https://blog.naver.com/economic_moat/222775578709
[AI 바이오] 딥마인드 하사비스와 메디케이프의 에릭토폴과의 인터뷰
제목 : It's Not All Fun and Games: How DeepMind Unlocks Medicine's Secrets 하사...
blog.naver.com
제목 : It's Not All Fun and Games: How DeepMind Unlocks Medicine's Secrets
하사비스 소개
Eric J. Topol, MD: Hello. This is Eric Topol for Medicine and the Machine on Medscape. I have been looking forward to having this conversation with Demis Hassabis for many months, if not years. I look upon Demis as the leading force for artificial intelligence (AI) in the world.
토폴 : 안녕하세요. 저는 메디케이프의 편집장 에릭 토폴입니다. (청진기가 사라진다 작가) 몇 년까지는 아니더라도 몇 달 동안 데미스 하사비스와 이런 대화를 나누기를 고대해 왔습니다. 저는 데미스를 세계 인공지능(AI)의 선두주자로 보고 있습니다.
Topol: He was a chess prodigy at age 4 and became a chess master at age 13. He was admitted to Cambridge University at age 15 but took a gap year to develop games. He majored in computer science and then earned a cognitive neuroscience PhD at University College London. He started DeepMind Technologies in 2010, which now has about 1000 research scientists and engineers, as well at least 1000 published papers. Of note, among the AI community, Dr Hassabis is the most prolific author of papers published in Nature and Science.
토폴 : 그는 4살 때 체스 신동이었고, 13살 때 체스 마스터가 되었습니다. 그는 15살에 캠브리지 대학에 입학했지만 게임을 개발하기 위해 *갭이어를 가졌습니다. 그는 컴퓨터 과학을 전공했고 그 후 University College London에서 인지 신경 과학 박사 학위를 받았습니다. 그는 2010년에 딥마인드 테크놀로지를 시작했으며, 현재 딥마인드에는 약 1,000명의 연구 과학자와 엔지니어가 일하고 있으며, 그리고 적어도 1,000개의 논문을 출간했습니다. 특히, 인공지능을 하는 사람들 중에서, 하사비스 박사는 네이쳐와 사이언스지에 무척 많은 논문을 출간했습니다.
* 갭이어 : 학업을 잠시 중단하거나 병행하면서 봉사, 여행, 진로탐색, 교육, 인턴, 창업 등의 활동을 체험하며 흥미와 적성을 찾고 앞으로의 진로를 설정하는 기간
Topol: His mission: "To solve intelligence, shoot for the stars, not be distracted with the practical stuff, [to develop] generalized algorithms relying on reinforcement learning, human-level intelligence across all cognitive tasks, not the narrow stuff." I hope that's a reasonable summary. Welcome.
토폴 : 그의 미션은 "지능을 해결하고, 별을 향해 쏘고(큰 야망을 가지고), 실용적인 것에 집중하지 말고, 강화 학습을 이용한 일반화된 알고리즘을 개발하고, narrow AI가 아닌 모든 인지 작업에 걸쳐 인간 수준의 지능을 개발"하는 것입니다. 제가 잘 소개했길 바랍니다. 데미스 환영합니다.
Demis Hassabis, PhD: Thanks for having me. 불러주셔서 감사합니다.
게임
체스 선수로서의 인생
Topol: I want to get into three areas. Let's start with games, your first big foray, building on your younger-age endeavors. This was an interesting direction — a safe sandbox, as you've called it. Without being told the rules of the games, you would move forward with them. AlphaGo 2016 was a biggie, with 10170 positions in the game Go. Our Medscape audience may not know the game of Go, but it is ancient and popular. Some 200 million people watched AlphaGo take on the world champion, Lee Sedol, and especially move 37. Can you tell us about that?
토폴 : 저는 세 가지 분야에 대해 이야기 나누고 싶습니다. 게임부터 시작하죠. 여러분의 첫 번째 큰 도전이죠. 젊었을 때의 노력을 바탕으로 말이죠. 이것은 흥미로운 방향이었습니다. 여러분이 말한 것처럼 안전한 *샌드박스였습니다. 여러분은 게임의 규칙을 알려주지 않고 진행했습니다. 알파고 2016은 바둑에서 10의 170개가지 포지션을 가진 친구였습니다. 우리 메드스케이프 관객들이 바둑에 대해 잘 모를 수도 있지만, 바둑은 오래되고 인기가 있는 게임입니다. 약 2억 명의 사람들이 알파고가 세계 챔피언인 이세돌과 맞붙는 것을 보았고, 그 중에서도 특히 37번째 수가 중요했습니다. 그것에 대해 말씀해 주시겠어요?
