Оригинал статьи Михаила Батина, Алексея Турчина, Сергея Маркова, Алисы Жилы и Давида Денкенбергера о роли искусственного интеллекта в деле продления жизни опубликован на английском языке в журнале Informatica. Сегодня мы публикуем для вас её русский перевод.
В данной статье мы остановимся на наиболее эффективных применениях искусственного интеллекта (ИИ) в области продления жизни и борьбы со старением на трёх ожидаемых этапах развития ИИ: узкий ИИ (narrow AI), общий ИИ (AGI) и сверхинтеллект. Мы рассмотрим существующую исследовательскую и коммерческую работу, проводимую некоторыми стартапами и академическими проектами. На нынешнем этапе развития ИИ (узкий ИИ) наиболее перспективны следующие направления в области продления жизни: поиск новых геропротекторов, поиск биомаркеров старения и подбор индивидуальной терапии против старения. Успех в этой области мог бы помочь живущим в настоящее время людям дожить до момента, когда появится лучший ИИ. Когда ИИ приблизится к уровню человеческого интеллекта, основными направлениями продления жизни будут: объединение компьютера и человеческого мозга (с помощью нейрокомпьютерных интерфейсов), внедрение интегрированных ИИ-помощников, способных самостоятельно диагностировать и лечить болезни; внедрение киберсистем, встроенных в тело человека. В последней части статьи приведены размышления о более отдалённом будущем, когда ИИ достигнет уровня сверхинтеллекта. Тогда станут возможны такие методы продления жизни как загрузка человеческих умов на электронный носитель и создание «нанотехнологических тел». Вероятность смерти человека приблизится к нулю. Мы предполагаем, что медицинский сверхинтеллект будет более безопасным, чем, скажем, военный ИИ, поскольку люди будут частью его сверхинтеллектуальной системы. Она будет дополнением мозга — его загрузят на электронный носитель и создадут сети самосовершенствующихся людей. Система ценностей медицинского ИИ будет ориентирована на принесение пользы человеку.
1 Введение
В 2010-е годы интерес к технологиям искусственного интеллекта стремительно рос [63]. В последнее время ИИ стал появляться в новостных заголовках лучших научно-популярных изданий. В основном это — рассказы о том, как умело ИИ обыгрывает людей в настольные [89] и словесные игры [61]. Такие рассказы призваны оповестить читателей о приближении ИИ к революционному моменту в его развитии.
За последние несколько лет резко возросли инвестиции в проекты, связанные с ИИ. Финансирование ИИ-стартапов по всему миру в 2016-м году достигло 5 миллиардов долларов [76]. Текущий рынок медицинского ИИ оценивается в 1,1 миллиардов долларов, и ожидается, что в следующем десятилетии он вырастет до 9,1 миллиардов [118]. Крупные IT-компании, включая Google, Facebook, IBM, Intel и Microsoft, почти одновременно создали биомедицинские подразделения — их руководство видит большой потенциал в применении ИИ для развития здравоохранения. Судя по текущим темпам развития, в течение ближайших нескольких десятилетий ИИ совершит переворот в медицине.
Использование ИИ-технологий может оказаться лучшим способом продления жизни, но, к сожалению, это направление пока недоисследовано. Далее в статье мы разберём, какие технологии ИИ в здравоохранении могут обеспечить наилучшие результаты в интересующей нас области. Публикаций о практических применениях ИИ в медицине и здравоохранении довольно много. В недавнем обзоре Чинга (Ching, et al.) [24] описаны возможности применения глубокого обучения в медицине (и о том, что может помешать развитию медицинского ИИ). В отличие от этого обзора, в нашей статье в центре внимания будут ожидаемые применения ИИ для борьбы со старением (основной причиной смерти людей) на разных этапах развития ИИ. В статье будет описано, как постепенная эволюция медицинского ИИ приведёт к созданию сверхинтеллекта, ориентированного на здравоохранение и способного продлить жизнь на неограниченное количество времени.
Приведённый в статье анализ доброжелательного ИИ отличается от других ([16] и [58]) периодом рассмотрения. В статьях [16] и [58] авторы быстро переходят к рассмотрению фазы сверхинтеллекта, когда ИИ по определению сможет решить большинство проблем человечества. Поскольку ИИ постоянно развивается, мы сейчас должны понять, как использовать его наиболее эффективно на каждом этапе его развития, в частности, на этапах, которые мы пройдём от настоящего уровня развития ИИ до сверхинтеллекта. Только проделав такой анализ, мы сможем добиться максимально возможного продления жизни для живущих сейчас людей.
В статье будут описаны способы использования ИИ для продления жизни, дающие лучшие результаты на каждом из этапов. Мы показываем, что анализ биомаркеров старения и геропротекторов на стадии узкого ИИ окажет наибольшее влияние на ожидаемую продолжительность жизни человека, и это потребует относительно небольших усилий. Растущее количество данных о здоровье человека, собираемых с помощью носимых устройств, можно будет использовать для обучения ИИ. Таким образом будет обеспечен постоянный персонализированный мониторинг состояния человека на всё более глубоких уровнях, болезни будут предотвращаться на ранних этапах, а возрастные повреждения организма — «ремонтироваться». Мы также показываем, как автоматизированные инструменты, оснащённые ИИ, будут постепенно встраиваться в организм человека, и это со временем приведёт к киборгизации и понизит смертность до минимума. Последняя тема, которую мы затронем, — это совмещение ИИ и человеческого мозга с помощью нейроимплантов. Такая технология позволит загружать сознание на электронные носители. В таблице 1 очерчена ожидаемая эволюция применения медицинского ИИ в области продлении жизни.
Растущая способность ИИ самостоятельно исследовать разные области знаний будет все более полезна в области поиска новых технологий для снижения смертности. Так будет до тех пор, пока ИИ не достигнет стадии самосовершенствования. Мы ожидаем, что развитие медицинского ИИ будет, по крайней мере, частично компенсировать экзистенциальные риски, исходящие от ИИ [16], так как медицинский ИИ будет развиваться на пользу человека, будет физически связан с людьми через мозговые импланты (см. Раздел 7.2).
Эта статья по своему замыслу похожа на отчёт об ожидаемом развитии военного ИИ [28], в котором рассматриваются те же три этапа развития ИИ. Идея, что ИИ поможет нам добиться больших успехов в продолжительности жизни, была изложена, среди прочего, в работах футурологов Рэя Курцвейла (Ray Kurzweil) [58] и Роберта А. Фрейтаса (Robert A. Freitas Jr.) [36].
Статья структурирована следующим образом. В разделе 2 мы рассмотрим ожидаемый прогресс в области ИИ, уровни развития ИИ и прогнозируемые сроки ключевых событий. В разделе 3 мы рассмотрим текущие применения ИИ в области продления жизни, разработанные некоторыми стартапами и университетскими лабораториями. Перспективы на ближайшее будущее изложены в разделе 4. В нем также описаны те исследования, которые только предстоит передать в клиническую практику. Ожидаемое влияние общего искусственного интеллекта (AGI) на продление жизни обсуждается в разделе 5. Более отдалённое будущее ИИ, включая сверхинтеллект (и как он скажется на продлении жизни), изложено в разделе 6. В разделе 7 мы завершаем наш обзор обсуждением лучших стратегий использования ИИ для максимального увеличения продолжительности жизни живущих сейчас людей.
2 Развитие ИИ в XXI веке
2.1 Темп развития ИИ
Скорость развития ИИ не всегда была такой, как сейчас, — ход дела прерывался «зимами искусственного интеллекта», периодами снижения энтузиазма (а как следствие и финансирования), когда долгое время не было значительного прогресса.
Несмотря на «зимы», в последние годы ИИ-технологии активно развивались. Мы живём в очень интересное время, энтузиазм в отношении ИИ сейчас значительно вырос. Согласно одному из опросов [16], большинство учёных полагает, что общий ИИ (AGI), а затем и сверхинтеллект, будут получены до конца XXI века. В настоящее время (2016—2017 гг.) мы являемся свидетелями периода ускоренного развития ИИ, который является следствием «хайпа» вокруг нейронных сетей и машинного обучения. Десятки стартапов работают над разработкой AGI, и у них есть хорошие инвесторы. Достижения в таких областях, как понимание текста и речи, визуальное распознавание, а также разговор на естественном языке, удваиваются каждый год [33].
Если мы экстраполируем текущие тенденции в производительности и мощности нейронных сетей, инфрачеловеческий ИИ (который может решать большинство задач, на которые способен обычный человек, но которому сложная творческая деятельность все ещё не по силам), может быть создан к 2020-м годам [93].
