Innovation Grand Challenge บริษัท DeepMind (2)
Biology Beyond Nature | ภาคภูมิ ทรัพย์สุนทร
จากวิดีโอเกมที่เรียบง่าย DeepMind ขึ้นมาเล่นเกมซับซ้อนขึ้นอย่างหมากรุกและหมากล้อม (Go)
หมากล้อมเป็นเกมเก่าแก่อายุหลายพันปีของจีนกติกาดูเรียบง่ายแต่กลยุทธ์การเล่นซับซ้อน ต้องคิดวางแผนล่วงหน้าหลายชั้น
บนกระดานขนาด 19 x 19 ช่อง วิธีการวางหมากขาวหมากดำที่เป็นไปได้ในแต่ละเกมมีมากกว่าจำนวนอะตอมในจักรวาล
ดังนั้น เป็นไปไม่ได้เลยจะใช้การท่องวิธีการเล่นเยอะๆ แบบที่ปัญญาประดิษฐ์ยุคเก่าอย่าง Deep Blue ใช้
ในการแข่งขันแมตช์หยุดโลกตอนปี 2016 ปัญญาประดิษฐ์ชื่อ AlphaGo ของ DeepMind เล่นหมากล้อมเอาชนะ Lee Sedol แชมป์โลกหมากล้อม 18 สมัยไปได้ 4 ต่อ 1 เกม วิธีการเดินหมากของ AlphaGo นั้นเหนือชั้นชนิดที่ไม่เคยมีบันทึกว่ามนุษย์คนไหนใช้มาก่อนตลอดหลายพันปีของประวัติศาสตร์เกมนี้
หนึ่งปีให้หลัง DeepMind พัฒนาปัญญาประดิษฐ์อีกตัวชื่อ AlphaZero ซึ่งไม่ได้เริ่มเรียนรู้จากคลังตัวอย่างการเล่นหมากล้อมของมนุษย์อย่างที่ AlphaGo ทำ
แต่เริ่มต้นจากศูนย์ด้วยการหัดเล่นหมากล้อมกับตัวเองไปเรื่อยๆ ลองผิดลองถูกเรียนรู้เองฉลาดขึ้นเองโดยไม่ต้องมีมนุษย์มาสอน ภายในสามวันก็เก่งถึงระดับที่เอาชนะ AlphaGo ไปได้ 100 ต่อ 0 เกม
นี่คือสัญญาณของอนาคตของปัญญาประดิษฐ์ที่ไม่ต้องยึดติดกับข้อจำกัดขององค์ความรู้จากมนุษย์อีกต่อไป
Cr. ณฤภรณ์ โสดา
นอกจาก AlphaGo และ AlphaZero แล้ว DeepMind ยังได้พัฒนาปัญญาประดิษฐ์ชื่อ AlphaStar สำหรับเกม StarCraft II เกมแนว Real-Time Strategy (RTS) ชื่อดังที่ผู้เล่นต้องวางแผน บริหารทรัพยากร ตั้งฐานทัพ สร้างกำลังพล กำกับการรบ ฯลฯ เหมือนในสงครามจริงๆ ไม่ได้ผลัดกันเล่นทีละตาแบบหมากรุกหรือหมากล้อม
AlphaStar ก็เรียนรู้ที่เล่นเกมเองพัฒนาฝีมือจากระดับผู้เล่นหน้าใหม่มาเทียบชั้นเซียนได้ในเวลาไม่กี่วัน
ในบรรดาเกมทั้งหลายที่ทีม DeepMind เอาไว้ประลองฝีมือปัญญาประดิษฐ์ ยังมีอีกหนึ่งเกมถอดมาจากโจทย์ใหญ่ของวงการวิทยาศาสตร์ “FoldIt” เกมที่ทีมของ David Baker จาก University of Washington ชวนให้ผู้เล่นทั่วโลกใช้คอมพิวเตอร์ส่วนตัวลองทำนายการม้วนพับเป็นโครงสร้างสามมิติของโปรตีนอย่างที่เราอ่านกันไปเมื่อหลายตอนก่อน
Foldit ออกมาตอนปี 2008 Hassabis ที่เคยเป็นหนึ่งในผู้เล่นเกมนี้มองว่า นี่แหละคือโจทย์จากชีวิตจริงที่เราควรจะได้ลองแก้ด้วยปัญญาประดิษฐ์ตัวเทพที่ทีมงานตั้งใจพัฒนามาหลายปี
