Warning: mkdir(): No space left on device in /var/www/group-telegram/post.php on line 37
Warning: file_put_contents(aCache/aDaily/post/viralload/--): Failed to open stream: No such file or directory in /var/www/group-telegram/post.php on line 50 ВИРУСНАЯ НАГРУЗКА | Telegram Webview: viralload/529 -
Нобелевская премия этого года посвящена конечно разработкам в сфере ИИ: премия по химии была вручена за ИИ, предсказывающий структуру белков, премия по физике - за открытие машинного обучения. Хотя для сторонников ИИ это триумф, такое распределение наград поощряет не фундаментальную науку, а занятие наиболее популярными темами, вне зависимости от того, приносят ли они реальную пользу. При этом даже ИИ-модели, пользующиеся наибольшим авторитетом (такие как AlphaFold, разработчики которой и получили 2 премии по химии из 3), продолжают демонстрировать недостатки, сводящие их применимость на нет.
Лауреатами премии по химии стали Дэвид Бейкер, разработавший методы прогнозирования трехмерных структур белков, и сотрудники компании DeepMind Демис Хассабис и Джон Джампер, использовавшие его изобретение на практике. В 2020 г. Хассабис и Джампер запустили проект по определению структуры белков с помощью ИИ, названного AlphaFold. Обычно для получения точных данных о строении белков используются сложные и дорогостоящие методы, такие как рентгеновская кристаллография, ЯМР-спектроскопия и криоэлектронная микроскопия. Таким образом были получены сведения о структуре примерно 226 тыс. белков, размещенные в международной базе данных Protein Data Bank. Разработчики AlphaFold воспользовались ей, обучив на этой информации нейросеть, которая по аналогии могла прогнозировать структуру белков, для которых еще не было получено экспериментальных данных. Всего за 4 года модель смогла предсказать структуру более 1 млн белков, что должно было сократить затраты на исследования и помочь с разработкой препаратов благодаря сведениям о новых белках.
Авторы проекта обещали "точность на уровне атомов", конкурирующую с экспериментальными данными и даже превосходящую их (поскольку они не всегда имеют структуру, расшифрованную на 100%).
Но все оказалось не так просто. AlphaFold не стала счастливым исключением среди ИИ, продемонстрировав низкую точность, которая противоречит обещаниям разработчиков способствовать созданию новых препаратов. В ноябре 2023 г. в Nature вышла статья исследовательской группы, которая сопоставила предсказания AlphaFold с экспериментальными данными. Оказалось, что даже наиболее высококачественные прогнозы AlphaFold дают в 2 раза больше ошибок, чем экспериментально определенные структуры. 10% прогнозов с самым высоким уровнем достоверности имеют очень существенные ошибки. Так происходит потому, что AlphaFold не учитывает наличие лигандов (молекул, которые связываются с белком и влияют на его структуру), ионов, ковалентных модификаций и условия окружающей среды.
Хотя в мае 2024 г. была представлена новая версия AlphaFold 3, исправившая часть ошибок (например, в ней учитывались взаимодействия белка с лигандами, ДНК, РНК и другими молекулами), ее точность все еще далека от идеальной. Она варьируется от 40% до 80%, при этом для отдельных взаимодействий, например, с РНК, она была особенно низкой. Кроме того, никуда не делись галлюцинации (правдоподобные, но не существующие в реальности структуры), характерные для AlphaFold также, как и для обычных генеративных ИИ. Кроме того, хотя разработчики утверждали, что результаты их модели по крайней мере на 50% превосходят другие прогностические ИИ в этой сфере, в дальнейшем это было опровергнуто. Например, AlphaFold лучше всего работает с 50 наиболее распространенными лигандами, но в случае с менее распространенными его результаты заметно ниже. В одном из случаев его сравнили с другой схожей моделью Vina, которая оказалась на 8,2% эффективнее за пределами набора самых распространенных лигандов, чем AlphaFold.
Так что, несмотря на все перспективы метода, который будет совершенствоваться в дальнейшем, Нобелевская премия, врученная за его создание, пока еще слишком преждевременна.
Нобелевская премия этого года посвящена конечно разработкам в сфере ИИ: премия по химии была вручена за ИИ, предсказывающий структуру белков, премия по физике - за открытие машинного обучения. Хотя для сторонников ИИ это триумф, такое распределение наград поощряет не фундаментальную науку, а занятие наиболее популярными темами, вне зависимости от того, приносят ли они реальную пользу. При этом даже ИИ-модели, пользующиеся наибольшим авторитетом (такие как AlphaFold, разработчики которой и получили 2 премии по химии из 3), продолжают демонстрировать недостатки, сводящие их применимость на нет.
