Trump hat das "Genesis-Projekt" initiiert. Wo liegen die Chancen für die chinesische AI4S-Branche?
Die historische Richtung wird oft stillschweigend verändert, wenn es zu einer Werkzeugrevolution kommt. Als die Astrolabien und Segelschiffe der Großen Entdeckungsreise durch präzise Koordinaten und starke Antriebe abgelöst wurden, wurde die Erkenntnisgrenze der Menschheit über die physische Welt vollständig umgestaltet. Heute steht die wissenschaftliche Erforschung an einem ähnlichen Wendepunkt: Künstliche Intelligenz für die Wissenschaft führt eine Revolution im wissenschaftlichen Paradigma an.
Wie kommt dieser Wandel zustande? Welche "unmöglichen" Aufgaben löst er tatsächlich? Noch wichtiger: Was signalisiert er für die Zukunft in der groß angelegten Erzählung der globalen Technologieentwicklung? Auf der AGM-Konferenz von Linear Capital haben drei "Entdecker" aus den Spitzenbereichen von Materialwissenschaften, Biomedizin und Molekülforschung - Dr. Zhou Zhen von Yinghuachenrui, Dr. Liu Xiaole von Xunbaihui und Dr. Duan Chenru von Deep Principle - ihre echten Fahrten und tiefgründigen Einsichten aus der Entdeckung des wissenschaftlichen Unbekannten mit dem neuen Schiff der Künstlichen Intelligenz geteilt.
Ihre Beobachtungen weisen gemeinsam auf einen Kernpunkt hin: In diesem globalen Wettlauf von Künstlicher Intelligenz für die Wissenschaft haben chinesische Firmen oder von chinesischen Unternehmern gegründete Firmen ein enormes Potenzial. Bei den äußerst komplexen und multivariaten "unmöglichen" Problemen in den Bereichen Materialwissenschaften, Biowissenschaften und Chemie können sie den langen, auf Intuition und Zufall beruhenden Fehlversuchsprozess in eine vorhersagbare, gestaltbare und engineerbare rationale Erforschung umwandeln. Aus der Perspektive von Investmentinstituten könnte dies auch eine der zukunftsträchtigsten und kommerziell wertvollsten Investitionslinien der nächsten zehn Jahre sein. Im Folgenden sind einige Highlights dieses tiefgehenden Dialogs:
Welche grundlegenden Veränderungen hat Künstliche Intelligenz für Ihren jeweiligen Bereich gebracht? Welche unmöglichen Aufgaben löst es?
Zhou Zhen von Yinghuachenrui:
Wir befassen uns mit einem äußerst komplexen System, nämlich den Hochpolymeren. Die traditionelle Forschungs- und Entwicklungsphase ist sehr lang, die Fehlversuchskosten sind hoch und die Erfolgswahrscheinlichkeit ist sehr gering. Nehmen wir zum Beispiel die heute allgegenwärtigen Mineralwasserflaschen. Dieses Material wurde 1941 entwickelt, aber es wurde lange Zeit nur für Fasern und Folien verwendet. Erst 30 Jahre später, mit der zufälligen Entdeckung von Verarbeitungstechniken und Kristallisationstechniken, wurde die PE-Flasche entwickelt. Daher glauben wir, dass Künstliche Intelligenz in drei Ebenen große Veränderungen im Bereich der Hochpolymeren bringen wird:
Erstens, mit der Erfindung oder Weiterentwicklung von Künstliche-Intelligenz-Technologien wie tiefen neuronalen Netzen, repräsentiert durch Transformer, werden wir Künstliche Intelligenz nutzen, um durch datengesteuerte und algorithmische Trainingsprozesse besser zu verstehen, wie Hochpolymere auf verschiedenen Skalenebenen interagieren. So können wir die Materialentwicklung auf der Grundlage des Struktur-Wirkungs-Mechanismus vorantreiben, einschließlich der Rückwärtsentwicklung von Anwendungs-Lösungen.
Zweitens ist die Kombination von Künstlicher Intelligenz, Quantenmechanik und Molekülsimulation. Wir können jetzt mit sehr hoher Genauigkeit viele vertrauenswürdige Basisdatensätze durch Rechenmethoden erhalten. Diese Ergänzung auf Datenebene wird auch unseren Modellentwicklungen und -weiterentwicklungen einen großen Schub geben.