ทีม DeepMind เริ่มโครงการ AlphaFold พัฒนาปัญญาประดิษฐ์เพื่อทำนายโครงสร้างสามมิติของโปรตีนจากข้อมูลลำดับอะมิโน
DeepMind นำ AlphaFold เข้าสู่การแข่งขันทำนายโครงสร้างโปรตีน CASP13 เปิดตัวเป็นครั้งแรกนี้ปี 2018 เป็นผู้เล่นหน้าใหม่นอกวงการที่แสดงฝีมือได้ยอดเยี่ยมเอาชนะคู่แข่งไปขาดลอยรวมทั้งแชมป์เก่าหลายสมัยอย่างทีมของ David Baker ด้วย
คะแนนประเมินความแม่นยำในการทำนาย (GDT) ของทีมแชมป์ CASP ค้างอยู่ที่ 20 กว่าคะแนนจาก 100 คะแนนมาร่วมสิบปี เพิ่งมากระเตื้องถึง 30-40 คะแนนใน CASP11 และ CASP12 แต่พอ AlphaFold เปิดตัวก็ได้คะแนนพุ่งไปเฉียด 60 แถมยังที่หนึ่งทิ้งห่างที่สองไปมากกว่ารอบที่ผ่านๆ มา
แม้จะเข้าวินเป็นที่หนึ่ง แต่ความแม่นยำในการทำนายก็ยังไม่ได้ดีพอจะให้นักชีวโมเลกุลเอาไปใช้ประโยชน์ได้
DeepMind กลับมายกเครื่องอัพเกรด AlphaFold อีกครั้ง
ในช่วงเวลาไล่เลี่ยกันนี้อีกทีมวิจัยของ Google ได้คิดค้นโครงข่ายประสาทเทียมแบบใหม่ที่เรียกว่า Transformer สำหรับงานแปลภาษา และต่อมาก็ถูกใช้อย่างแพร่หลายให้ปัญญาประดิษฐ์ตระกูล Large Language Model (LLM) อย่าง ChatGPT, Gemini, Claude
ไม่กี่ปีหลังจากนั้น Transformer ถูกนำมาใช้เป็นอีกหนึ่งเครื่องมือใน AlphaFold เวอร์ชั่นอัพเกรดสำหรับงานแปลภาษาจากลำดับอะมิโนในสายโปรตีนเป็นตำแหน่งอะมิโนบนโครงสร้างสามมิติ
AlphaFold2 ของทีม DeepMind ชนะคู่แข่งอย่างขาดลอยอีกครั้งในการแข่งขัน CASP14 ตอนปี 2020
นอกจากนี้ยังได้คะแนนประเมิน GDT สูงเกิน 90 คะแนน และความแม่นยำอยู่ที่ระดับ 1-2 อังสตรอมซึ่งใกล้เคียงกับระดับที่เราได้จากงานฝั่งห้องแล็บและสามารถเอาไปใช้งานจริงหลายๆ อย่างได้แล้ว
John Moult ผู้ก่อตั้ง CASP ถึงกับกล่าวว่า ปริศนาที่มีมายาวนานเกือบหกสิบปีว่าด้วยการทำนายโครงสร้างสามมิติของโปรตีนจากลำดับอะมิโนได้ถูกแก้เรียบร้อยโดยทีม DeepMind
ส่วนสื่อใหญ่หลายสำนักก็พาดหัวข่าวไปทำนองเดียวกันว่า นี่คือผลงานสำคัญที่มาพลิกวงการชีววิทยา จะทำให้เราสามารถศึกษาและออกแบบโปรตีนมาเนรมิตเป็นยา วัคซีน ตัวเร่งปฏิกิริยาในอุตสาหกรรม แก้ปัญหามะเร็ง โรคติดเชื้อ โลกร้อน กำจัดพลาสติก ฯลฯ
Cr. ณฤภรณ์ โสดา
แต่ในช่วงของการเฉลิมฉลองยินดีนั้นก็มีเสียงประท้วงมาจากนักวิจัยในวงการว่าทีม DeepMind ไม่ยอมแชร์รายละเอียดว่า AlphaFold2 ทำงานยังไงซึ่งผิดธรรมเนียมของ CASP ที่เป็นสังคมวิจัยที่เปิดกว้างให้ทุกคนได้ช่วยกันคิดช่วยกันต่อยอดหลังการแข่งขันจบแต่ละรอบ
