AI – Kampen om retningen 04/04

Demis Hassabis: Hvis AI bliver videnskabens motor, hvem styrer så opdagelserne?

Da Demis Hassabis og John Jumper modtog Nobelprisen i kemi i 2024, var det ikke alene en anerkendelse af et gennembrud inden for proteinforskning. Det var også et tegn på en mere grundlæggende forandring af videnskaben. For AlphaFold var ikke udviklet på et universitet, et offentligt forskningsinstitut eller i et internationalt forskningsprogram. Systemet var udviklet hos Google DeepMind – en del af en af verdens største teknologikoncerner.

AlphaFold havde løst et problem, forskere havde arbejdet med i omkring et halvt århundrede: at forudsige proteiners tredimensionelle struktur ud fra deres aminosyresekvens. Nobelkomiteen fremhævede, at AlphaFold2 gjorde det muligt at forudsige strukturen af praktisk taget alle de omkring 200 millioner proteiner, forskere havde identificeret. Modellen var allerede blevet brugt af mere end to millioner mennesker i 190 lande. Det var en videnskabelig triumf.

Men det var samtidig en demonstration af noget, der rækker langt ud over proteiner.

AI var ikke længere kun et værktøj til at søge i eksisterende viden, analysere data eller hjælpe forskeren med rutineopgaver. En AI-model havde været afgørende for løsningen af et fundamentalt videnskabeligt problem. Og hvis AlphaFold ikke er en undtagelse, men begyndelsen på en ny måde at producere viden på, opstår et spørgsmål, der er langt større end Google DeepMind. Hvem kommer til at kontrollere infrastrukturen for videnskabelige opdagelser?

Fra skakbrættet til laboratoriet

Demis Hassabis har længe haft en større ambition for kunstig intelligens end at bygge bedre softwareprodukter. Den britiske forsker og iværksætter grundlagde DeepMind i 2010. Virksomheden blev købt af Google i 2014 og blev senere samlet med Googles øvrige AI-forskning i Google DeepMind.

DeepMind blev for alvor kendt uden for AI-forskningen gennem AlphaGo, som i 2016 besejrede Go-spilleren Lee Sedol. Det var et spektakulært gennembrud, fordi Go med sine enorme kombinationsmuligheder længe havde været betragtet som en særlig vanskelig udfordring for computere.

Men spil var aldrig det endelige mål. Hassabis har gennem store dele af DeepMinds historie fremstillet AI som et redskab til at accelerere videnskabelig opdagelse. AlphaFold blev det hidtil stærkeste bevis på, at den vision kunne være mere end en ambition. DeepMind har selv beskrevet AlphaFold som det første store bevis på selskabets grundlæggende tese: at AI kan accelerere videnskabelige opdagelser og derigennem skabe fremskridt for menneskeheden.  

Det gør Hassabis til en anden figur end de tre personer, vi hidtil har mødt i serien AI: Kampen om retningen. Yann LeCun spørger, om vi bygger den rigtige form for AI. Geoffrey Hinton spørger, om vi kan kontrollere den. Sam Altman repræsenterer forsøget på at gøre AI til global teknologisk infrastruktur. For Hassabis handler det om noget andet. Hvad sker der, når denne infrastruktur bliver en del af selve produktionen af ny viden?

AlphaFold ændrede et helt forskningsfelt

For at forstå betydningen af AlphaFold er det nødvendigt at forstå problemet, systemet løste.

Proteiner er centrale for stort set alle biologiske processer. Deres funktion hænger tæt sammen med deres tredimensionelle form, men at bestemme den struktur eksperimentelt kan være både dyrt og tidskrævende. Forskere havde siden 1970’erne forsøgt at forudsige proteiners struktur ud fra rækkefølgen af deres aminosyrer. Det viste sig at være ekstremt vanskeligt.

AlphaFold2 ændrede situationen.

Da systemet blev præsenteret i 2020, kunne det forudsige proteinstrukturer med en præcision, der gjorde metoden praktisk anvendelig i forskning. I 2021 etablerede DeepMind sammen med European Bioinformatics Institute, EMBL-EBI, AlphaFold Protein Structure Database. Året efter blev databasen udvidet til mere end 200 millioner forudsagte proteinstrukturer – næsten alle katalogiserede proteiner kendt af videnskaben.   Konsekvensen var ikke, at biologerne blev overflødige. Tværtimod fik de et nyt forskningsredskab. Strukturer, som tidligere kunne kræve omfattende eksperimentelt arbejde at bestemme, kunne nu undersøges gennem AI-genererede forudsigelser. Det kunne hjælpe forskere med at formulere hypoteser, vælge eksperimenter og undersøge biologiske mekanismer hurtigere.