Drittens wird Künstliche Intelligenz auch die kombinierte Nutzung von multimodalen Spektroskopietechniken revolutionieren. Durch die kombinierte Nutzung unserer multimodalen Techniken bei der Materialcharakterisierung können wir umfangreiche Datenbanken verschiedener Nachweisspektroskopien aufbauen. Gleichzeitig können wir durch die kombinierte Nutzung eine umfassendere und direktere Analyse der Materialstruktur auf verschiedenen Skalenebenen in Echtzeit durchführen. Dies wird schließlich auch die Entwicklung von großen Modellen für Hochpolymere erheblich unterstützen. Solche großen Modelle können sowohl die Eigenschaften neuer Materialien präzise vorhersagen als auch Rückwärtsentwicklungen auf der Grundlage der Eigenschaftsanforderungen ermöglichen.
Liu Xiaole von Xunbaihui:
Wir nutzen Künstliche Intelligenz in der Biomedizin. Ich habe 20 Jahre lang an Krebsforschung an der Harvard University gearbeitet und bin fest davon überzeugt, dass biologische Erkenntnisse die Abhängigkeit von Daten und Rechenleistung erheblich reduzieren können. Unsere jahrelange Forschung zur Immunologie hat gezeigt, dass die B-Zellen neben den Krebszellen von Patienten tatsächlich antikrebswirksame Antikörper produzieren, aber in zu geringen Mengen. Es ist so, als ob das Tumorgewebe ein "besetztes Gebiet im Krieg" wäre. Wir haben die Sequenzierungsdaten von Tausenden von Tumoren analysiert, die Hundermillionen von Antikörpern enthalten, und mit Künstlicher Intelligenz berechnet, welche Proteine diese Antikörper angreifen. Was bringt uns Künstliche Intelligenz also? Im Allgemeinen spricht man von "schnell, gut und kostengünstig", in unserem Bereich sollte es eher "präzise, schnell, gut und kostengünstig" heißen.
"Präzise" bedeutet, dass wir einen völlig unbekannten neuen Wirkstoff-Target finden können. Wir haben mit Künstlicher Intelligenz anhand von Tausenden von Tumordaten und Hundermillionen von Antikörpern berechnet und festgestellt, dass viele Patienten in ihren Tumoren eine kleine Menge an Antikörpern gegen ein bestimmtes Target produzieren. Damals wurde dieses Target von niemandem erforscht, es gab weltweit weniger als 10 Artikel darüber. Wir waren uns auch nicht sicher, aber wir haben es einfach mal probiert. Wir haben den Antikörper direkt aus dem Tumor eines Patienten entnommen und in ein Tier mit Tumor injiziert. Wir konnten feststellen, dass das Tumorwachstum gehemmt wurde. Wir haben dann gleichzeitig die Wirkungsweise untersucht und das Medikament in die klinische Phase gebracht.
Was bedeutet "schnell"? In der Regel muss man die Funktion eines Gens sehr gut verstehen, bevor man mit der Medikamentenentwicklung beginnen kann. Wir hatten aber bereits ein Medikament, das in Tieren wirksam war, und haben während der Untersuchung der Wirkungsweise schnell in die klinische Phase gegangen. Es hat uns also nur drei Jahre gedauert, von der Entdeckung des Gens bis zur klinischen Phase, und fünf Jahre, bis die erste klinische Phase abgeschlossen war. Im Vergleich dazu hat die Entwicklung des PD-1-Medikaments von Amgen, dem derzeit erfolgreichsten Medikament, 20 Jahre von der wissenschaftlichen Forschung bis zur ersten klinischen Phase gedauert. Wir haben es in nur fünf Jahren geschafft. Und unser Medikament ist das erste in der Welt, das mit Künstlicher Intelligenz ein Target gefunden und ein Antikörper entworfen und in die klinische Phase gebracht wurde.
Drittens ist es "gut". Im Gegensatz zu den vielen Unbekannten in der herkömmlichen Medikamentenentwicklung basiert unsere Methode auf den Antikörpern, die von vielen Patienten bereits produziert werden. Die Produktion ist also sehr stabil, und die Antikörper, die in den menschlichen Körper gelangen, sind natürlich vorkommende Substanzen, die sich in jeder Hinsicht sehr gut verhalten. Ein Patient hatte vor der Behandlung mit unserem Medikament sieben Monate lang fünf verschiedene Medikamente ohne Erfolg eingenommen. Nach der Behandlung mit unserem Medikament war die Lebermetastase nach fünf Monaten verschwunden, und der Tumor hatte sich nach sieben Monaten um mehr als 30 % verkleinert.