*샌드박스 : 보호된 범위 내에서 프로그램을 작동시키는 보안 소프트웨어
Hassabis: Games have been a huge part of my life since I can remember. I grew up playing chess and was captain of various junior teams in England. It was chess that first brought my attention to how we think. I was trying to improve at chess as a promising England chess junior. And of course, you're trying to improve your own decision-making, your own thought processes, your own planning, all these amazing things that chess teaches you. That made me reflect on the nature of thinking itself. What was it? How were we coming up with moves? How do we come up with plans and ideas? What does that?
하사비스 : 게임은 제가 기억하는 한 제 인생의 큰 부분을 차지했습니다. 저는 체스를 두며 자랐고 영국의 여러 주니어 팀의 주장이었습니다. 우리가 어떻게 생각하는지에 대해 처음으로 관심을 갖게 된 것은 체스였습니다. 저는 장래가 촉망되는 영국 체스 주니어로서 체스를 향상시키려고 노력했습니다. 그리고 물론, 여러분도 자신의 의사 결정, 사고 과정, 계획 등을 개선하려고 노력하는데, 체스는 이 모든 놀라운 것들을 향상시켜줍니다. 체스는 생각 그 자체의 본질에 대해 다시 생각하게 했습니다. 어떤 상황이었는데? 우리가 어떻게 움직였는데? 우리는 어떻게 계획과 아이디어를 내지? 그게 뭘까?
프로그래밍과 게임 개발
Games became my introduction to programing. When I discovered computers, I taught myself how to program on a ZX Spectrum computer, which was huge in the United Kingdom when I was about 8 years old. I fell in love with the computer as this incredible machine that, even back then, I could intuitively understand would be a potentially magical extension of your mind if you could program it in the right way. Then, my love of games and computers naturally combined into designing video games, which was my first career. AI was a big part of that.
하사비스 : 게임은 저의 프로그래밍 인생에 대한 도입부가 되었습니다. 제가 컴퓨터를 알게되었을 때, 저는 ZX 스펙트럼 컴퓨터로 프로그래밍하는 법을 독학했습니다. 그것은 제가 8살이었을 때 영국에서 컴퓨터 프로그래밍에 대한 거대한 바람이 불고 있었습니다. 저는 컴퓨터에 푹 빠졌습니다. 그 당시에도 직관적으로 이해할 수 있었던 이 놀라운 기계는 올바른 방식으로 프로그래밍을 한다면, 여러분의 마음의 잠재적인 마법의 연장선이 될 수 있다는 것을요. 그리고 나서, 저의 게임과 컴퓨터에 대한 사랑은 자연스럽게 비디오 게임을 디자인하는 것으로 결합되었고, 이것이 저의 첫 번째 직업이었습니다. AI가 그 중 큰 부분을 차지했습니다.
Probably the most famous game I wrote professionally was Theme Park, when I was around 17 years old. It sold millions of copies. The cool innovation in that game was the AI. In Theme Park, you basically designed your own Disney World, and then thousands of little people came into your theme park and played on the rides. Depending on how happy they were, you could charge them more for their hamburgers, sweets, and drinks. There was a whole economics model underlying it. For its time — this was in the early 1990s — it was a revolutionary game. I realized that it was popular because every player had a different, unique experience. The game's AI adapted to the way the player was playing the game; no person's game would be the same as another person's game. That stuck with me.