AlphaFold er blevet anvendt inden for blandt andet forskning i antibiotikaresistens, sygdomme, enzymer og miljøproblemer. Det er derfor fristende at fortælle AlphaFold-historien som et enkelt eksempel på AI for public benefit: En privat virksomhed udvikler en banebrydende teknologi og stiller resultatet til rådighed for verdens forskere. Og det er en vigtig del af historien. Men ikke hele historien.

Det offentlige fundament under det private gennembrud

AlphaFold illustrerer nemlig også, hvor uklart skellet mellem offentlig og privat viden bliver i den AI-drevne forskning. Modellen opstod ikke ud af ingenting. AlphaFold blev blandt andet trænet på offentligt tilgængelige videnskabelige data fra ressourcer som Protein Data Bank, UniProt og MGnify. Det er databaser opbygget gennem årtiers forskning, institutionelt arbejde og internationale samarbejder. EMBL-EBI har direkte fremhævet, at DeepMind kunne udvikle AlphaFold på baggrund af denne offentligt tilgængelige vidensinfrastruktur.  

Her opstår et interessant kredsløb. Offentlig og international forskning producerer data.

En privat virksomhed bruger dataene til at træne et avanceret AI-system. AI-systemet producerer ny videnskabeligt relevant viden. Og denne viden føres i AlphaFolds tilfælde tilbage til forskningsfællesskabet gennem en åben database. Det kan ses som et forbillede på et produktivt samspil mellem offentlig forskning og privat AI.

AlphaFold er også historien om åbenhed

Det er vigtigt ikke at gøre konflikten enklere, end den er. Google DeepMind har faktisk gjort centrale dele af AlphaFold-arbejdet usædvanligt tilgængeligt. Forskningsresultaterne blev publiceret, AlphaFold2-koden blev open source, og de mere end 200 millioner proteinstrukturforudsigelser blev gjort frit tilgængelige gennem samarbejdet med EMBL-EBI. Databasen er tilgængelig under en åben licens.  

Det har haft en konkret betydning. Forskere behøver ikke selv at have adgang til Googles computerinfrastruktur for at hente millioner af de beregnede strukturer. Den offentlige database reducerer dermed noget af den infrastrukturelle ulighed, som ellers kunne følge med AI-baseret forskning. Det er et stærkt eksempel på, at privat udviklet AI og offentlig videnskab ikke nødvendigvis er modsætninger. Men netop AlphaFolds succes gør det relevant at spørge, hvad der sker, når AI-systemerne bliver endnu mere generelle og endnu tættere integreret i forskningsprocessen. For fremtidens AI-systemer vil måske ikke kun forudsige proteinstrukturer.

De kan være med til at beslutte, hvilke spørgsmål der skal undersøges.

Fra AlphaFold til Gemini

Google DeepMinds udvikling af Gemini peger mod en langt bredere ambition. Hvor AlphaFold er et specialiseret system rettet mod et konkret videnskabeligt problem, er Gemini en familie af generelle multimodale AI-modeller. De kan arbejde med tekst, billeder, kode og andre former for information og indgår i Googles produkter og AI-infrastruktur. Grænsen mellem DeepMinds videnskabelige AI og Googles kommercielle AI bliver dermed mindre tydelig.

Den samme organisation kan udvikle systemer til biologisk forskning, generelle AI-assistenter, avancerede ræsonneringsmodeller og modeller, der bliver integreret i verdens største søge- og cloudvirksomhed. Det giver Google en særlig position. Virksomheden har ikke alene adgang til avancerede AI-modeller. Den har også enorme mængder computerkraft, forskere, cloudinfrastruktur, data og distributionskanaler.

Hvis AI bliver et centralt redskab for videnskaben, kan den kombination blive lige så vigtig for fremtidens forskning, som laboratorier, teleskoper, partikelacceleratorer og forskningsdatabaser har været for tidligere generationer. Forskellen er ejerskabet. Mange af videnskabens vigtigste infrastrukturer er bygget og drevet af universiteter, stater eller internationale organisationer.

De mest avancerede AI-systemer udvikles i stigende grad af private virksomheder.

Når AI går fra værktøj til forskningspartner

Der findes en vigtig forskel mellem at bruge AI til at analysere videnskabelige data og at bruge AI til at producere nye hypoteser. I det første tilfælde er AI et værktøj. I det andet begynder teknologien at bevæge sig ind i noget, der traditionelt har været forskerens domæne: at opdage mønstre, formulere forklaringer og vælge mellem mulige veje gennem et enormt problemrum. Det betyder ikke, at maskinen bliver “videnskabsmand” i menneskelig forstand. Videnskab er også kritik, fortolkning, institutioner, metode, eksperimenter og et fællesskab, der efterprøver resultater. 