Schließlich sparen wir mit Künstlicher Intelligenz auch viel Geld. Für die Durchführung einer klinischen Krebsstudie in den USA kostet es im Durchschnitt 250.000 bis 300.000 US-Dollar pro Patient. Tatsächlich sind aber die Kosten für das Krankenhaus, die Patienten, die Ärzte und die Medikamente weniger als 100.000 US-Dollar. Der Rest der Kosten geht an CRO-Firmen und verschiedene Berater. Wir haben dann mit Rechenmethoden verschiedene Optimierungen vorgenommen und die Kosten pro Patient um mehr als 40 % reduziert. Kürzlich haben wir auch in China klinische Studien durchgeführt, was noch schneller, besser und kostengünstiger ist.
Duan Chenru von Deep Principle:
Beide Dr. Liu und Dr. Zhou haben darauf hingewiesen, dass der Entwurfsprozess von chemischen Molekülen und Materialien sehr komplex ist. Nehmen wir die von Künstlicher Intelligenz gelösten Probleme, wie z. B. AlphaGo. Das Go-Spiel mit einem 19x19-Spielfeld hat 361 mögliche Züge, was bereits die komplexeste Brettspielvariante ist. Aber der Entwurf von kleinen Molekülmedikamenten hat eine geschätzte Entwurfspalette von 10 hoch 60 Möglichkeiten, was bedeutet, dass die Anzahl der möglichen Züge auf dem Spielfeld so groß wie 10 hoch 60 ist. Dies ist ein Problem, das in der traditionellen Künstlichen Intelligenz überhaupt nicht lösbar ist.
Wir glauben, dass sich die signifikanten Veränderungen um das Jahr 2022 ereignet haben. Mit der Ankunft der generativen Künstlichen Intelligenz müssen wir uns nicht mehr um die Gesamtansicht des Spielfelds kümmern, sondern können uns auf die Umgebung des gerade gesetzten Steins konzentrieren und so auf die relevanten chemischen Räume fokussieren. Dies ermöglicht es uns, den Entdeckungsprozess von Molekülen und Materialien schrittweise voranzutreiben.
Wir haben kürzlich ein echtes Beispiel durchgeführt, bei dem wir von einem bekannten Substrat ausgehend ein Reaktionsnetzwerk untersucht haben, ähnlich wie beim Go-Spiel. Durch diese Untersuchung haben wir einen interessanten Zwischenstoff entdeckt, der normalerweise durch die Katalyse eines teuren Ausgangsmaterials unter nicht so milden Reaktionsbedingungen hergestellt werden muss. Wir können diesen Zwischenstoff nun unter milderen Bedingungen ohne Katalysator herstellen. Ich glaube, dass die Entdeckung solcher neuen Reaktionsmechanismen ein wichtiges Mittel zur Umsetzung neuer Materialien ist und auch eine Richtung ist, die wir langfristig betrachten.
Aus Ihrer Praxis gesehen, was ist die wichtigste Hürde für Künstliche-Intelligenz-für-die-Wissenschaft-Firmen?
Duan Chenru von Deep Principle:
In der Vergangenheit war man sehr an "Wissenschaftler-Unternehmern" interessiert, aber es hat sich herausgestellt, dass die Erfolgsquote von Wissenschaftlern, die direkt Unternehmen gründen, sehr gering ist. Aus der Perspektive der Wissenschaftler möchten sie normalerweise einen "großen Coup" in der Wissenschaft landen, aber die reale Welt ist wie ein RL-Spiel. Wir müssen die Welt um uns herum verstehen und mit der umliegenden Industrie mehr in Kontakt treten, um eine Belohnung zu erhalten, und so das Geschehen schrittweise vorantreiben, anstatt immer zu hoffen, dass wir in einem Schritt Erfolg haben und alle Menschen auf der Welt unsere Produkte kaufen.
Wir haben im Juni 2024 offiziell mit unserem Unternehmen begonnen. Anfangs war unser Algorithmus die wichtigste Hürde. Aber in der vergangenen anderthalb Jahre haben sich viele Dinge verändert. Die wichtigste Hürde hat sich von Anfang an vom Algorithmus mehr hin zu "wie man seine eigene Model- und Daten-Iterationsmethode entwickelt", sei es durch die Zusammenarbeit mit Kunden oder durch die Extraktion eines eigenen Daten-Flys von diesen Daten. Dies ist eine Hürde, die wir innerhalb eines Jahres nach der Gründung erreicht haben.
In den letzten sechs Monaten haben wir mit verschiedenen Spitzenkunden viele Iterationen und Versuche durchgeführt. Wenn wir uns alle Kräfte geben und feststellen, dass das Problem noch nicht perfekt gelöst werden kann, können wir oft viele Know-how erwerben, und diese Know-how sind unschätzbar wertvoll.