Недавний масштабный опрос исследователей ИИ [41] показывает, что с некоторой вероятностью ИИ сможет освоить человеческий язык примерно к 2026-му году, и с 50% вероятностью машины будут обходить людей в решении любых задач к 2062-му году.
Если AGI появится достаточно скоро, это обесценит более медленные, порой длящиеся десятилетиями, исследования [потенциальных — АА] геропротекторов (описанные ниже), сделают их устаревшими ещё до публикации результатов. AGI предоставит лучшие решения для поиска геропротекторов. Однако мы не можем полагаться на раннее появление AGI, поскольку предсказать прогресс развития ИИ, как известно, — очень трудно. В любом случае, есть два возможных сценария:
— AGI будет получен в ближайшие два десятилетия;
— AGI будет получен к концу XXI века.
Существует большая практическая разница между этими двумя сценариями. В первом случае большинство людей, живущих сейчас, смогут использовать ИИ для почти бессрочного продления жизни. Во втором случае они смогут воспользоваться преимуществами AGI только в том случае, если будут приняты меры по использованию всех промежуточных технологий продления жизни, чтобы помочь им дожить до AGI.
Обри ди Грей (Aubrey de Grey) назвал момент, когда рост продолжительности жизни превысит скорость старения, [и каждый прожитый год мы будем выигрывать больше года в будущем — Турчин] «скоростью выживания долголетия» «longevity escape velocity». Результатом будет неограниченная продолжительность жизни (без учёта несчастных случаев, глобальных катастроф и т. д.). В статье мы показываем, что ИИ будет основным фактором, который позволит живущим в настоящее время людям достичь момента «скорости выживания долголетия», поскольку эффекты от его использования со временем превзойдут таковые от других известных способов продления жизни. ИИ — это наиболее быстро развивающаяся технология, и она влияет и ускоряет развитие всех других технологий продления жизни.
Рост [производительности] ИИ, скорость которого удваивается с каждым годом [33], потенциально сможет компенсировать рост вероятности смертности человека из-за старения, который удваивается каждые семь лет [37]. Но существует большое отставание в реализации медицинского ИИ. Возможно, рост производительности ИИ будет замедляться, как это было несколько раз раньше (зимы ИИ), и будет иметь сигмоидальный характер.
В [15] Ник Бостром показывает, что каждый день промедления в задаче получения сверхинтеллекта, который бы повернул старение вспять, стоит 100 тысяч человеческих жизней.
Скорость развития ИИ сложно предсказать с точностью, поэтому в статье мы будем говорить об этапах развития ИИ, не давая конкретных временных показателей.
2.2 Три этапа развития ИИ
В этом разделе мы уточним классификацию предполагаемых этапов развития ИИ. В дискуссиях вокруг ИИ эти этапы часто не учитывают, и это приводит к путанице.
Узкий ИИ (слабый ИИ) — это уровень, на котором компьютерные программы начинают превосходить человеком в какой-то конкретной задаче [16]. Распознавание МРТ-снимков и распознавание лиц требуют двух разных систем узкого ИИ несмотря на то, что основной механизм обучения — один и тот же. Большинство существующих сейчас систем ИИ считаются узкими ИИ. Количество таких программ быстро растёт из-за успеха машинного обучения и нейронных сетей [в решении задач широкого спектра].
Разница между узким ИИ и обычными компьютерными программами заключается в способности первого учиться. Хороший пример узкого ИИ — это беспилотные автомобили. Такие системы ИИ не могут решать никакие другие задачи, которые может решать человек, кроме задачи вождения. Кроме того, большинству современных систем ИИ требуется постоянное сопровождение.
AGI (общий ИИ) — это ИИ, который достиг уровня человеческого интеллекта во многих областях. Он способен общаться на естественном языке, понимать контекст большинства ситуаций, а также выполнять большинство интеллектуальных задач, на которые способны люди. Философские вопросы о возможности того, что ИИ будет обладать сознанием, выходят за рамки этого определения. ИИ такого уровня будет обладать способностью к самосовершенствованию. В результате, по словам Ника Бострома (Nick Bostrom) [16], эра AGI будет краткой, поскольку самосовершенствование быстро превратит AGI в сверхинтеллект. Робин Хэнсон (Robin Hanson) [45] придерживается мнения, что в будущем будут доминировать компьютерные модели (эмуляции) человеческого мозга.
Сверхинтеллект (сильный ИИ) — это ИИ, который превосходит людей во всех аспектах, превосходит интеллект всей человеческой цивилизации. Он сможет управлять миром, делать научные открытия, запускать космические корабли и создавать точные симуляции человеческого прошлого. Бостром (Bostrom) [16], Ямпольский (Yampolskiy) [113], Юдковский (Yudkowsky) [114] и многие другие учёные ожидают появления такого типа интеллекта.
3 Текущие применения ИИ в здравоохранении и медицинских исследованиях
3.1 Рост инвестиций в медицинский ИИ
В 2014—16-х годах гиганты IT-индустрии объявили о запуске проектов по биотехнологии и по продлению жизни, основанных на методах машинного обучения. Среди этих проектов — Calico от Google, направленный на борьбу со старением, Chan Zuckerberg Biohub от Facebook, цель которого — поиск лекарств от всех болезней и создание для этого атласа всех клеток человеческого тела, IBM Watson Health, который ориентирован на здравоохранение в целом, у Intel есть свой отдел биотехнологий [52], у Microsoft есть платформа облачных вычислений для обнаружения новых лекарств, у Apple есть платформа для носимых устройств и приложений для мониторинга здоровья.
Не только большой бизнес инвестирует в исследования и разработку в области здравоохранения; многие стартапы также делают большие успехи. По оценкам, в 2016 году насчитывалось 106 стартапов, которые использовали ИИ в различных областях здравоохранения. Количество бизнес-слияний и поглощений на пересечении здравоохранения и ИИ увеличилось с менее 20-ти в 2012 году до почти 70-ти в 2016 году [51].
Многие стартапы обещают практически невероятные успехи. Собрание пресс-релизов таких компаний — это сотни страниц захватывающих объяснений и длинных описаний [как все должно работать], но большинство проектов исчезают в течение нескольких лет, так как выживаемость стартапов в среднем невелика [38]. Чтобы привлечь инвесторов, основатели часто преувеличивают ожидаемые результаты того или иного проекта. Несмотря на это, эти пусть и не очень правдоподобные обещания могут использоваться для оценки общих тенденций и ожиданий в отрасли.
Скорее всего, инвестиции в ИИ в ближайшие годы будут расти, если не наступит новая «зима». Медицинские корпорации могут стать крупнейшими инвесторами в исследования и развитие ИИ [11], поскольку медицинский рынок — дефицитный, в нем спрос превосходит предложение [и ИИ сможет впоследствии удовлетворить спрос].
3.2 ИИ в медицинских исследованиях
Даже когда мы имеем дело с научными исследованиями, необходимо отличать, где достижения преувеличиваются в рекламных целях, а где представлены реальные практические результаты. Например, в 2009-м году было заявлено, что робот по имени Адам мог формулировать гипотезы и проводить эксперименты на геноме дрожжей [95]. Но об этом роботе не было никаких последующих публикаций. С другой стороны, роботизация действительно внесла существенный вклад в автоматизацию лабораторных исследований. Например, роботы-манипуляторы взяли на себя повторяющиеся операции с пробирками [13]. Среди недавних практических применений ИИ — использование искусственных нейронных сетей для визуального распознавания сканированных изображений головного мозга, реконструкции взаимосвязей между нейронами [25]. Несколько компаний используют ИИ в своих исследованиях:
Gero (ранее известная как Quantum Pharmaceuticals), в целях разработки инновационных терапий старения, использует методы физической кинетики и современную теорию динамических систем для моделирования процессов старения в сложных биологических регуляторных сетях [27]. Чтобы исследовать воздействие потенциальных лекарств на здоровье, Gero передаёт в свёрточную нейронную сеть (CNN) серию показаний о двигательной активности, которые снимаются с носимых устройств с определённым интервалом. Таким образом мы получаем цифровой биомаркер старения — показания о двигательной активности [28]. Этот биомаркер лёг в основу приложения, разработанного Gero для оценки продолжительности жизни / текущего риска для здоровья, и может использоваться в качестве метрики здоровья в таких отраслях как здравоохранение или страхование жизни.
Deep Genomics сейчас работает над системой, которая позволит изучать, прогнозировать и интерпретировать то, как генетические изменения влияют на важные клеточные процессы, такие как транскрипция, сплайсинг и т. д. [119].
Компания Atomwise задаётся целью снизить стоимость разработки новых лекарств. С помощью суперкомпьютера и базы данных молекулярных структур они стараются предсказать, какие версии разрабатываемого лекарства будут работать, а какие нет [120].