Men AI kan ændre, hvor i denne proces den knappe ressource befinder sig. Tidligere kunne flaskehalsen være adgang til data eller laboratorier. I en AI-drevet videnskab kan den i stigende grad blive adgang til modeller og compute. Det er her Hassabis’ vision møder Sam Altmans infrastrukturprojekt fra seriens foregående artikel. Hvis AI bliver en motor for videnskabelige opdagelser, bliver compute ikke kun en økonomisk ressource. Det bliver en videnskabelig ressource.

Hvem bestemmer, hvad maskinen undersøger?

Forestil dig, at fremtidige AI-systemer kan gennemgå enorme mængder forskningslitteratur, analysere biologiske data, generere hypoteser, foreslå nye molekyler og prioritere de mest lovende eksperimenter. Videnskabelige ressourcer har altid været begrænsede. Derfor har forskningspolitik også altid handlet om prioritering. Stater, fonde, universiteter og virksomheder beslutter, hvilke sygdomme, teknologier og samfundsproblemer der får penge og opmærksomhed.

AI kan gøre denne prioritering endnu mere koncentreret. Hvis de stærkeste systemer befinder sig hos nogle få virksomheder, kan deres strategiske beslutninger få indirekte betydning for, hvilke forskningsområder der accelererer. Det behøver ikke ske gennem censur eller bevidst styring.

Det kan ske gennem noget langt mere ordinært: investeringer. En virksomhed kan vælge at bruge sine bedste modeller og største compute-budgetter på lægemiddeludvikling frem for klimaforskning, på kommercielt attraktive sygdomme frem for negligerede sygdomme eller på produkter med et marked frem for grundforskning uden umiddelbar indtjening.

Nobelprisen ændrede symbolikken

Nobelprisen til Hassabis og Jumper gjorde denne udvikling vanskeligere at overse.

Nobelkomiteen tildelte dem halvdelen af kemiprisen i 2024 “for protein structure prediction”, mens den anden halvdel gik til David Baker for computational protein design.  En af videnskabens mest prestigefyldte institutioner anerkendte dermed et gennembrud, hvor kunstig intelligens havde været afgørende.

Det markerer en symbolsk overgang. AI er ikke længere kun noget, forskere undersøger. AI er blevet noget, forskere undersøger verden med. Og hvis Hassabis’ vision holder, vil den udvikling accelerere.

Så bliver spørgsmålet om AI’s rolle i forskningen ikke et nicheproblem for dataloger. Det bliver relevant for kemi, biologi, medicin, materialeforskning, matematik, fysik og potentielt en lang række andre discipliner.

Public benefit – men på hvis betingelser?

DeepMind har fra begyndelsen været præget af en stærk fortælling om, at AI skal bruges til at løse store problemer. AlphaFold er det bedste argument for, at fortællingen ikke bare er branding.

Her blev et system udviklet af en privat AI-virksomhed stillet bredt til rådighed og gjort til et redskab for forskere over hele verden. AlphaFold-databasen giver fortsat åben adgang til mere end 200 millioner strukturforudsigelser.  

Men public benefit kan organiseres på forskellige måder. Der er forskel på, om offentligheden ejer infrastrukturen, eller om en virksomhed vælger at give offentligheden adgang til den. I det første tilfælde er åbenheden institutionelt forankret. I det andet afhænger den i sidste ende af virksomhedens strategi. Det betyder ikke, at Google DeepMind vil lukke AlphaFold eller holde fremtidige videnskabelige resultater tilbage. AlphaFold viser tværtimod, at virksomheden har været villig til betydelig åbenhed. Problemet er strukturelt snarere end moralsk. Hvis samfundets adgang til stadig vigtigere forskningsværktøjer afhænger af beslutninger hos enkelte teknologivirksomheder, bliver deres interne prioriteringer en del af videnskabens institutionelle ramme.

Google er ikke et universitet

Det er derfor vigtigt at holde to tanker i hovedet samtidig. Google DeepMind kan producere forskning af meget høj kvalitet og samtidig være en del af en kommerciel virksomhed. De to ting udelukker ikke hinanden, men de er heller ikke det samme. Et universitet, en offentlig forskningsinstitution og et børsnoteret teknologiselskab eksisterer under forskellige incitamenter og forskellige former for ansvarlighed. Universiteter har også økonomiske interesser, patentstrategier, hierarkier og magtkampe. Offentlig forskning er heller ikke fri for politiske prioriteringer.

Men offentlige institutioner er i princippet underlagt andre krav om åbenhed, offentlig begrundelse og demokratisk kontrol end en privat teknologivirksomhed. Når stadig større dele af den avancerede AI-forskning flytter ind i virksomheder med adgang til computerkraft, som universiteter vanskeligt kan matche, ændres derfor ikke kun finansieringen af forskningen. Magtbalancen i selve vidensproduktionen ændres.