하사비스 : 아마 제가 전문적으로 만든 게임 중 가장 유명한 것은 17살 때 만든 테마파크(Theme Park)였을 거예요. 그 게임은 수백만 개가 팔렸습니다. 그 게임의 멋진 혁신은 AI였습니다. 테마파크에서, 여러분은 기본적으로 여러분만의 디즈니 월드를 디자인했고, 그리고 나서 수천 명의 작은 사람들이 여러분의 테마파크에 와서 놀이기구 위에서 놀았습니다. 사람들이 얼마나 행복한지에 따라, 여러분은 햄버거, 사탕, 그리고 음료수에 대해 그들에게 더 많은 돈을 청구할 수 있습니다. 그 밑바탕에는 전체 경제 모델이 있었습니다. 1990년대 초반에는 혁명적인 게임이었습니다. 모든 게임 플레이어들이 다 다른 독특한 경험을 했기 때문에 인기가 있다는 것을 깨달았습니다. 그 게임의 AI는 플레이어가 게임을 하는 방식에 적응했습니다; 어떤 사람의 게임도 다른 사람의 게임과 같지 않을 것입니다. 그게 저를 사로잡았습니다.
Around that age I decided that my whole career was going to be about advancing AI. I believed we would develop a better understanding of our own minds by trying to build artificial general intelligence and then comparing its capabilities to what we know about the human mind. I took that further with my PhD, studying the brain, specifically the hippocampus, memory, and imagination. I was fascinated by how the brain works, but I wanted to get inspiration from the brain about algorithmic and architectural ideas for AI.
하사비스 : 그 나이 즈음에 저는 제 모든 커리어가 인공지능을 발전시키는 것이 될 것이라고 결심했습니다. 저는 우리가 인공지능을 만들고 그 능력을 인간의 정신에 대해 알고 있는 것과 비교함으로써 우리의 마음을 더 잘 이해할 수 있다고 믿었습니다. 저는 제 박사과정으로 더 나아가서 뇌, 특히 해마, 기억, 상상력을 연구했습니다. 저는 뇌가 어떻게 작동하는지에 매료되었지만, 인공지능을 위한 알고리즘과 아키텍처 아이디어에 대한 영감을 뇌로부터 얻고 싶었습니다.
딥마인드와 알파고
All those things came together in 2010 when we decided to start DeepMind. It's hard to remember now because AI is a popular buzzword now, but in 2010, nobody was talking about AI. In the investment world, we could barely scrape two pennies together for it. It's incredible to see what's happened in the past decade. DeepMind provided the third use of games in my life — as a training ground, proving ground — for AI systems, a convenient testbed.
하사비스 : 이 모든 것들이 우리가 2010년에 딥마인드를 시작하기로 결정했을 때 함께 모였습니다. 지금은 AI가 유행이기 때문에 기억하기란 어렵지만, 2010년에는 아무도 AI에 대해 이야기하지 않았습니다. 투자 세계에서 우리는 겨우 2페니를 긁어모을 수 있었습니다. 지난 10년 동안 무슨 일이 있었는지 보는 것은 놀라운 일입니다. 딥마인드는 AI 시스템을 위한 훈련장, 실험장으로서 편리한 테스트 베드인 게임을 제 인생에서 세번째로 사용했습니다.
요약 : 어렸을 때는 체스 선수로 활동, 이후에는 게임을 직접 개발했고, 그리고 지금 인공지능 테스트용으로 게임을 사용
That came to fruition when AlphaGo beat the world champion at Go, which was a longstanding sort of Mt. Everest problem in AI. We did it in a unique way, using a learning system that learned how to play Go from first principles using reinforcement learning, playing against itself millions of times with no human knowledge programed into it. So it was able to come up with its own original ideas, including this move 37 that you mentioned, which was a revolutionary idea in Go. Even though we had played as a species — the game was invented 3000 years ago, so it had 3000 years of history — no one had thought to play that type of move before in the history of Go.
하사비스 : 그것은 알파고가 바둑에서 세계 챔피언을 이겼을 때 결실을 맺게 되었습니다. 바둑은 인공지능에서 오랫동안 문제가 되어온 에베레스트 산 문제(큰 문제)였습니다. 우리는 독특한 방법으로 그것을 해결했습니다. 강화 학습을 사용하여 바둑을 두는 법을 처음 원리로부터 배운 학습 시스템을 사용하여, 인간 지식 없이 수백만 번 자신과 겨루었습니다. 그래서 독자적인 독창적인 아이디어를 생각해 낼 수 있었습니다. 여러분이 말한 바둑의 혁명적인 아이디어였던 37번 수를 포함해서요. 바둑은 3000년 전에 발명되었고, 3000년의 역사를 가지고 있었습니다. 바둑의 3000년이라는 역사 속에서 이전에는 아무도 그런 종류의 수를 할 것이라고 생각하지 않았습니다.