นักวิจัยกลุ่มนี้นำโดยทีมของ David Baker แชมป์เก่าหลายสมัยที่โดน DeepMind แซงไปก็ได้มาช่วยกันแกะสูตรกันเองอัพเกรด Rosetta มาเป็น RosettaFold เครื่องมือทำนายโครงสร้างสามมิติตัวใหม่ที่สามารถทำงานได้ใกล้เคียงกับ AlphaFold2 แต่ว่าเปิดเผยรายเอียดการทำงานทั้งหมดให้ทั้งวงการเอาไปต่อยอดได้
ด้วยแรงกดดันนี้ ทีม DeepMind จึงตัดสินใจเปิดรายละเอียดการทำงานของ AlphaFold2 ออกมาบ้างในภายหลัง
นอกจากนี้ยังใช้พลังคอมพิวเตอร์ที่ทางบริษัทกับบริษัทแม่อย่าง Google มีอยู่เหลือเฟือมาทำนายโครงสร้างโปรตีนทั้งหมดในฐานข้อมูลสาธารณะกว่า 200 ล้านชนิดให้เลยล่วงหน้า
และเปิดแชร์โครงสร้างที่ทำนายไว้เหล่านี้ทั้งหมดในฐานข้อมูล AlphaFold Database แทนที่จะต้องรอให้คนมาขอใช้ AlphaFold2 ทำนายโครงสร้างให้ทีละตัว งานนี้ตีพิมพ์ขึ้นปกวารสาร Nature เมื่อ 2021
เป็นอีกหนึ่งข่าวใหญ่ของวงการชีววิทยาในปีนั้น
กระนั้นก็ยังมีข้อวิพากษ์วิจารณ์โดยเฉพาะจากฝั่งนักชีววิทยาโครงสร้าง (structural biologist) ว่า คำกล่าวอ้างและพาดหัวข่าวตามสื่อกระแสหลักเกี่ยวกับความเยี่ยมยอดของ AlphaFold2 นั้นโม้เกินจริง โปรตีนตามธรรมชาติส่วนมากไม่ได้มีโครงสร้างแข็งๆ นิ่งๆ แต่มักจะมีหลายส่วนที่ยืดหยุ่นขยับไปมาได้ การทำนายโครงสร้างของ AlphaFold2 ไม่ได้คำนึงถึงส่วนนี้ ดังนั้น ส่วนไหนที่ยืดหยุ่นมากความมั่นใจในการทำนายก็จะต่ำ
นอกจากนี้ โปรตีนหลายชนิดไม่ใช่อะมิโนสายเดี่ยวๆ แต่เป็นหลายสายหลายชิ้นที่มาประกอบกันซึ่งผลการทำนายในกรณีนี้ก็ยังออกมาไม่ดีนัก
ยิ่งไปกว่านั้น ถ้าเป็นโปรตีนออกแบบใหม่ที่ไม่เหมือนของที่มีอยู่แล้วเลยหรือเป็นโปรตีนเดิมที่มีกลายเล็กๆ น้อยๆ ไม่กี่ตำแหน่ง AlphaFold2 ก็ยังมักจะทำนายผิด
Cr. ณฤภรณ์ โสดา
ประเด็นปัญหาใหญ่ที่สุดก็คือแม้ว่า AlphaFold2 หรือเครื่องมือทำนายโครงสร้างสามมิติโปรตีนตระกูลที่ใช้ปัญญาประดิษฐ์โครงข่ายประสาทเทียมจะทำนายแม่นแค่ไหน
แต่มันก็ยังบอกอะไรเราไม่ได้เกี่ยวกับกลไกทางฟิสิกส์ที่ทำให้โปรตีนม้วนพับมาอยู่ในรูปร่างนั้น มันทำได้เพียงจับแผนเรียนรู้แบบแผนจากตัวอย่างข้อมูลลำดับอะมิโนและโครงสร้างสามมิติที่เราเคยรู้ แล้วก็เอามา “เดา” ของใหม่ได้อย่างถูกต้องเป็นส่วนใหญ่
ถ้าเปรียบเป็นนักเรียนก็คือนักเรียนทำข้อสอบเก่ามาเยอะมากๆ จนจับทางเดาคำตอบเก่ง แต่ไม่ได้เข้าใจเนื้อหาอะไรเลยในรายวิชานั้น
ปัญหาที่ตามมาก็คือเราบอกไม่ได้ว่าเมื่อไหร่จะเดาผิดและไม่เข้าใจว่าผิดเพราะอะไร
อันที่จริงงาน AlphaFold2 เวอร์ชั่นแรกยังมีโครงสร้างที่เดาผิดอยู่ถึงราวหนึ่งในสาม