Ich denke, dass langfristig das Team am wichtigsten ist. Weil unser Bereich sehr neu ist und unsere Mitarbeiter sehr jung sind, bin ich, obwohl ich erst vor kurzem meinen Doktortitel erworben habe, bereits der viertälteste in der Firma. Dies ist ein sehr komplexer Bereich. Unsere Techniker müssen sowohl einen Hintergrund in der Wissenschaft als auch in der Künstlichen Intelligenz haben. Bei der Entwicklung unserer Produkte oder der Expansion unseres Geschäfts müssen wir sowohl die Kunden verstehen als auch etwas Technisches kennen. Wir müssen verschiedene Sprachen sprechen, um diese Dinge miteinander zu verbinden und das Geschäftsmodell in der wissenschaftlichen Erforschung zu realisieren.
Liu Xiaole von Xunbaihui:
Als wir unser Unternehmen gegründet haben, fragte man sich, was wir mit einer einzigen Technologie besser machen könnten als andere. Aber der Medikamentenentwicklungsprozess ist sehr lang. Wir müssen wissen, wie jeder Schritt abläuft, um Künstliche Intelligenz zu nutzen, um jeden Schritt "präzise, schnell, gut und kostengünstig" zu gestalten.
Manche sagen, dass man in der Künstliche-Intelligenz-Biomedizin einfach eine Software verkaufen könnte. Tatsächlich werden die großen Pharmakonzerne nicht viel Geld für eine Software ausgeben. Sie geben vielleicht einige zehntausend oder hunderttausend Dollar. Andere sagen, dass man für die großen Pharmakonzerne ein Molekül entwerfen könnte, aber auch dafür würden die Pharmakonzerne nur einige hunderttausend oder millionen Dollar ausgeben. Aber denken Sie mal darüber nach, welches Medikament in den letzten 20 Jahren tatsächlich von einem großen Pharmakonzern selbst entwickelt wurde? Nie. Sie übernehmen normalerweise die Medikamente von kleinen Firmen, wenn diese in der ersten oder zweiten klinischen Phase sind. Ihre eigenen Forschungs- und Entwicklungsteams haben nie ein Molekül entwickelt.
In einer solchen Situation ist es sehr schwierig, viel Geld zu verdienen, wenn eine Künstliche-Intelligenz-Pharmafirma nur Software oder ein präklinisches Molekül verkauft. Aber wenn ein Medikament in die klinische Phase kommt und sich in der ersten oder zweiten Phase bei Patienten als wirksam erwiesen hat, kann es mit einem Pharmakonzern einen Deal abschließen, und es kann Millionen, Zehn Millionen oder sogar Milliarden Dollar geben. Wir möchten also Künstliche Intelligenz nutzen, um jeden Schritt von der frühen Entdeckung bis zur klinischen Entwicklung, zumindest in der frühen klinischen Entwicklung, besser zu gestalten und so dem Unternehmen den größten Wert zu verleihen. Ein ganzheitliches Lösungskonzept, das so nah wie möglich am Kunden ist, hat den größten kommerziellen Wert.
Zhou Zhen von Yinghuachenrui:
Dr. Duan und Dr. Liu haben bereits viele Fähigkeiten erwähnt, die Künstliche-Intelligenz-für-die-Wissenschaft-Firmen besitzen sollten, sowohl auf Datenebene als auch auf der Ebene der Fähigkeitsintegration. Ich stimme voll und ganz zu. Im Bereich der Hochpolymeren denke ich, dass ein weiterer wichtiger Faktor das Verständnis der gesamten Wertschöpfungskette ist. Tatsächlich ist die Kette von der Materialentwicklung bis zur Anwendung sehr lang. Nehmen wir zum Beispiel die Kleidung, die wir tragen. Vom Material bis hin zur fertigen Kleidung muss es durch die Stufen der Faserherstellung, Garnspinnen, Weberei, Färbung und Konfektionierung gehen. Jeder Schritt hat viele Branchenkenntnisse, die die Kunden uns möglicherweise nicht mitteilen. Wenn wir etwas Neues einführen oder die bestehenden Produkte verbessern möchten, müssen wir diese Schritte berücksichtigen.
Für uns im Bereich Künstliche Intelligenz für die Wissenschaft gilt also, dass neben der Interaktion oder Fusion von Materialien und Künstlicher Intelligenz möglicherweise die Skalierung der Produktion und das Verständnis der Branche in verschiedenen Bereichen sehr wichtig sind. Am Ende können wir von einer Technologieplattformfirmen zu einer kommerziell erfolgre