Hvis Hassabis har ret

Hvis Hassabis har ret i AI’s potentiale for videnskaben, kan konsekvenserne blive enorme.

AlphaFold kan vise sig at være et tidligt eksempel på en langt større transformation, hvor AI hjælper forskere med at løse problemer, der ellers ville tage årtier. Nye lægemidler kan findes hurtigere. Materialer kan designes med bestemte egenskaber. Biologiske mekanismer kan forstås bedre. Matematiske sammenhænge kan opdages. Eksperimenter kan prioriteres mere effektivt.

Videnskabelige fremskridt kan simpelthen accelerere. Og hvis modeller og resultater samtidig stilles åbent til rådighed, som det i betydelig grad er sket med AlphaFold, kan AI blive et ekstraordinært stærkt redskab for global forskning.

I det scenario bliver den afgørende politiske opgave ikke at holde AI ude af videnskaben.

Den bliver at sikre, at fordelene ikke koncentreres hos dem, der ejer modellerne.

Hvis Hassabis tager fejl

Men Hassabis’ vision kan også vise sig at overvurdere, hvor meget af videnskabelig erkendelse der kan automatiseres. AlphaFold løste et usædvanligt velegnet problem: Der fandtes store mængder strukturerede data, et klart defineret mål og muligheder for at evaluere systemets forudsigelser.

Ikke alle videnskabelige problemer ser sådan ud.

Mange forskningsspørgsmål er uklare, dårligt definerede eller afhængige af fortolkning. Nogle gennembrud opstår netop, fordi forskeren stiller et spørgsmål, som ingen havde tænkt på at optimere efter. Hvis AI-systemer bliver for dominerende i forskningen, kan der også opstå en anden risiko: at videnskaben begynder at orientere sig mod de problemer, der passer bedst til maskinerne.

Det kan skabe en illusion om acceleration, mens mindre målbare, mindre datarige eller mindre kommercielt attraktive forskningsområder bliver relativt nedprioriteret. AI kan dermed ikke bare hjælpe videnskaben med at finde svar. Den kan indirekte være med til at definere, hvilke spørgsmål der bliver stillet.

Den sidste kamp handler om viden

De fire personer i AI: Kampen om retningen repræsenterer ikke fire rene lejre. LeCun, Hinton, Altman og Hassabis er alle del af det samme globale AI-miljø, og deres positioner overlapper på mange områder. Men de gør forskellige konflikter synlige.

Yann LeCun spørger, om vi bygger den forkerte AI. Geoffrey Hinton spørger, om vi kan kontrollere den AI, vi bygger. Sam Altman viser, at AI også er blevet en kamp om kapital, compute og global infrastruktur. Demis Hassabis bringer os til det sidste lag: Hvem kontrollerer den viden, infrastrukturen kan producere?

AlphaFold viser den optimistiske mulighed. Et privat udviklet AI-system, bygget oven på årtiers offentlig videnskab, kan føres tilbage til det globale forskningsfællesskab og blive et åbent redskab for millioner af mennesker. Men netop succesen viser også, hvad der står på spil. For hvis næste generation af AI ikke bare finder proteinstrukturer, men hjælper med at opdage lægemidler, materialer, biologiske mekanismer og nye videnskabelige sammenhænge, bliver kontrollen over AI-systemerne også en form for kontrol over forskningens muligheder.

Så handler kampen om AI ikke længere kun om, hvilke maskiner vi bygger. Den handler om, hvem der har råd til at stille spørgsmålene, hvem der ejer maskinerne, der søger efter svarene – og på hvilke betingelser resten af verden får adgang til det, de opdager. Det er måske den mest vidtrækkende magtkamp i hele serien. For den, der kontrollerer fremtidens forskningsinfrastruktur, kontrollerer ikke nødvendigvis sandheden. Men vedkommende kan få en stadig større indflydelse på, hvor vi leder efter den.

Vi laver journalistik om AI, fordi udviklingen går hurtigere end den offentlige samtale.

På AI Portalen forsøger vi at skabe overblik, perspektiv og kritisk indsigt i en teknologi, der allerede former alt fra arbejdsmarkedet til demokratiet — ofte uden at nogen bremser op og forklarer, hvad der foregår.

Hvis vores artikler hjælper dig med at forstå AI lidt bedre, så overvej at støtte arbejdet.

Et medlemskab gør én ting mulig: at vi kan blive ved med at undersøge, dokumentere og forklare, hvordan AI påvirker Danmark — uden investorer, uden PR-interesser og uden at jage hype.

Bliv medlem og vær med til at styrke uafhængig journalistik om AI.