ดังนั้น การประกาศว่า “โจทย์ทำนายโครงสร้างสามมิติของโปรตีนได้ถูกไขกระจ่างแล้วโดยทีม DeepMind” จึงยังไม่น่าจะใช่
Cr. ณฤภรณ์ โสดา
แม้จะมีข้อจำกัดต่างๆ ข้างต้น แต่ประโยชน์มหาศาลของ AlphaFold2 ต่อวงการวิทยาศาสตร์ก็ยังเป็นเรื่องที่ปฏิเสธไม่ได้
ช่วงปี 2020-2022 หลัง AlphaFold2 เปิดตัวได้ไม่นาน ก็ประจวบเหมาะกับช่วงเวลาที่ทั้งโลกต้องเผชิญกับวิกฤต Covid-19 วงการไบโอเทคทั้งโลกคึกคักเต็มที่กับความต้องการพัฒนายา วัคซีน ชุดตรวจ ฯลฯ ที่ล้วนแต่มีโปรตีนหรือความเข้าใจในโครงสร้างและการทำงานของโปรตีนเป็นองค์ประกอบสำคัญ
AlphaFold2 เลยได้กลายเป็นหนึ่งในฮีโร่ที่ถูกกล่าวถึงซ้ำๆ ในทั้งงานวิจัยและข่าวนับแต่ช่วงนั้น
สำหรับนักวิจัยฝั่งที่ทำงานหาโครงสร้างสามมิติของโปรตีนในห้องแล็บ เครื่องมือทำนายที่แม่นยำอย่าง AlphaFold2 ไม่ได้มาแย่งงานอย่างที่หลายคนเข้าใจแต่กลับมาช่วยให้งานเร็วและง่ายขึ้นกว่าแต่ก่อนมาก
ในห้องแล็บเราไม่ได้สามารถมาเห็นรูปร่างของโปรตีนโดยตรง ทำได้เพียงวัดคุณสมบัติ เช่น การกระเจิงรังสีเอ็กซ์ หรือการสั่นไหวของขั้วแม่เหล็กในอะตอม จากนั้นก็ใช้ข้อมูลที่วัดได้นี้ไปทดสอบดูความสอดคล้องกับโครงสร้างสามมิติแบบต่างๆ ที่เราเดาเอาไว้ เพื่อให้เราปรับและเลือกโครงสร้างที่น่าจะถูกต้องมากที่สุด
ดังนั้น เมื่อมีเครื่องมืออย่าง AlphaFold2 ที่เดาแม่นเป็นส่วนใหญ่มาช่วยตั้งต้น เราก็มีโอกาสจะเจอโครงสร้างที่ถูกต้องเร็วขึ้นง่ายขึ้น
DeepMind วางมือไม่เข้าแข่งขันใน CASP15 ตอนปี 2022 หลังจากได้แชมป์ติดกันมาสองสมัย แต่ทีมที่เข้าแข่งขันหลายทีมก็ยังใช้ปัญญาประดิษฐ์ที่ต่อยอดมาจาก AlphaFold2 เป็นฐานในการทำนายโครงสร้างสามมิติของโปรตีน
AlphaFold2 กลายเป็นหนึ่งในงานวิจัยที่ได้รางวัลโนเบลเร็วที่สุด คือใช้เวลาเพียงสี่ปีจากวันที่ผลงานนี้ถูกเปิดตัวต่อสาธารณชน (ปี 2020) ถึงปีที่ได้รับรางวัลโนเบล (ปี 2024) Demis Hassabis วัย 48 กับ John Jumper วัย 39 จากทีม DeepMind ขึ้นรับรางวัล เป็นหนึ่งตัวอย่างการประยุกต์ใช้ปัญญาประดิษฐ์ยุคที่ใหม่จับต้องได้มากที่สุด
AlphaFold3 เปิดตัวในปี 2024 เพิ่มขีดความสามารถใหม่ๆ เช่น การทำนายโครงสร้างของโปรตีนที่จับกันเองหรือกับดีเอ็นเอหรืออาร์เอ็นเอ ความละเอียดที่สูงขึ้นและคำนึงถึงการปรับเปลี่ยนเติมหมู่ฟังก์ชั่นเคมีในโปรตีน
จากความหลงใหลในเกม สู่ความสงสัยในกระบวนความคิดของสมอง Hassabis และทีมงานได้พิชิต Grand Challenge ที่ใหญ่และเก่าแก่ที่สุดจากศตวรรษที่ 20 ถึง 21
