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
But Telegram says people want to keep their chat history when they get a new phone, and they like having a data backup that will sync their chats across multiple devices. And that is why they let people choose whether they want their messages to be encrypted or not. When not turned on, though, chats are stored on Telegram's services, which are scattered throughout the world. But it has "disclosed 0 bytes of user data to third parties, including governments," Telegram states on its website. Groups are also not fully encrypted, end-to-end. This includes private groups. Private groups cannot be seen by other Telegram users, but Telegram itself can see the groups and all of the communications that you have in them. All of the same risks and warnings about channels can be applied to groups. The picture was mixed overseas. Hong Kong’s Hang Seng Index fell 1.6%, under pressure from U.S. regulatory scrutiny on New York-listed Chinese companies. Stocks were more buoyant in Europe, where Frankfurt’s DAX surged 1.4%. Russians and Ukrainians are both prolific users of Telegram. They rely on the app for channels that act as newsfeeds, group chats (both public and private), and one-to-one communication. Since the Russian invasion of Ukraine, Telegram has remained an important lifeline for both Russians and Ukrainians, as a way of staying aware of the latest news and keeping in touch with loved ones. "Your messages about the movement of the enemy through the official chatbot … bring new trophies every day," the government agency tweeted.
from sg