Существует множество других компаний и исследовательских групп, которые используют ИИ для ускорения медицинских исследований. В этой области — сильная конкуренция, и не все из стартапов выживут.
3.3 ИИ в диагностике
Заявления, что ИИ превзошёл людей в разных узких областях медицины, были слышны с 1980-х годов [18]. На первых порах такие утверждения в основном ссылались на популярный на тот момент алгоритм — экспертные системы. Однако было трудно использовать экспертные системы в более широком круге задач (проблема масштабируемости преследовала ИИ с самого начала).
Однако люди не намного лучше экспертных систем — было обнаружено, что в 88% случаев диагнозы, поставленные двумя разными врачами, отличались [104]. Конечно, эта оценка может быть нерепрезентативной, — только неочевидные случаи требуют нескольких экспертных мнений. Однако она демонстрирует неоднозначность диагностики в целом.
В апреле 2016-го года Марк Цукерберг (Mark Zuckerberg) подчеркнул, что машинное обучение помогает сделать диагностику более точной, недорогой и, самое важное, — быстрой [46]. Приложение, которое отслеживает изменение родинок на основе фотографий с мобильного телефона, может заменить дорогостоящие визиты к врачу. Это приложение (Total Body Photography) сравнивает фотографии родинок с изображениями 50-ти миллионов злокачественных кожных образований с помощью израильской технологии распознавания изображений [88].
С помощью больших данных (собранных с носимых устройств, а также накопленных в предыдущей медицинской практике), ИИ сможет моделировать биологические процессы, проходящие в организме человека, и использовать полученные модели для прогнозирования и диагностики. В 2016 году IBM купила несколько корпораций, которые обладали базами данных, хранящими сведения об огромном количестве пациентов. Одна из этих корпораций, Truven Health Analytics, которая владела сотнями миллионов медицинских записей, была куплена за 2,6 миллиарда долларов [26].
ИИ также работает с текстом и естественным языком. Это пригождается в обработке научных статей, медицинских записей и жалоб пациентов. К сожалению, мы все ещё встречаем значительные трудности на пути понимании человеческого языка [7].
IBM Watson for Oncology — это когнитивная вычислительная система, которая может отвечать на сформулированные на естественном языке (то есть, на человеческом языке) запросы. У неё есть доступ к различным источникам данных: энциклопедиям, базам данных научных статей и онтологиям знаний. Благодаря огромной вычислительной мощности и доступу к предварительно обработанным данным, она может давать точные ответы на вопросы.
С 2013-го года IBM Watson используется в Мемориальном онкологическом центре имени Слоуна — Кеттеринга (Memorial Sloan Kettering Cancer Center) для облегчения принятия решений о наилучшем лечении для пациентов с раком лёгких. Базы данных постоянно пополняются информацией о новых болезнях.
IBM Medical Sieve — это «большой и амбициозный долгосрочный исследовательский проект, нацеленный на создание «умного помощника» нового поколения с многоуровневыми аналитическими способностями, который имел бы доступ к накопленным в клинической практике знаниям и мог бы рассуждать так, чтобы это помогло в принятии решений в области радиологии и кардиологии» [50].
Google DeepMind (DM) Health — это подпроект Google DeepMind, который также использует ИИ в области здравоохранения [29]. В сотрудничестве с больницей Лондонского университетского колледжа (University College London Hospital), DeepMind будет участвовать в проекте по разработке алгоритмов автоматического различения здоровых тканей в области головы и шеи от раковых.
Babylon Health (iOS, Android) — это мобильное приложение, которое позволяет пользователю проводить онлайн-консультации с британскими или ирландскими врачами [5].
Turbine.ai — это команда учёных, которые формируют персонализированные методы лечения рака любого типа на основе ИИ[-анализа]. [98].
Insilico Medicine — ещё один стартап, они экспериментируют с использованием глубокого обучения для открытия лекарств.
3.4 ИИ в биоинформатике и моделировании живых организмов
Часто можно встретить мнение, что ИИ — это что-то из будущего, что-то, чего у нас ещё нет.
[Дело в том, что] когда определённый ИИ становится привычным и доступным, он перестаёт восприниматься, как ИИ, а воспринимается, скорее, просто как «алгоритм, который что-то там считает», то есть, как вычислительный метод. Набор таких вычислительных методов в биологии называется биоинформатикой. Она включает анализ генома и его изменений, связывания генома с белками, изучение конформации белков и эволюции живых организмов в целом.
Следующий шаг в развитии биоинформатики — это имитация живых организмов. Для этого учёным понадобятся данные о клеточных процессах, компьютеры с большими вычислительными мощностями, а также биологические модели, хорошо описывающие реальность.
Одна из первых компьютерных моделей живой клетки была создана в Стэнфорде (Stanford University) в 2012-м году [54]. Это была клетка микоплазмы, у которой только 525 генов. Позднее Крейг Вентер (Craig Venter), который работал с микоплазмой в 2015-м году, указал на то, что функции около 90 генов — неизвестны, и поэтому полнота стэнфордской модели находится под вопросом [49]. Вентеру удалось создать жизнеспособный синтетический организм (Mycoplasma mycoides JCVI-syn3.0), геном которого состоит из 473-и генов, но 149 из них не были полностью поняты [117].
Моделирование клеток не всегда может быть точным, поскольку оно имеет множество уровней неопределённости, начиная с квантового уровня, продолжая фолдингом белков, броуновским движением и т. д. Квантовые компьютеры в будущем могут помочь с моделированием белка.
До сих пор наиболее точная симуляция поведения многоклеточного организма была проведена для червей Caenorhabditis elegans [77]. Симуляция включала в себя модель мозга червя, состоящую из 302 нейронов, коннектом которого был изучен уже давно [110]. Некоторые из функций мозга были включены в симуляцию, но до сих пор не было получено полного и правильного поведения модели.
Моделирование поведения клетки человека намного сложнее, чем моделирование клетки микоплазмы, поскольку в ней — почти в 40 раз больше генов. Но если мы построим такую модель, это позволит тестировать лекарства с помощью компьютерного моделирования до введения в клиническую практику, определять положительные эффекты конкретного вида лечения и понимать, как оно работает. Любые отклонения от [гладкого хода] эксперимента послужат улучшению модели. На данный момент «орган-на-чипе» работает как посредник для исследований in vitro и in silico [80].
Следующим этапом этого подхода будет моделирование отдельных человеческих органов, а затем и всего тела на основе генома, эпигенома и данных медицинского анализа человека. Такая модель позволит точно рассчитать требуемое медицинское вмешательство в случае необходимости [10].
Большие компании также заинтересованы в клеточном моделировании. Например, Chan Zuckerberg Biohub начал работу над атласом всех человеческих клеток [121].
3.5 Слияние вычислительной биологии, программирования клеток и систем ИИ
Программирование клеток сродни бионанороботике: нужно заставить клетку выполнять всё более сложные задачи, в том числе вычисления, перемещение в пространстве, а самое главное, заставить её генерировать белки в предназначенных для этого местах. Одним из основных применений технологии является поиск лекарств для борьбы с раком.
Для программирования клеток необходимо сначала обработать огромное количество информации об их ДНК. Здесь к делу подключается ИИ и машинное обучение.
The Cellos Project [47], представленный общественности в 2016 году, автоматизирует проектирование ДНК для новых живых организмов. Он может рассчитывать (а затем и синтезировать) последовательности ДНК, соответствующие определённым функциям, выполняемым определёнными типами клеток. В таких функциях может быть использована булева логика (такие команды как «И» и «ИЛИ»).
Molecula Maxima [69] — платформа подобного профиля, которая предоставляет свой язык программирования для генной инженерии.
Ещё можно вспомнить технологию ДНК-оригами (DNA origami) [6], позволяющую создавать различные микроскопические механизмы из ДНК. Технология представляет собой мощную систему автоматизированного проектирования, которая на вход берёт проект [живого организма], раскладывает его на составные части, и затем пишет код ДНК, который будет отвечать за «сборку» клетки определённой формы.
3.6 ИИ, носимые устройства и большие данные
Сейчас на рынке много предложений различных носимых устройств. Их популярность началась несколько лет назад с фитнес-трекеров, таких как Fitbit. Среди других носимых устройств — профессиональные устройства для мониторинга здоровья, например, выявляющие абнормальное сердцебиение.
Датчик BioStampRC [122] встроен в пластырь, который можно приклеивать к различным частям тела. Он будет собирать данные о здоровье и автоматически загружать их в облако.