Лауреатами премии по химии стали Дэвид Бейкер, разработавший методы прогнозирования трехмерных структур белков, и сотрудники компании DeepMind Демис Хассабис и Джон Джампер, использовавшие его изобретение на практике. В 2020 г. Хассабис и Джампер запустили проект по определению структуры белков с помощью ИИ, названного AlphaFold. Обычно для получения точных данных о строении белков используются сложные и дорогостоящие методы, такие как рентгеновская кристаллография, ЯМР-спектроскопия и криоэлектронная микроскопия. Таким образом были получены сведения о структуре примерно 226 тыс. белков, размещенные в международной базе данных Protein Data Bank. Разработчики AlphaFold воспользовались ей, обучив на этой информации нейросеть, которая по аналогии могла прогнозировать структуру белков, для которых еще не было получено экспериментальных данных. Всего за 4 года модель смогла предсказать структуру более 1 млн белков, что должно было сократить затраты на исследования и помочь с разработкой препаратов благодаря сведениям о новых белках.
Авторы проекта обещали "точность на уровне атомов", конкурирующую с экспериментальными данными и даже превосходящую их (поскольку они не всегда имеют структуру, расшифрованную на 100%).
Но все оказалось не так просто. AlphaFold не стала счастливым исключением среди ИИ, продемонстрировав низкую точность, которая противоречит обещаниям разработчиков способствовать созданию новых препаратов. В ноябре 2023 г. в Nature вышла статья исследовательской группы, которая сопоставила предсказания AlphaFold с экспериментальными данными. Оказалось, что даже наиболее высококачественные прогнозы AlphaFold дают в 2 раза больше ошибок, чем экспериментально определенные структуры. 10% прогнозов с самым высоким уровнем достоверности имеют очень существенные ошибки. Так происходит потому, что AlphaFold не учитывает наличие лигандов (молекул, которые связываются с белком и влияют на его структуру), ионов, ковалентных модификаций и условия окружающей среды.
Хотя в мае 2024 г. была представлена новая версия AlphaFold 3, исправившая часть ошибок (например, в ней учитывались взаимодействия белка с лигандами, ДНК, РНК и другими молекулами), ее точность все еще далека от идеальной. Она варьируется от 40% до 80%, при этом для отдельных взаимодействий, например, с РНК, она была особенно низкой. Кроме того, никуда не делись галлюцинации (правдоподобные, но не существующие в реальности структуры), характерные для AlphaFold также, как и для обычных генеративных ИИ. Кроме того, хотя разработчики утверждали, что результаты их модели по крайней мере на 50% превосходят другие прогностические ИИ в этой сфере, в дальнейшем это было опровергнуто. Например, AlphaFold лучше всего работает с 50 наиболее распространенными лигандами, но в случае с менее распространенными его результаты заметно ниже. В одном из случаев его сравнили с другой схожей моделью Vina, которая оказалась на 8,2% эффективнее за пределами набора самых распространенных лигандов, чем AlphaFold.
Так что, несмотря на все перспективы метода, который будет совершенствоваться в дальнейшем, Нобелевская премия, врученная за его создание, пока еще слишком преждевременна.
BY ВИРУСНАЯ НАГРУЗКА
Warning: Undefined variable $i in /var/www/group-telegram/post.php on line 260
"Russians are really disconnected from the reality of what happening to their country," Andrey said. "So Telegram has become essential for understanding what's going on to the Russian-speaking world." What distinguishes the app from competitors is its use of what's known as channels: Public or private feeds of photos and videos that can be set up by one person or an organization. The channels have become popular with on-the-ground journalists, aid workers and Ukrainian President Volodymyr Zelenskyy, who broadcasts on a Telegram channel. The channels can be followed by an unlimited number of people. Unlike Facebook, Twitter and other popular social networks, there is no advertising on Telegram and the flow of information is not driven by an algorithm. The Securities and Exchange Board of India (Sebi) had carried out a similar exercise in 2017 in a matter related to circulation of messages through WhatsApp. "There are a lot of things that Telegram could have been doing this whole time. And they know exactly what they are and they've chosen not to do them. That's why I don't trust them," she said. On December 23rd, 2020, Pavel Durov posted to his channel that the company would need to start generating revenue. In early 2021, he added that any advertising on the platform would not use user data for targeting, and that it would be focused on “large one-to-many channels.” He pledged that ads would be “non-intrusive” and that most users would simply not notice any change.
from ms