Solujen toiminnan monimutkaisuus haastaa tekoälynkin
Ai on vauhdittamassa nyt synteettisen biologiankin tutkimusta. Vaikka alan tutkijoilla on käyttöä myös suurille kielimalleille, tärkeimmäksi työkaluksi näyttää nousevan suppeampi, mutta alaan syvemmin perehdytettävä koneoppiminen.
Biotekniikan professori Ville Santala on tutkinut bakteerisolujen valjastamista haluttujen aineiden tuottamiseen. Iso osa työtä on genomin optimointi annettuun tehtävään.
Kielimalli sopii lähtökohtaisesti hyvin genomien suunnitteluun. Seuraavien kirjaimien sijasta kone arpoo tässä sovelluksessa seuraavia emäsrivejä koulutustaustaansa tukeutuen.
Santala kuitenkin toteaa, etteivät isot kielimallit tai ylipäänsä tekoäly ole ainakaan toistaiseksi tehneet mitään perustavaa käännettä hänen omalla alallaan. Mallit ovat tehostaneet datan kertymistä ja avustaneet koodaamisessa mutta eivät perustavalla tavalla selättäneet biologista monimutkaisuutta.
Tämä onkin keskeinen haaste genomien optimoinnissa. Solun sisäisissä tapahtumissa kyse ei ole pelkistä emäsriveistä vaan erittäin laajasta ja mutkikkaasta vuorovaikutusten kokonaisuudesta. Geenien toimintaa säätelevässä epigenomissa lymyilee vielä paljon salaisuuksia.
– Tätä kokonaisuuden monimutkaisuutta mallit eivät ole vielä pystyneet murtamaan. Osin siksi, että harjoitteludataa ei ole ollut käytössä kovinkaan paljon.
Pelkän genomidatan sijasta mallien rakennusmateriaaliksi kaivattaisiinkin kuvauksia solujen toiminnasta kokonaisuutena. Jos tätä saadaan käyttöön, ai sopinee hyvin genomien hahmottamiseen.
– Tässäkin yhteydessä malli hahmottaisi samankaltaisuksia laajasta tapahtumakokonaisuudesta, missä tarjolla ei ole tarkkaa tietoa yksittäisten tapahtumien syistä.
Kilpailu laskentavoimasta
Laajan kielimallin rakentaminen edellyttää resursseja, joita esimerkiksi Tampereen yliopistolla ei ole. Ison mallin käyttäminen edellyttää usein myös järeää laskentavoimaa, mitä on haettava datakeskusten uumenista. Tätä laskentavoimaa tarvitsevat monet muutkin, minkä takia resurssista on kilpailtava esimerkiksi tekoälyä kehittelevien yhdysvaltalaisten megayritysten kanssa.
Asetelma onkin herättänyt keskustelua varjosta, jota yhdysvaltalaisten omistus on heittämässä suomalaisen ja laajemminkin eurooppalaisen tutkimuksen ylle. Jos malleihin ja laskentaan liittyvien resurssien yhteydessä on jaettava rajoituksia ja niukkuutta, eurooppalaiset toimijat ovat tässä jonossa eturivissä.
Santalan mielestä ongelmaa lieventää se, että tutkimukselle tärkeimmät suppeammat koneoppimismallit eivät edellytä samanlaisia resursseja kuin massiiviset kielimallit.
– Tutkimukselle ovat usein tärkeimpiä kapea-alaisemmat mutta tietylle alalle syvemmin koulutetut mallit.
Isojakin kielimalleja on yritetty kouluttaa palvelemaan myös tutkimuskäyttöä, Santalan mukaan vielä heikohkolla menestyksellä.
– Myös isoihin kielimalleihin on syötetty esimerkiksi biologiaan liittyvää, tutkimukselle relevanttia alan dataa mutta perehdytys ei ole useinkaan ollut riittävän perusteellista.
Hyvä asia täkäläisen ”kilpailukyvyn” näkökulmasta on ollut myös tieteen tekemiseen perinteisesti kuulunut jakaminen. Esimerkiksi Santalan ryhmä ei rakenna itse työssään käyttämiään malleja.
– Tutkimusta varten kehitellyt mallit ovat tähän asti olleet pitkälti koko tiedeyhteisön saatavilla.
Myös alaan liittyvän datan jakaminen on perinteisesti ollut pitkälti avointa. Poikkeuksena tästä ihmisiin liittyvä data, jonka jakamista rajoittaa yksityisyyden suojaaminen.
Avoimen jakamisen tulevaisuus jää nähtäväksi
Avoimen jakamisen tulevaisuus jää kuitenkin nähtäväksi.
Jos malleja kehittävät yritykset ovat saaneet julkista rahoitusta, hankkeisiin liittyy lähtökohtaisesti myös työn tulosten jakaminen. Yrityksistä voidaan silti irrottaa myös yksityisellä rahoituksella toimivia, kaupalliselta pohjalta toimivia osia.
– Huolena onkin, että mallien kehittely etenee tulevaisuudessa entistä enemmän kaupallisia reittejä pitkin.
Avoimen jakamisen periaatetta ei tue myöskään nykyinen geopolitiikka.
– USA:n, Euroopan ja Kiinan tämänhetkinen kilpailu ei edesauta datan ja tiedon jakamista koko tiedeyhteisön kesken.
Santala ei silti näe tilannetta synkkänä suomalaistenkaan tutkijoitten näkökulmasta.
Myös Suomessa ja Euroopassa on resursseja kevyempien mallien rakentamiseen. Mitään varsinaista kuristusotetta ei ole myöskään laskentavoiman tarjonnassa.
– Suomessa on perinteisestikin paljon laskentakapasiteettia, mitä on nyt lisäämässä kaksi uutta supertietokonetta. Tämän lisäksi suomalaisten tutkijoiden ulottuvilla on paljon laskentavoimaa myös eurooppalaisten infrastruktuurihankkeiden kautta.