Медицинские импланты чем-то похожи на носимые устройства. Можно упомянуть, например, имплантируемый дефибриллятор сердца (implanted cardiac defibrillator, ICD), который однажды был использован, чтобы перезапустить сердце футболиста и спасти его, не увозя с футбольного поля [21].
Можно было бы улучшить ситуацию — обучив ИИ на большом количестве данных, заставить его определить вероятность исхода терапии ICD для конкретного пациента в конкретном случае.
Final Frontier Medical Devices производит устройства, которые в домашних условиях могут диагностировать 90% чрезвычайных ситуаций. [109].
Nimb — это перстень, с помощью которого можно легко запросить экстренную помощь [123].
Носимые устройства могут собирать химические сигналы, исходящие от кожи, или электрические сигналы, исходящие от мозга и сердца. Следующим этапом в развитии носимых устройств будет уменьшение их размера и большая интеграция в человеческое тело.
Носимые устройства уже улучшили качество клинических испытаний благодаря тому, что они постоянно измеряют многочисленные параметры здоровья, а также отслеживают, были ли приняты нужные лекарства (приложение AiCure собирает фотографии, как пациент принимает лекарства [124]).
Общая тенденция заключается в том, что смартфоны берут на себя специализированные функции носимых устройств. Так произошло с фитнес-трекерами, которые в настоящее время заменило приложение Argus. Современные смартфоны могут с помощью встроенной камеры измерять степень оксигенации крови, — приложение за 5 долларов заменило устройство за 50 долларов.
Мы ограничены в количестве используемых носимых устройств — размер тела не бесконечен (не говоря о том, что их все приходится обновлять, и это неудобно). Поэтому довольно рационально попробовать совместить функциональность многих носимых устройств в одном. В будущем, скорее всего, будет создано такое устройство, которое объединит смартфон, носимые устройства и нейрокомпьютерный интерфейс. Оно будет иметь «носимую» форму, что-то вроде очков (например, Google Glass) или ожерелья.
Носимые устройства будет взаимодействовать с различными системами безопасности, будут интегрированы в инфраструктуру умных домов, оптимизировать их работу [12], в инфраструктуру беспилотных автомобилей, роботизированной полиции и инструментов слежки, дронов, «интернета вещей». Таким образом будет реализована универсальная сеть безопасности и здравоохранения, охватывающая все и вся, вплоть до туалетов, которые можно оборудовать датчиками анализа мочи и стула [91], [116]. Google уже запатентовал интеллектуальную ванную комнату [59].
3.7 Проблема верификации данных научных исследований: блокчейн и системы доказательств
Сейчас в медицине наблюдается кризис воспроизводимости [53]. Это объясняется рядом статистических «перекосов», а также мошенничеством и давлением на рынке. Исследования по продлению жизни — это особо привлекательная область для мошенников, так как люди готовы платить за «продление молодости», а объективные измерения в таких исследованиях провести непросто. Применив ИИ, обученный на большом корпусе пациентских данных, мы сможем сократить количество «поддельных» экспериментов.
Мы сможем автоматизировать эксперименты, записывать процедуру проведения экспериментов, а также использовать блокчейн [70] для обеспечения безопасности записей пациентов. Все это упростит процесс проверки и уменьшит количество поддельных экспериментов в этой области.
4 Перспективные применения ИИ для продления жизни
4.1 Борьба со старением как наиболее эффективное средство продления жизни
В настоящее время все понимают, что цель индустрии здравоохранения — не это только лечении заболеваний, но и продление периода здоровой жизни в целом.
Различные применения ИИ в медицине имеют разное влияние на продолжительность жизни. Например, борьба с редкими заболеваниями или поздними стадиями рака не приведёт к значительному увеличению общей продолжительности жизни в целом.
Основными причинами смерти в США являются сердечно-сосудистые заболевания (23,1% случаев смерти от заболеваний сердца, 5,1% случаев инсульта), рак (22,5%), хронические заболевания нижних дыхательных путей (5,6%) и болезнь Альцгеймера (3,6%). В совокупности эти болезни вызывают 59,9% всех смертей в США [44]. Вероятность этих заболеваний с возрастом увеличивается экспоненциально в соответствии с законом Гомпертца (Gompertz) [66, 67]. Более 75% всех смертей приходится на людей в возрасте от 65 лет и старше [40].
Некоторые исследователи [105], [115] утверждают, что старение является основной причиной смерти, и, если мы сможем замедлить процесс старения, мы снизим вероятность возрастных заболеваний и увеличим продолжительность здоровой жизни. Эксперименты показывают, что даже простые интервенции замедляют процесс старения, отдаляют возникновение смертельных заболеваний и продлевают продолжительность жизни для червей C. Elegans [20], мышей [66] и крыс [87].
Описываемые эксперименты на животных включали относительно простые интервенции, например, низкокалорийную диету или введение давно известных продляющих здоровую жизнь лекарств (например, метформин или рапамицин). Такие препараты называются геропротекторами [71].
К сожалению, клинических тестов свойств продления жизни геропротекторов на людях — мало, даже несмотря на то, что описанные интервенции часто используются в борьбе с другими заболеваниями (например, лечение диабета метформином), что говорит об их безопасности. Клинические тесты на людях можно было бы начать довольно давно, но этого не случилось из-за ряда социальных и экономических препятствий. Конечно, такие эксперименты потребовали бы большого количества времени (лонгитюдные исследования занимают десятилетия), и группы тестируемых людей должны были бы быть большими.
Однако в классической медицине невозможно позволить такую роскошь как десятилетиями или веками проводить один эксперимент. Люди умирают сейчас, поэтому необходимо найти способы продлять человеческую жизнь как можно скорее — и доказать, что эти способы работают. Хорошо известный метод — это искать биомаркеры старения и отслеживать их изменения от каких-то интервенций. Так можно было бы сказать, что да, наш метод замедления старения работает.
Другими словами, чтобы замедлить процесс старения, нам, во-первых, нужно найти эффективные геропротекторы и их комбинации, а во-вторых, чтобы доказать, что они работают, нам нужно найти достоверные биомаркеры старения.
Есть много других интересных идей в области борьбы со старением. Среди них — генная терапия, стволовые клетки, «стратегии спроектированного незначительного старения» (Strategies for Engineered Negligible Senescence, SENS) [27]. В этом разделе мы ограничимся описанием методов создания геропротекторов и выявления биомаркеров, основанных на ИИ.
На данный момент была только одна попытка использовать ИИ для выявления биомаркеров старения. Нейронные сети обучали на большой выборке образцов крови, принадлежащих людям разных возрастов [82].
4.2 Биомаркеры старения как вычислительная задача
Биомаркеры старения — это количественные характеристики, которые на основе текущего состояния организма человека предсказывают ожидаемую продолжительность жизни [72]. Этот показатель можно сопоставить «биологическому возрасту» (который может быть больше или меньше, чем реальный возраст) таким образом: ожидаемая продолжительность жизни — это разница между средней продолжительностью жизни для вида и биологическим возрастом человека. Различные биомаркеры старения имеют разную прогностическую способность [64]. Например, седые волосы являются маркером старения, но имеет низкую корреляцию со смертностью. Хорошие биомаркеры старения должны быть непосредственно связаны с потенциальной причиной смерти. Цвет волос не связан напрямую с потенциальной причиной смерти (можно вообще покрасить волосы, и это никак не повлияет на ожидаемую продолжительность жизни). А вот, например, артериальное давление, или ряд генетических мутаций, причинно связаны со смертностью. Таким образом, они являются хорошими биомаркерами старения. Поскольку старение — это сложный процесс, степень старения не может быть выражена одним числом; для этого потребуется большой массив параметров. Биомаркеры старения должны также быть обратимыми: если процесс старения был обращён вспять, то соответствующие биомаркеры должны измениться определённым образом (например, может уменьшиться их показатель).
Существует два способа поиска биомаркеров старения: (1) моделирование процессов старения и (2) использование статистики. Дополнительно можно также измерять изменения кривой смертности Гомперца, т. е. использовать количество смертей в популяции как биомаркер старения [79] (однако чтобы отследить изменения в кривой, потребуется информация о миллионах людей).
С помощью носимых устройств можно записывать время приёма лекарств и следование определённому типу лечения, то есть, собирать и централизовано хранить огромное количество записей о лечении пациентов и сопровождать это данными о генетике, физической и поведенческой активности человека. Такая аккумуляция и централизация данных предоставит большую информационную базу для когортных исследований, таким образом они будут иметь большую доказательную ценность.
Интерпретация информации, собираемой с носимых устройств, вероятно потребует использования мощного ИИ. Например, для нахождения биомаркеров старения можно использовать метод машинного обучения «обучение без учителя» — ИИ сможет сопоставлять некоторые группы параметров здоровья определённым признакам биологического старения.