MuZero
Topol: It's amazing. Then you moved through AlphaGo Zero to the most recent MuZero, where you basically can cut across Go, chess, Atari, and Shogi. Tell us about MuZero.
토폴 : 놀라운 일이죠. 그리고 알파고 제로를 통해 가장 최근의 MuZero(뮤 제로)로 이동했습니다. 여기서 바둑, 체스, 아타리, 그리고 장기를 넘나들 수 있습니다. MuZero에 대해 말씀해 주세요.
Hassabis: MuZero is the latest version of our AlphaZero AlphaGo series. What's unique is that AlphaGo and AlphaZero play chess and Go at higher than world champion level. They learned these games from first principles — that is, with no knowledge about them, just playing against themselves and effectively forming their own idea about the motifs of the game.
하사비스 : MuZero는 알파 제로 알파고 시리즈의 최신 버전입니다. 특이한 점은 알파고와 알파제로가 세계 챔피언 수준보다 높은 실력으로 체스와 바둑을 두고 있다는 것입니다. 그들은 이 게임들을 첫 번째 원칙으로부터 배웠습니다 —그 게임들에 대해 아는 것이 없이, 인공지능들은 자신들과 경쟁하고 게임의 모티브에 대한 자신의 생각을 효과적으로 형성합니다.
But the thing about board games, even complicated ones like chess and Go, is that the rules are relatively simple and they're specified. They're given to the program. In a computer game, the transition matrix between different states — if I make an action, what's the next state of the world going to look like? — is much more unpredictable. You have to model the pixels on the screen. There isn't a simple, rules-based transition matrix. The big advance of MuZero over the other programs is that it can learn the dynamics, let's call it, of the world it finds itself in and then use that model to improve itself through playing and experiencing that world.
하사비스 : 하지만 체스나 바둑과 같은 복잡한 보드게임도 규칙이 비교적 단순하고 규정되어 있습니다. 그 규칙들은 프로그램에 주어집니다. 컴퓨터 게임에서는, 다른 상태들 사이의 *전이행렬(transition matrix)이 존재합니다. 만약 제가 행동을 한다면, 세계의 다음 상태는 어떻게 될까요? — 훨씬 더 예측하기 어렵습니다. 화면의 픽셀을 모델링해야 합니다. 규칙 기반의 전이행렬(rules-based transition matrix)은 단순하지 않습니다. MuZero의 큰 발전은 다른 프로그램들에 비해 자신이 처한 세계의 역학을 배울 수 있다는 것입니다. 그리고 그 모델을 사용하여 그 세계를 즐기고 경험함으로써 스스로를 향상시킬 수 있습니다.
*전이 행렬 : 한 상태에서 다른 상태로 바뀔 확률나타내는 행렬
요약 : 체스 바둑보다 더 어려운 컴퓨터 게임으로 넘어감. 뮤 제로에서는 아예 규칙을 안알려주고, 인공지능이 스스로 학습하게 함
In theory, the big breakthrough was that we could then combine our work on board games with our work on computer games. Playing classic Atari games — Space Invaders, Pong — was our first big breakthrough in 2013-2014. Our deep reinforcement learning system could master those games just from the pixels on the screen and being told to maximize the scores, and not being told anything about the controls or the rules or how to get points; it would have to discover that for itself from first principles. That was the first big proof point in the whole AI industry of a learning system that could scale to something impressive and challenging for humans.
하사비스 : 이론적으로, 큰 돌파구는 보드 게임에 대한 우리의 작업과 컴퓨터 게임에 대한 우리의 작업을 결합할 수 있다는 것이었습니다. 고전적인 아타리 게임인 Space Invaders, Pong은 2013-2014년에 처음으로 큰 성공을 거두었습니다. 우리의 심층 강화 학습 시스템은 화면상의 픽셀을 이용하는 것만으로도 그 게임들을 마스터할 수 있고, 점수를 최대화하라는 지시를 받을 수 있습니다. 그리고 제어장치나 규칙이나 점수를 얻는 방법에 대해 아무것도 가르쳐주지 않았습니다. 그것은 그것을 첫 번째 원칙에서 스스로 발견해야 합니다. 그것은 인간을 위해 인상적이고 도전적인 무언가로 확장할 수 있는 학습 시스템의 전체 AI 산업의 첫 번째 큰 증명 포인트였습니다.
