו, העולם של Generative AI פותח תחום לגמרי חדש של הזדמנויות. הפרק הכי מרגש היום בתחומי AI, מדע ורפואה, זה איך משתמשים ב־AI כדי להאיץ את המחקר עצמו. ארוכה הדרך עד שנוכל לפתור את כל המחלות, אבל רואים את המסלול שבו באמצעות AI אנחנו יכולים להאיץ את המחקר המדעי לקראת פתירת הבעיות הגדולות".
בוועידת המפתחים של גוגל במאי השקתם שלושה כלים שאמורים לקדם את זה. איך literature insight יחסוך את השעות שאקדמאים משקיעים בספרות מחקרית?
"בנושא של ספרות יש שתי בעיות גדולות שחלק ניכר מהזמן של תלמידי מחקר מתבזבז עליהן. אחת היא להבין מה הספרות הרלבנטית למה שאתה רוצה לפתור, בהרבה תחומים יש התפוצצות וכמות עצומה של פרסומים מדעיים. סוגיה שנייה היא שיש המון פרסומים מדעיים שיכולים להיות רלבנטיים אבל אתה לא יודע, כי הם בתחומים קצת אחרים. גם אחרי שיש לך כבר את המאמרים, לקרוא אותם ולמצוא מה רלבנטי זו משימה מאוד לא פשוטה.
"עם ה־insights, אנחנו מסוגלים לקחת מאמר או כל טקסט כתוב, לסכם אותו, להראות עליו תובנות, לעשות לו אינפוגרפיקה, לתרגם אותו למצגת או להפוך אותו לפודקאסט. אחד הדברים החזקים שבחנו ב־AI Co-Scientist זה איך אנחנו יכולים לעזור לפעולות הבסיסיות של סקירת ספרות. ברגע שאנחנו שואלים שאלה מדעית, אנחנו צריכים לעשות את כל סקירת הספרות, אבל אז מתחילה העבודה האמיתית של איך אני מחבר את הדברים, בונה היפותזה בהסתמך על כל מה שאני רואה בספרות, מייצר המון היפותזות, מסנן אותן, מדרג אותן ומציג אותן חזרה לחוקר".
"החוקר בעצם הופך להיות המנחה"
עכשיו אנחנו מדברים על hypothesis generation. חשבתי שזה תחום של היצירה האנושית, אבל אתם מביאים כלי שמכניס AI.
"בהחלט. אם נחזור למסלול המחקרי המסורתי: אנחנו צריכים להבין כל מאמר בפני עצמו ולקרוא אותו, וזה בוודאי הדבר הנכון למאמרים שהם הרלבנטיים ביותר למה שאתה עושה. חוקר חייב לקרוא ולהבין את המאמר היטב בעצמו. אבל תחשוב על בעיות שבהן מה שאתה רוצה זה להסתכל על סקר ספרות, כשהאינפורמציה שאתה הולך לייצר את ההיפותזה עליה נשענת על מאות פרסומים, או על 100 אלף מאמרים. זה מעבר ליכולת האנושית לקרוא את כל המאמרים האלה ולהבין אותם. זה המקום שבו היינו רוצים לראות איך אנחנו מעצימים את החוקר באמצעות AI, שלא רק עוזרת לקרוא מאמר אלא עושה את כל סקר הספרות ומתחילה לענות על השאלה המחקרית.
"החוקר הופך להיות כמו המנחה מבחינה מסוימת. אם נחשוב קדימה, אני רואה עולם שבו לכל חוקר ולכל תלמיד מחקר יש מעבדה וירטואלית שעושה את העבודה שהם עושים היום. זה מאפשר לכל אחד לקחת תפקיד שפעם היה צריך להיות חוקר מאוד בכיר כדי לבצע אותו: לשאול שאלות, להסתכל על היפותזות, לעשות את האיטרציות ולשאול את השאלה הבאה".
הכלי השלישי הוא computational discovery, והוא כבר נוגע לעריכת המחקר עצמו.
"אמת. ה־computational discovery מסתמך על פיתוח בשם Empirical Research Assistant. כשאתה חושב על העבודה המחקרית, ברגע שיש היפותזה מדעית שרוצים לעשות לה בחינה – למשל בתחום הרפואי, רוצים לבנות מודלים של התפרצות מגפה כמו הקורונה, למצוא קורלציות וכדומה – אחד הנושאים שלוקחים הכי הרבה זמן וכישורים זה לבנות מודלים. זו עבודה שיכולה לקחת ימים, שבועות או חודשים של ניסוי מודלים שונים, התאמת פרמטרים ומציאת המודל הנכון לבעיה עם הקומבינציות השונות.
"הפיתוח בא לפתור את הבעיה הזאת. הוא אומר שאם יש לי בעיה שהיא scorable (שאפשר למדוד בה התקדמות - ע"כ) ויש לי את הקלט שלה, המערכת משתמשת ב־Generative AI על מנת לחפש את המודל הכי טוב בעולם של אלפי מודלים, ועושה את אותה עבודה שהיינו צריכים להקדיש לה חודשים וכישורים מתאימים. המערכת מאפשרת לשים שאלה מחקרית של 'אני רוצה לחשב מודל לבעיה הזאת' ולקבל פתרון שאפשר לבחון ולאמץ.