Далее, анализ изменения параметров поможет обнаружить реальные биомаркеры. Например, компания Gero занимается сетями генной стабильности [56].
Другое применение ИИ в борьбе со старением — это создание новых геропротекторов на базе анализа типов клеток, типов старения и молекулярных свойств. Геропротекторами могут быть как лекарства, так и генетические интервенции, — например вставка новых генов в геном или изменение экспрессии существующих генов (эпигеномика).
500 тысяч британских пенсионеров пожертвовали в Biobank свою кровь, сопроводив её анонимизированными данными о том, какую терапию они проходят. Biobank сейчас секвенирует их геномы, а затем публике будет предоставлен открытый доступ ко всем результирующим данным, а это — богатый материал для разного рода алгоритмов машинного обучения [125]. Особенно перспективным является поиск генных сетей, которые обуславливают старение. Похожие проекты сейчас проходят в Исландии [81] и в Эстонии.
4.3 Проблема вычислений комбинаций геропротекторов
Ряд лекарств продлевает жизнь мышам, т. е. замедляет их старение [57]. Однако большинство из этих препаратов дают только 10—15% увеличение продолжительности жизни. Для людей такие лекарства будут ещё менее эффективны (будут давать около 5% продления), поскольку продлить жизнь долгоживущим видам значительно сложнее, чем короткоживущим, такие виды хуже реагируют на хорошо изученные геропротекторы. Но можно объединить сразу несколько геропротекторов. Исследования на мышах показывают, что таким образом можно добиться усиления эффекта [96].
В недавних исследованиях был использован сложный алгоритм тестирования, чтобы найти те три вещества, которые продляли бы жизнь червей и мух на максимальный срок [31]. Этот алгоритм был разработан вручную, и скорее всего ИИ нам поможет разработать лучший алгоритм тестирования, чем этот.
Несмотря на то, что комбинированный приём некоторых геропротекторов работает достаточно хорошо, другие геропротекторы могут быть несовместимы друг с другом, а их совместный приём в значительной степени аннигилирует их эффект. Следовательно, первым делом нужно будет протестировать все пары известных геропротекторов, а затем и более сложные комбинации. Для тестирования всех комбинаций из 10 геропротекторов потребуется 1024 эксперимента, а для 20 геропротекторов количество экспериментов будет более миллиона (заметим, что в комбинации можно варьировать дозировку, что также увеличивает количество требуемых экспериментов). Все эти эксперименты провести практически невозможно, так как финансирования не хватило даже для тестирования одной комбинации геропротекторов на мышах (см. кампанию lifespan.io [126]).
Задача поиска в огромном пространстве похожа на сложную настольную игру с огромным пространством возможных ходов, например, го. Недавний успех AlphaGo [127] говорит о том, что поиск успешных комбинаций может быть упрощён. Следовательно, потребуется намного меньшее количество экспериментов для определения оптимальной комбинации геропротекторов. Принцип, на который опирается AlphaGo, заключается в том, что нейронная сеть, обученная на большом количестве предыдущих игр, выбирает наиболее перспективные комбинации ходов. Аналогично, нейронную сеть можно научить на базе свойств веществ, полученных из библиотеки свойств веществ, прогнозировать их влияние на здоровье человека. Такой подход уже используется для обнаружения геропротекторов [92] и для прогнозирования токсичности [103]. Toxcast — масштабный проект, спонсируемый правительством США, в котором исследователи задаются целью использовать машинное обучение для прогнозирования токсичности различных химических веществ [86].
Чтобы улучшить качество результатов экспериментов, необходимо также в процессе тестирования геропротекторов записывать различные параметры организма тестируемых (например, состав крови, физическую активность, показания электроэнцефалографии). Это позволило бы выявлять биомаркеры старения прямо по ходу процедуры тестирования.
Как правило, задача поиска геропротекторов сводится к задаче поиска глобального минимума функции десяти (или более) переменных, которая легко решается с помощью алгоритмов машинного обучения.
Биомаркеры старения можно искать аналогичным образом. С математической точки зрения, задача тоже сводится к поиску глобального минимума функции многих переменных. Этот же механизм можно использовать и для расчёта конкретных генетических интервенций для отдельного человека (можно учесть генетические характеристики, его возраст, показатели биомаркеров).
В этой области работают компании Gero, Calico, Институт исследований старения Бака (The Buck Institute for Research on Aging, Калифорния, США) [19] и др. Жоау Педро де Магалханес (João Pedro de Magalhães) использовал алгоритм машинного обучения random forest для прогнозирования свойств веществ, продлевающих жизнь [9].
Кроме того, существует несколько проектов по поиску эффективных комбинаций большого числа геропротекторов. Для этого используют нейронные сети, изначально разработанные для других задач:
— Проект AtomNet [3] предсказывает свойства химических веществ с помощью свёрточных нейронных сетей;
— В статье E. Pyzer-Knapp et al. [83] многослойная нейронная сеть использована для прогнозирования электрических свойств новых молекул;
— В статье L. Rampasek and A. Goldenberg [84] рассматривают применения фреймворка TensorFlow от Google в области вычислительной биологии;
— K. Myint and X.-Q. Xie предсказывают свойства лиганд с использованием нейронной сети, обученной на базе молекулярных отпечатков пальцев [74].
4.4 ИИ, старение и персонализированная терапия
Старение можно рассматривать как накопление генетических ошибок, дополненное отсутствием регулирующих процессов, осуществляемых механизмами восстановления и иммунной системой [37]. Следовательно, для борьбы со старением необходимо предоставить такие механизмы в виде медицинской терапии. Она будет состоять из (1) тестов (например, анализов крови, снятия показаний артериального давления, прохождения медицинского осмотра), (2) выдвижения гипотез о причине болезни (постановка диагноза), (3) медицинского вмешательства и (4) в случае неправильной гипотезы — последующей корректировки, основанной на новых наблюдениях.
Этот подход в некотором роде напоминает научный метод, в нем за основу взята информация, и решается определённая вычислительная задача. Это значит, что он может выиграть от использования подхода больших данных, который подскажет точную таргетированную интервенцию. Собрать большой объем информации об организме человека важно, чтобы построить детальную модель [здоровья], чтобы впоследствии вылечиться или омолодить тело. Собранные данные позволят провести расчёты, необходимые для генетических вмешательств по восстановлению и улучшению функциональности организма.
Теперь возможно получить огромное количество информации об организме с помощью анализа (1) секвенированного генома, (2) параметров крови, (3) транскриптома, (4) метаболома и других «омик» (то есть, детальных количественных описаний функций и статистик разных частей организма). Это достигается за счёт непрерывного мониторинга приёма пищи, физической активности и параметров сердечной активности с помощью ЭКГ, различных осмотров и цифровой томографии. Быстрое снижение стоимости всех этих процедур (999 долларов в 2016 году за полное секвенирование генома [78]) привело к тому, что обычные люди стали источниками больших данных. Теперь нам предстоит решить вопрос, как интерпретировать полученные данные так, чтобы уметь не только диагностировать заболевания, но и их прогнозировать, а также создавать персонализированные профили старения. Для этого нам нужны лучшие методы построения заключений по имеющимся данным.
Вспомним типичную для прошлого ситуацию: пациент жалуется врачу на различные боли. Врач измеряет ему давление и температуру, после чего прописывает лечение одним стандартным препаратом. В данном случае информационный обмен между пациентом и врачом минимален — он состоит, [если говорить в компьютерных терминах], всего из нескольких байтов и некоторых интуитивных догадок врача. Однако сейчас обмен информацией может состоять из гигабайт информации без каких-либо дополнительных усилий. Для обработки этих «гигабайтов» потребуются мощные методы data science.
Во время старения организм постепенно накапливает ошибки, а система исправления этих ошибок начинает давать сбои. «Информационная теория старения» может быть спроектирована таким образом, чтобы позволить с помощью терапии скорректировать все эти ошибки. Эта идея лежит в основе проекта «Стратегии спроектированного незначительного старения» (SENS) [27].
ИИ может помочь людям смоделировать процесс старения — создать причинно-следственную карту разных процессов старения в теле [90], а затем каждый раз персонализировать эту модель.
Обычно организм способен сам решать большинство своих проблем локально, не отправляя информацию «наружу»: клетки знают, что нужно исправлять, и внимание более высокого уровня необходимо только когда на локальном уровне организм не справляется. Когда тело стареет, оно теряет способность справляться с проблемами на локальном уровне. Самым разумным в данном случае будет не «считывать» информацию об ошибках и не пытаться их исправить с помощью терапии, а вводить в тело «ИИ-помощников», которые помогут решать проблемы локально по мере их появления. Для этого будут использованы импланты, вкупе с наномедициной будущего.