요약 : 컴퓨터 게임에서도 적용했는데, 점수 최대화하라고만 하고, 규칙이나 점수 얻는 방법 등은 훈련 안시킴. 인공지능이 알아서 스스로 학습하게 함. 그리고 아타리 게임에서 큰 성공을 거둠. 보드게임에서 컴퓨터게임으로 확장해나간 것처럼 사람들을 위해 쓸 수 있는 더 도전적인 무언가로 확장해나갈 수 있다는 것을 처음으로 증명해낸 것.
Generality
With MuZero, we've almost come full circle and built a system that can now play every game, pretty much, that we have ever tried and individually cracked. Of course, we are after generality. You can see that with the evolution of our programs. AlphaGo, for example, only played Go and it needed some human games to learn from to begin with, to bootstrap itself. Then AlphaGo Zero removed the need for human games, so it just played against itself starting from random. AlphaZero, the next version of that, that could play any board game — chess, Go, Shogi, anything you give it — and now MuZero includes computer games. You can see that we try to get to world champion–level performance with a system, and then we try to remove from that system anything that might be specialized to that particular domain so that it becomes more and more general.
하사비스 : MuZero와 함께, 우리는 거의 모든 시스템을 구축했습니다. 우리가 시도했던 모든 게임과 개별적으로 크랙을 만들 수 있는 시스템이죠. 물론, 우리는 일반화를 추구합니다. 우리 프로그램의 진화를 통해 알 수 있습니다. 예를 들어, 알파고는 바둑을 둘 뿐이었고, 처음부터 배우고 부트스트랩을 하기 위해 인간 게임이 필요했습니다. 알파고 제로는 인간 게임의 필요성을 없앴습니다. 그래서 무작위로 시작해서 자기 자신과 대결을 펼쳤습니다. 알파제로(AlphaZero)의 다음 버전인 뮤 제로는 체스, 바둑, 장기 등 어떤 보드게임이든 할 수 있습니다. 그리고 이제 뮤제로(MuZero)는 컴퓨터 게임을 포함합니다. 보시다시피, 시스템을 통해 세계 챔피언 수준의 성능을 달성하려고 합니다. 그리고 그 시스템에서 특정 도메인에 특화된 모든 것을 제거하여 점점 더 일반적이 되고 있습니다.
요약 : 일반화를 추구 (generality)
바둑을 배우기 위해 처음에는 사람과의 게임이 필요했음. -> 사람과의 게임 필요성을 없앰. 자기자신과 바둑 대결을 펼치도록 함. -> 바둑 뿐 아니라 체스, 장기 등 어떤 보드게임이든 할 수 있음. -> 보드게임 뿐 아니라 컴퓨터 게임도 할 수 있게 됨.
전부 세계 챔피언 수준의 성능 달성. 특정 도메인에 특화된 것들을 제거하고 점점 더 일반화된 시스템으로 변화 중
초거대 모델 / 언어 비전 / 멀티모달
Topol: When you started DeepMind in 2010, nobody talked about deep learning. That didn't come about until maybe 2015 or so. You were prescient. Games were a warmup for the big stuff Before I get into the protein structure story, I want to get a bit of perspective from you on this category. I'll call it language images, the tasks. You have worked on AlphaCode Ithaca, Gopher, and Gato. These are big and in parallel to your game and life-science work, as well as the other entities out there trying to work in this space, such as Open AI with GPT-3 and -4. You also have Flamingo AI. What's your sense about this area?
