Men resultaten visar också begränsningarna med att arbeta med nuvarande AI-modeller. Den främsta anledningen till detta är att till skillnad från människor kan AI faktiskt inte förklara beslutsprocessen. Till exempel ger vissa modeller väldigt olika förslag från varandra, vilket forskarna säger tyder på att de utforskar olika regioner i utrymmet för möjliga sekvenser. Men i verkligheten vet vi inte om så är fallet, eller om det finns en matematisk anledning till att varje modell ogillar varandras förslag.
Detta är ett av många tillfällen i artikeln där forskarna försökte arbeta baklänges för att ta reda på vad modellen gjorde baserat på dess resultat. I åtminstone ett fall gjorde programvaran om hela det strukturella elementet (α-helixen) där den modifierade isoleucinen fanns, och vi behöver inte gissa varför.
Låt mig för nu påminna dig om att dessa programvarupaket är verktyg. Dessa programvarupaket låter dig göra saker som du annars inte skulle kunna göra, men de hjälper dig egentligen inte att förstå mycket. Vi behöver fortfarande använda neurala nätverk inuti våra skallar för att resonera genom fenomen.
Detta behöver inte vara fallet. Mer vikt kan läggas på att exponera den här programvarans inre funktioner för att få insikt i beslutsprocessen under mjukvaruutveckling. Men för tillfället tror jag att fokus ligger på att få något som fungerar (ganska rimligt).
Bra prestation, men är det användbart?
Sammantaget är detta ett fantastiskt arbete. Dessa proteiner interagerar och måste interagera med ribosomalt RNA, överföra RNA, budbärar-RNA, tillväxtproteinerna som ribosomen gör och alla normala proteiner på den stora subenheten. Var och en har ägnat miljarder år åt att utveckla förmågan att arbeta med varandra. Det faktum att vi kunde göra så grundläggande förändringar av systemet på bara några år är verkligen fantastiskt.