Другое возможное решение непростой проблемы старения — это «выращивание» частей тела или даже тел целиком. Однако разработка иммуногенных свойств таких новых частей тела и понимание того, как их связывать с уже существующими телами, потребует анализа больших объёмов информации, — это возможно только при использовании ИИ в этих целях.
4.5 Узкий ИИ сократит расходы на здравоохранение и сделает его доступным
Эффективное и доступное здравоохранение будет иметь большое значение для глобального увеличения ожидаемой продолжительности жизни. Дешёвые мобильные телефоны решили проблему связи в глобальном масштабе, они стали стандартным решением в этой области. Подобное решение необходимо искать и в здравоохранении.
Высококачественная медицина обычно стоит дорого и включает расходы на медсестёр, больницы, лекарства, анализы, медицинскую страховку и хороших специалистов. Как следствие, передовая медицина остаётся недоступной для многих людей.
Консультации на базе ИИ будут гораздо дешевле — соответственно, качественные медицинские услуги станут доступны более широким кругам населения (в т.ч. в развивающихся странах). Подобно тому, как вместо дорогих препаратов могут быть использованы их дешёвые аналоги, медицинские консультации на основе ИИ смогут обеспечить качественную диагностику людям, которые не могут позволить себе оплачивать консультации врача.
Многие люди (например, те, кто ищет в интернете ответы на свои вопросы о здоровье), будут с большей охотой консультироваться с ИИ-системой, чем с настоящим врачом. Среди ИИ-систем, которые сделают медицинское обслуживание качественным и недорогим, следующие:
— медицинские ИИ-чат-боты, например, такие, как приложение Babylon [5];
— использование смартфонов как универсального диагностического инструмента (для контроля сердечного ритма, диеты, физической активности, степени оксигенации крови, изменения родинок и т. Д.);
— доставка на дом дешёвых аналогов дорогих лекарств;
— сетевые медицинские экспертные системы.
4.6 Влияние узкого ИИ на продление жизни
Узкий ИИ поможет людям использовать потенциал продления жизни на 100%, и это приведёт к значительному замедлению старения. Если бы люди не старели, продолжительность жизни могла бы достигать нескольких сотен лет даже несмотря на несчастные случаи (если мы исключим возрастную составляющую смертности — экстраполируем минимальную вероятность смерти, например, возьмём такую как у 10-летних американских девочек — 0,000084 в течение года [1], мы получим ожидаемую продолжительность жизни в 5925 лет). Но с возрастом вероятность смертности растёт, и ожидаемая продолжительность жизни снижается до 81 года. Большая часть этого увеличения вероятности смертности обусловлена биологическим старением. К сожалению, введение узкого ИИ в клиническую практику может занять гораздо больше времени, чем занимают открытия новых методов лечения в исследовательских лабораториях. Может быть, до клинической практики узкий ИИ дойдёт через несколько десятилетий.
Нынешняя эпоха узкого ИИ может затянуться, согласно пессимистическим предсказаниям, до 2075-го года [73]. Если так случится, это время можно потратить с пользой, можно исследовать биомаркеры старения и комбинации геропротекторов.
А тем, кто не сможет дожить до появления радикальных технологий продления жизни, узкий ИИ сможет помочь иным образом, — предоставив два варианта резервного копирования личности, крионику и цифровое бессмертие.
В области крионики — ИИ-приложения могут, снимая информацию с носимых устройств, вовремя предупредить криоорганизацию пациента о надвигающейся смерти. Криоконсервацию можно назвать «планом B», тогда как «план A» — это выжить до создания эффективной технологии продления жизни.
Цифровое бессмертие [107] — это концепция сохранения цифровых данных человека в надежде, что ИИ в будущем сможет «восстановить» человека с использованием ДНК, видеозаписей и другой информации, полученной, например, из социальных сетей. Можно будет это сделать или нет — зависит от возможностей ИИ, количества требуемой информации и природы человеческой личности. ИИ может помочь собрать и сохранить данные, чтобы обеспечить потенциальную возможность цифрового бессмертия, и выполнить первоначальный анализ этих данных. Цифровое бессмертие — это «план C» в достижении радикального продления жизни.
Заметим, что раннее появление передовых форм ИИ может сделать эти три подхода устаревшими, прежде чем они будут реализованы.
5 Перспективы применения AGI для продления жизни
5.1 Персональный робот-врач
AGI может появиться в двух формах: (1) загрузка человеческого разума/сознания в машину [23], [45] или в виде искусственного мозга-компьютера [17], способного выполнять большинство задач, посильных человеку. Так или иначе, AGI будет обладать свойством полноты по Тьюрингу [112], а это значит, сможет поддерживать диалог так же хорошо, как это умеет человек.
Существует множество способов использования AGI для продления жизни. В этом разделе мы рассмотрим те, которые могут обеспечить наибольшее приращение в продолжительности жизни.
Если AGI будет дешёвым и эффективным, это позволит обеспечить доступное медицинское обслуживание (включая прогностическую медицину). Например, правдоподобным кажется, что будет создан персональный помощник на основе ИИ, который будет сочетать в себе функции медицинского исследователя и личного врача и сможет предоставлять необходимое лечение и своевременно реагировать на симптомы. Он будет постоянно контролировать биомаркеры старения человека и другие характеристики здоровья и, основываясь на них, корректировать ежедневную терапию. Людям больше не нужно будет посещать поликлинику, получать рецепт и показывать его в аптеке фармацевту, не забывать принимать лекарства в назначенное время, пытаться определить, чувствуют ли они себя хорошо или нет, и так далее. Персональный робот-ассистент будет использовать данные, собранные с носимых устройств, чтобы определить правильную комбинацию лекарств. Он же будет заказывать их доставку, а затем мотивировать пациента их принимать. Процесс диагностики и лечения будет таким же простым и автоматизированным, как обновление антивируса на компьютере.
Способность AGI понимать человеческий язык приведёт к тому, что «искусственные учёные» смогут формулировать гипотезы, организовывать эксперименты и публиковать результаты в научных журналах. Им будет необходимо все меньше и меньше помощи от людей. В сочетании с роботизированными лабораториями и менее дорогостоящим оборудованием, AGI ускорит научные исследования во всех областях, в том числе и в области продления жизни.
Домашние медицинские роботы и носимые устройства автоматизируют клинические тесты, сокращая таким образом затраты и ускоряя открытие лекарств (собирая данные для клинических тестов). В настоящее время из-за юридических и организационных вопросов клинические тесты могут стоить сотни миллионов долларов. Домашние роботы будут регистрировать деятельность пациентов, автоматизировать клинические тесты и проводить их независимо от крупных медицинских компаний посредством децентрализации. Это уменьшит затраты на анализы и улучшит достоверность данных.
Роботы-дроны с лекарствами и дефибрилляторами будут оказывать помощь людям, чьи носимые устройства будут сообщать о чрезвычайной ситуации. Домашние роботы будут следить за здоровьем семьи, помогать в лечении, контролировать приём лекарств, инструктировать семью о необходимых физических упражнениях, прогнозировать заболевания. Кроме того, они обеспечат общение пожилым людям, что также увеличит продолжительность жизни.
5.2 Интеграция человеческого тела с системами мониторинга, наномедицина
Иммунная система человека обладает такой информацией как где у человека воспаление, или с каким вирусом сейчас нужно бороться. Наше сознание не имеет доступа к этой информации. Мы можем «обучать» иммунную систему с помощью вакцин, но информационный обмен между людьми и иммунной системой ограничен. Если бы человек мог считывать информацию из своей иммунной системы и загружать туда новую информацию, тогда можно было бы вылечить большое количество заболеваний, в том числе аутоиммунные заболевания, инфекции, недостаточность органов, опухоли и тканевое старение. Рэй Курцвейл считает, что связь между иммунной системой и сознанием появится в 2020-х годах [85]. Этот процесс будет похож на компьютерную диагностику автомобилей. Систему коммуникации между иммунной системой и компьютером можно назвать «гуморальным интерфейсом». Он будет иметь много общего с нейроинтерфейсами. Его можно реализовать с помощью какой-либо формы нано- или биотехнологии (например, технологии программируемых клеток).
Следующим шагом в этом направлении будет управление искусственной иммунной системой человека. Эта иммунная система может состоять из биологических организмов, например улучшенных клеток самого человека [30] или микророботов, циркулирующих в крови. Ниже приводятся ожидаемые уровни нанотехнологического усовершенствования человеческого тела:
1) На первом этапе искусственная иммунная система будет отслеживать возникающие болезни;
2) На втором этапе система будет оказывать помощь в лечении — она будет уничтожать бактерии, вирусы и раковые клетки, восстанавливать повреждения сосудов;
3) На поздних стадиях система будет постоянно проводить репарацию организма, будет лечить старение;
4) На заключительной стадии эти системы превратятся в наномашины, которые заменят человеческие клетки, сделав человеческое тело полностью искусственным и бессмертным.