"אחד הדברים שמגבילים את המחקר המדעי היום הוא שמיקדנו חוקרים לתחומים מסוימים כדי שיוכלו ללכת מאוד עמוק. אבל הרבה פעמים הדברים היותר משמעותיים קורים כאשר מחברים תחומים ביחד – כשלוקחים אבחנות מכימיה, פיזיקה ומתמטיקה. אחד הדברים הכי חשובים במחקר זה אנשים שמסוגלים להבין יותר מתחום אחד ולחבר ביניהם, אנחנו קוראים להם polymath (איש אשכולות - ע"כ). אתה יכול לחשוב על מערכת AI Co-Scientist כסוג של polymath בכיס שלך. לכל אחד מאיתנו יכול להיות שותף שמסוגל להסתכל על כל התחומים ולעשות את החיבורים".
"אסור שיהיו סדקים בגישה המדעית"
האם חוקר עדיין צריך להיות מישהו שעשה דוקטורט, פוסט־דוק והתמחות, או שבעולם החדש חוקר יכול להיות רק בוגר תואר שני או אפילו תואר ראשון?
"זה פותח הזדמנות ליותר אנשים להשתתף במחקר המתקדם ביותר. ההשכלה עדיין סופר־חשובה, צריך להאיץ את ההשכלה ואת היכולת לשאול שאלות מחקריות. כל הכלים האלה כפופים לשיטה המדעית. צריך משמעת מאוד רצינית כשאנחנו משתמשים ב־AI למחקר מדעי, כדי לוודא שאנחנו עושים הכל בהתאם לשיטה המדעית שיש בה אלמנט של אימות. בעולם שבו אתה יכול לייצר אינסוף היפותזות, היכולת לבדוק אותן חשובה מאי פעם. היכולת לעשות בחינה ולתת לחוקרים כלים לעשות ולידציה חשובה כדי לוודא שאנחנו שומרים על מחקר מדעי אמין. הגישה המדעית היא אחת ההצלחות הכי חשובות של האנושות, היא מה שאיפשר לנו לבנות את רובדי הידע בצורה מבוזרת כך שחוקרים מכל העולם יכולים להסתמך עליהם, ואסור שיהיו בה סדקים".
ובכל זאת, מה היתרון של חוקר בכיר עם עשרות שנות ניסיון מאחוריו וידע תיאורטי ומעשי עצום, לעומת חוקר שסיים תואר שני מחקרי ומשתמש בכל הכלים שפיתחתם למחקר?
"הכלים להאצת המחקר המדעי הולכים להעלות את הרף של הבעיות שאנחנו מנסים לפתור. לכן, אחד הדברים המשמעותיים ביותר מבחינתי הוא לשאול שאלות יותר גדולות. העובדה שכל אחד יכול להשתמש במערכת כדי לפתור בעיה אומרת שמשפחה שלמה של בעיות תיפתר על ידי כך שאנשים ישתמשו במערכות האלה כמו שצריך. עכשיו אנחנו הולכים לשלב הבא של בעיות מורכבות יותר, כאלה שהמערכות לא מסוגלות לפתור בעצמן, ושם צריך חוקר שישאל את השאלה המדעית ויתקדם איתה. אנחנו לא מנסים לפתור את אותן שאלות שפתרנו בעבר, אנחנו הולכים לשאול שאלות יותר גדולות.
"אם נחזור לתחילת השיחה, האם אנחנו יכולים לרפא את כל המחלות? זה היעד שלנו. אנחנו רוצים להבין את העולם, את הפיזיקה, את הפלנטה, את גוף האדם, את התאים והמערכות הביולוגיות עד הסוף; להבין איך מזהים מחלות בשלב מוקדם ואיך ממציאים פתרונות. בעיניי אין גבול לאתגרים המדעיים והרפואיים שצריך לפתור, וההזדמנות שלנו עכשיו היא לשדרג את השאלות. מערכת AlphaFold, שהוכרה בפרס נובל שניתן לעמיתיי דמיס הסביס וג'ון ג'אמפר (חתני פרס נובל לכימיה ל־2024 מדיפמיינד של גוגל – ע"כ), לקחה בעיות שלפני כן אנשים עשו עליהן דוקטורט – לפתור בעיית קיפול של חלבון אחד – והיום נותנת פתרונות למאות מיליוני חלבונים.
"התקווה שלי היא ש־AI תגביר את החדשנות האנושית. שהיא תהיה משהו שמעצים את הרופא, המורה, החוקר והמדען. החשיבות של החוקר, הרופא והמורה במשוואה הזאת גדולה מאי פעם. היכולת לעשות אימפקט במקום של היצירה האנושית ובמקומות שבהם צריך לתת את הקשר האנושי היא קריטית, והחשיבות של האדם היא הגבוהה ביותר. הרבה דברים שנראים היום מחוץ להישג היד, אני מאמין שנוכל להגיע אליהם ולפתור אותם, כולל דברים שכולנו אכפת לנו מהם בתחומי הבריאות, החינוך והפלנטה שלנו, ולראות איך אנחנו מעצימים אנשים בכל התחומים שאפשר".