Но это, скорее всего, произойдёт только тогда, когда ИИ достигнет сверхчеловеческого уровня.
5.3 «Сеть апгрейда»: путь к сильному ИИ с помощью создания самосовершенствующихся людей и ИИ-систем, подобных человеку
Как Илон Маск (Elon Musk) недавно написал в твиттере: «В эпоху ИИ люди должны либо слиться с машинами, либо стать ненужными» [55]. Для такого слияния потребуется мощный нейрокомпьютерный интерфейс (BCI). Мы считаем, что наилучший способ достичь этого слияния — это разработать персонального медицинского ИИ-ассистента, который был бы интегрирован в человеческое тело и мозг, и фокусировался бы на сохранении человеческой жизни.
Маск заявил [102], что он хочет вывести на рынок медицинского ИИ-помощника в своём проекте Neuralink. Для начала, Neuralink будет использовать BCI для лечения депрессии и других психических заболеваний. Простой нейроинтерфейс может быть использован для контроля человеческих эмоций и предотвращения психологических состояний, связанных с насилием (например, дорожной ярости или суицидальных мыслей). Neuralink предоставит опыт, который может впоследствии быть использован для лечения психических заболеваний с помощью BCI. В конечном итоге от этого можно будет перейти к стадии «усовершенствованных» людей, которые впоследствии будут связаны в единую сеть самосовершенствующихся людей.
По нашему мнению, существует другой способ создания сети самосовершенствующихся людей. Для начала надо будет создать медицинскую социальную сеть.
Это будет новый тип пациентской организации [42], предназначенный для того, чтобы связать людей, которые заинтересованы в борьбе со старением [128]. Такие организации будут функционировать как социальные сети, в которых будет возможен обмен информацией, взаимная поддержка, клинические тесты, краудфандинг, сбор данных для цифрового бессмертия и для гражданской науки, помощь в криоконсервации, и совместные политические действия.
Отдельные биохакеры также могут сыграть важную роль — подавая пример и проводя эксперименты на себе (как Элизабет Пэрриш, Elizabeth Parrish): они могли бы проводить эксперименты с более высоким риском без юридических ограничений [68].
Следующим шагом будет создание сети прямого взаимодействия между мозгами участников проекта (т. н. NeuroWeb) [60]. Механизмы передачи информации могут быть реализованы посредством слабого ИИ. Результатом такой сети станет создание коллективного мозга. Из-за того, что прямое подключение мозга к мозгу может быть запутанным и неэффективным, для контроля доступа к информации, которой человек хочет поделиться, предлагается использовать ИИ-брандмауэр. Кроме того, может понадобиться ИИ-диспетчер, который будет способствовать облегчению разговоров, запоминанию отдельных строк разговора, предоставлению ссылок, иллюстраций для идей и т. д. На следующем этапе разработки виртуальный помощник на основе AGI, подключённый через нейроинтерфейс к мозгу человека, возьмёт на себя роль экзокортекса [14].
Конечным этапом будет слияние мозга с ИИ. Граница между биологическим мозгом и компьютером станет размытой. В этот момент мы сможем сказать, что достигли стадии практического бессмертия (если не увеличатся глобальные риски), поскольку данные мозга можно будет легко скопировать и, при необходимости, восстановить. Человеческие умы и сильный ИИ сольются в единую систему. В то же время люди смогут устанавливать желаемую степень автономии от ИИ (в отношении памяти, сознания и навыков [34], [101], [75]).
6 Сверхинтеллект и отдалённое будущее
6.1 Сверхинтеллект окончательно решит проблему старения и смерти
Можно использовать опросы и смотреть на основные тренды [в индустрии] для прогнозирования развития узкого ИИ и момента создания AGI. Но сверхинтеллект по определению непредсказуем. Чтобы как-то представить, когда ждать его появления, и какие проблемы [человечества] он сможет решить, можно обратиться к футурологам.
Бостром (Nick Bostrom) [16], Ямпольский (Roman Yampolskiy) [113], Юдковский (Eliezer Yudkowsky) [114], Курцвейл (Ray Kurzweil) [58], Винге (Vernor Vinge) [106] и Герцель (Goertzel) [39] — все они изображают будущее, в котором доминирует глобальный сверхинтеллект. По их мнению, сильный ИИ позволит решить проблемы старения, вылечить в настоящее время неизлечимые болезни, разработать универсальных медицинских нанороботов и загрузить сознание человека в компьютерную сеть.
В прошлом уходили десятилетия на то, чтобы решить какие-то сложные задачи мирового масштаба (например, на разработку современного воздухоплавания, беспроводной связи или неинвазивной хирургии); сильный ИИ сможет решать такие задачи очень быстро, за считаные моменты. С приходом сильного ИИ для большинства людей достижение практического бессмертия станет возможным.
6.2 Одновременное создание сверхинтеллекта и передовых нанотехнологий
В книгах «Машины созидания» [32] Эрика Дрекслера (K. Eric Drexler) и «Наномедицина» Роберта Фрейтаса (Robert A. Freitas Jr.), том IIA: «Биосовместимость» [36] в сфере нанотехнологий доминируют наноботы молекулярного уровня, которые используются для лечения и других интервенций. По словам Дрекслера, медицинские наноботы будут:
— самовоспроизводящимися;
— контролируемыми извне;
— иметь бортовые компьютеры;
— будут способны роиться (скапливаться в одном месте);
— будут размером с клетку;
— будут способны «3D-печатать» ткани органов;
— будут способны ориентироваться в окружающей среде и её воспринимать.
Если мы получим таких наноботов до того, как появится AGI, они помогут нам хорошо разобраться в структуре человеческого мозга и разработать технологию для создания очень мощного суперкомпьютера, и это, в свою очередь, приведёт к появлению AGI. С другой стороны, если мы получим AGI раньше, он поможет нам создать наноботов. Временной промежуток между созданием нанороботов и AGI будет, скорее всего, не более нескольких лет.
Проектирование первого нанобота и контроль роения наноботов представляют собой сложную вычислительную задачу, требующую использования доступного ИИ.
Когда эта технология окрепнет, она сможет гарантировать относительно быструю (от нескольких часов до нескольких недель) и «бесшовную» замену живых клеток в теле человека на полностью контролируемые наноботы (за возможным исключением нейронов, ответственных за личный опыт). Для этого будет необходимо только сделать одну инъекцию, в которой будет содержаться один самовоспроизводящийся нанобот. Такой нанотехнологический организм не будет стариться, так как он сможет постоянно самостоятельно себя ремонтировать, как это и заложено в нашем организме изначально.
6.3 Сверхинтеллект и решение проблемы сознания: копирование идентичности
С одной стороны, будет сложно разработать полноценный AGI, не решив сначала проблему
сознания. С другой стороны, имея нанотехнологии и AGI, мы сможем проводить различные эксперименты над сознанием, изучать более детально структуру мозга. Например, исследование qualia (личного опыта восприятия) возможно через постепенный процесс загрузки, аналогичный мысленному эксперименту, выполненному Дэвидом Чалмерсом (David Chalmers) [22]. Так мы сможем идентифицировать части мозга и внутренние процессы, ответственные за субъективный опыт.
Возможны два сценария: либо здесь нет никакой тайны, и тогда задача загрузки сознания в компьютер становится сугубо информационной, или сознание имеет определённый до сих пор неизвестный нам характер. Этот субстрат может быть квантовым процессом, непрерывностью причинно-следственных связей, специальными частицами или чем-то подобным, что служит основой для идентичности. Сохранение и передача сознания — это отдельная техническая задача. В любом случае будет возможна передача сознания на новый носитель. В первом сценарии мы сможем использовать обычный компьютер, во втором же потребуется специализированный компьютер (например, искусственный нейрон или квантовый компьютер [2]).
Чтобы снизить риск смертности, этот гипотетический компьютер, носитель сознания, должен быть чрезвычайно устойчив к повреждениям и иметь уникальные способности к резервному копированию.
6.4 Использование передовых форм сверхинтеллекта для возвращения к жизни мёртвых людей
Роберт Честер Эттингер (Robert Chester Ettinger) и Жан Ростанд (Jean Rostand) [35] предложили идею крионики, — с помощью низких температур сохранять тела после смерти, пока не станет возможным вернуть людей к жизни. В настоящее время около 250 человек подверглись криозаморозке в трёх существующих криокомпаниях [67]. Сначала думали, что после появления соответствующих технологий тела можно будет постепенно разморозить. Позже считалось, что для устранения повреждений в размораживающихся телах можно будет использовать нанотехнологии [32]. На смену этому пришло мнение, что можно будет сканировать мозг без разморозки [65]. Будет использована расширенная томография [48] или нарезание мозга [43]. Далее данные сканирования будут введены в компьютер, где человеческое сознание будет восстановлено. Усовершенствованные нанотехнологии, созданные ИИ, могут быть использоваться для сканирования и загрузки сознания тех 250-ти человек, которые сейчас подверглись заморозке.
Кроме того, на поздних стадиях сверхинтеллект сможет восстанавливать людей, которые жили в прошлом, моделируя их жизнь в симуляции. Реконструкция будет основываться на цифровом отпечатке человека. Такой сценарий называется «цифровое бессмертие» [108].
Для глобального воскрешения мёртвых [123] сверхинтеллект может провести крупномасштабное моделирование прошлого [124]. Затем, основываясь на всех данных о прошлом, он реконструирует всех, кто когда-либо жил.
7 Обсуждение: стратегии применения ИИ для продления жизни
7.1 Проблемы применения ИИ в здравоохранении
В 1979-м году экспертная система, основанная на наборе правил, могла ставить диагноз точнее, чем врачи [18]. С тех пор прошло много лет, но ИИ-революции в здравоохранении ещё не произошло. Большинство современных медицинских систем все ещё основаны на чрезвычайно простых алгоритмах, например, «если частота сердечных сокращений больше X, выполните Y» [8].
Брэндон Баллингер (Brandon Ballinger) [8] написал, что одним из основных препятствий является то, что данные в большинстве «дешёвых» и легкодоступных датасетов не размечены, в то время как алгоритмы машинного обучения в большинстве требуют размеченных данных. Например, у нас есть много кардиограмм, но на них не проставлены ярлыки «этот пациент болел такой-то болезнью, у него были такие-то параметры здоровья». Чтобы получить размеченные данные, может потребоваться проведение дорогостоящих и потенциально опасных экспериментов на людях. В настоящее время в этой области используются алгоритмы машинного обучения «без учителя», которые не требуют размеченных данных, но их производительность — ниже, чем у систем машинного обучения, которые работают с размеченными данными.
Кроме того, есть некоторые юридические вопросы относительно использования ИИ в здравоохранении, а также споры о том, как распределять ответственность за риски, кто (стартапы или больницы) будет осуществлять страховые выплаты, и в какой мере. ИИ можно легко внедрить в смартфон, но внедрить его в арсенал врача гораздо сложнее, не говоря уже о тонкостях страхования решений медицинского ИИ.
Скромные темпы продвижения ИИ в здравоохранении в последние годы наверняка разочаровали бы автора первого издания книги «Искусственный интеллект в медицине», опубликованного ещё в 1982 году [97]. Тем не менее, из-за значительного увеличения вычислительных мощностей, наличия «дешёвых» оцифрованных данных, разработки современных алгоритмов анализа данных, а также нового законодательства, мы находимся сейчас на заре бума ИИ в здравоохранении.
Вопросы конфиденциальности, касающиеся персональных данных, создают необходимость выбора между двумя важными вещами. С одной стороны, чем больше у нас есть открытых данных, тем легче обучать ИИ-системы. С другой стороны, разглашение частных данных может быть не очень благоприятным для людей. Но если нам будут доступны только анонимизированные данные, многие параметры здоровья будут утеряны. Люди из пациентских организаций, обсуждаемых в разделе 5.3, могут понять важность открытого доступа к персональным данным, так как чем больше у нас есть точных данных, тем лучше мы сможем обучить медицинский ИИ.
7.2 ИИ в медицине и безопасность
Вопросы безопасности ИИ как на локальном, так и на глобальном уровне, выходят за рамки этой работы. Мы заострим внимание только на двух точках пересечения медицинского ИИ и безопасности.
Медицинский ИИ направлен на сохранение жизни людей, тогда как, например, военный ИИ обычно ориентирован на уничтожение людей. Если предположить, что при развитии ИИ сохранит ценности своих создателей, медицинский ИИ должен быть впоследствии более безопасным, чем военный.
Развитие такой медицинской ИИ-технологии как нейроимпланты ускорит появление сильного ИИ в форме распределённой социальной сети, состоящей из самосовершенствующихся людей. В данном случае ценностная система такого «нейровеба» будут зависеть от ценностей «узлов» этой сети — её участников, и это, опять же, должно быть более безопасным, чем другие пути к сильному ИИ. Кроме того, сильный ИИ, основанный на объединении людей в единую сеть, может быть менее склонен к быстрому неограниченному самосовершенствованию из-за своей сложной и непрозрачной структуры.
Если у аргумента противоположности ценностей и интеллекта [16] есть исключения, то медицинский ИИ будет более безопасным, чем военный ИИ.
С другой стороны, медицинский ИИ может увеличить глобальные риски, поскольку он откроет путь к созданию нейроморфического ИИ, который считается опасным [16]. Или может случиться так, что медицинский ИИ, находясь под меньшим контролем, чем военный ИИ, начнёт себя неограниченно усовершенствовать.
Сеть апгрейда, которую мы описывали выше, может стать полезным инструментом для решения проблемы безопасности ИИ, поскольку растущий коллективный человеческий интеллект сможет функционировать как глобальная контролирующая и ограничивающая сила, выявляя потенциальное террористическое поведение и другие угрозы.
Безопасность будет результатом выравнивания ценностей людей [94] в сочетании со сверхинтеллектуальной мощью всей сети, которая сможет находить и предотвращать появление других типов потенциально опасных ИИ-систем. Она вообще сведёт на нет необходимость создания таких систем (об этом подробнее писал Турчин в [99]).
7.3 Дожить до AGI: персонализированные, возрастзависимые стратегии
Чем старше человек, тем ниже его шансы дожить до AGI и хороших технологий продления жизни. К счастью, нет необходимости ждать появления сверхинтеллекта. Для того чтобы продолжительность жизни увеличилась на неопределённый срок, человек должен только дожить до момента, когда средняя продолжительность жизни начинает увеличиваться каждый год более чем на год (этот момент называется скоростью выживания долголетия, longevity escape velocity) [27].
Однако вероятность того, что человек сможет продлить себе жизнь, значительно увеличивается, если у этого человека есть доступ к технологиям будущего, например, если он живёт в развитой стране, у него есть страховка и счёт в банке, или же он настолько любопытен, что начал исследовать и использовать эти технологии сразу после того, как они стали доступны.
Чтобы расширить доступ к преимуществам от медицинского ИИ, в будущем будет необходимо повысить информированность людей и побудить их использовать все доступные средства для продления жизни. В рамках этой стратегии мы продвигаем участие в пациентских организациях, которые занимаются борьбой со старением, советуем записаться на крионирование, способствуем обмену и сбору данных о цифровом бессмертии.
8 Вывод
Эта работа представляет собой обзор существующих и ожидаемых применений ИИ, которые авторы считают наиболее перспективными в деле продления жизни и борьбы со старением. Мы рассмотрели: (1) широкий круг проблем, с которыми сталкиваются исследователи и индустрия; (2) наиболее многообещающие применения ИИ; (3) стратегии повышения информированности людей, чтобы обеспечить максимальную возможность продления жизни для всех.
Основываясь на литературе по данной тематике, мы рассмотрели этапы развития ИИ в ближайшем будущем и попытались оценить, когда нам следует ждать сильного ИИ. Кроме этого, мы представили обзор текущих коммерческих применений ИИ в здравоохранении. Среди этих проектов — IBM Watson Health, Google Calico, DeepMind Health, а также исследовательские проекты некоторых академических групп и некоммерческих организаций.
Мы показали, что экспоненциальный рост мощностей ИИ со временем поможет сократить вероятность смертности, и что ИИ сможет помочь человеку достичь «скорости выживания долголетия» даже до того, как мы получим сильный ИИ. Благодаря узкому ИИ, миллионы или даже миллиарды людей доживут до бессмертия, избавят себя от надвигающейся смерти. Эта тема более подробно описана некоторыми из авторов в статье «Борьба со старением как альтруизм: модель воздействия» [100].
Далее, мы подчеркнули важность создания пациентских организаций для распространения знаний о важности продления жизни и добровольного сбора данных о пациентах, возможностях раннего внедрения медицинского ИИ, и о возможном благодаря сильному ИИ появлении «нейровеба».
(Список литературы см. в оригинальной публикации по ссылке)