토폴 : 2010년에 딥마인드를 시작했을 때, 아무도 딥러닝에 대해 이야기하지 않았습니다. 그것은 아마도 2015년쯤 되어서야 일어났습니다. 하사비스 당신은 선견지명이 있었어요. 게임은 중요한 것들에 대한 준비운동이었습니다. 단백질 구조에 대한 이야기를 시작하기 전에, 저는 여러분으로부터 이 범주에 대한 관점을 좀 얻고자 합니다. 저는 이것을 언어, 이미지 task라고 부를 것입니다. 하사비스는 알파코드(AlphaCode), 이타카(Ithaca), 고퍼(Gopher), 가토(Gato)라는 성과를 냈습니다. 이는 게임 및 생명과학 연구와 유사하게 매우 큽니다. 다른 독립체들도 이 분야를 위해 열심히 일하고 있습니다. 오픈AI의 GPT-3 및 -4 처럼요. 플라밍고 AI도 있습니다. 이 분야에 대한 당신의 생각은 어떻습니까?
요약 : 언어, 이미지 관련해서 딥러닝 모델의 여러 발전들을 보고 있음. OpenAI의 알파코드, 이타카, 고퍼, 가토, GPT3, 플라밍고 AI 등. 이 분야에 대한 하사비스의 생각은?
* 알파코드(AlphaCode) : 2022년 프로그래머 실력 겨루는 코드포스 대회에서 상위 54.3%로 평균적인 참가자 수준의 결과, 인간 개발자의 평균 수준에 도달
* 이타카(Ithaca) : 고대 비문 분석하는 인공지능. 고대 그리스 비문 63,000개를 주고 단어와 문장 순서, 단어 패턴들을 학습하게 하고, 학습하지 않은 새로운 고대 비문 7,811개를 보여준 다음 공백에 들어갈 문자/단어를 결정하고 이 비문이 언제 만들어졌는지 기원을 맞히도록 한 테스트에서 일반인은 62%의 정확도를 보였으나 이타카는 72%의 정확도를 보임.
* 고퍼(Gopher) : 언어 인공지능. 2021년 고난이도 문장을 독해하는 것에서부터 특정 주제에 대한 질문에 답을 함. 인간수준의 독해력에 근접
* 가토(Gato) : 단일 트랜스포머를 사용하여 동일한 가중치로 Atari를 플레이하고, 텍스트 지시를 따르고, 이미지 캡션을 하고(이미지를 문장으로 나타내고), 사람들과 채팅하고, 실제 로봇 팔을 제어하는 확장 가능한 범용 에이전트
* 플라밍고(Flamingo) : 주어진 몇 장의 사진과 텍스트로 학습하고 사진을 설명하거나 질문에 응답할 수 있는 시각 언어 모델. 멀티 모달 작업을 위해 소량의 데이터로 학습하는 퓨샷 러닝을 기반으로 이미지나 비디오 및 텍스트로 구성된 입력을 받아 주어진 입력과 관련된 텍스트 출력 가능. 몇 가지 구체적인 예제만 가지고 추가적인 미세조정(fine-tuning) 학습 없이도 다양한 문제들을 해결 가능.
*엔티티(Entity) : 의미있는 정보 단위, 독립체
Hassabis: It's obviously one of the most exciting growth areas right now, these large "models." Sometimes they're called foundational models. One of my investors, many years afterwards, asked, "Did you name it DeepMind after deep learning?" And I said, "Yes. You really only realized that now?" But in 2010, of course, nobody knew what deep learning was. It had been invented in academia by Jeff Hinson and colleagues — a few of them are now at DeepMind — but no one had heard of it in industry at that point.
하사비스 : 현재 가장 흥미로운 성장 분야 중 하나인 거대 "모델"입니다. 때때로 그것들은 기초 모델(foundational models)이라고 불립니다. 몇 년 후, 제 투자자들 중 한 명이 "딥러닝 때문에 딥마인드라고 이름 지으셨나요?"라고 물었습니다. 저는 "네. 정말 이제야 깨달은 거예요?"라고 말했습니다. 하지만 2010년에는 아무도 딥러닝이 무엇인지 몰랐습니다. 제프 힌슨과 동료들에 의해 학계에서 발명되었습니다. 그들 중 몇몇은 현재 딥마인드에 있습니다. 하지만 그 당시 산업계에서는 아무도 그것에 대해 들어본 적이 없었습니다.
Now people have figured out how to scale these models to massive size with transformers, a new version of deep learning. They can be built with up to a trillion parameters, and we're going to see even bigger models than that. With models of that size, one can actually almost read the entire internet.
하사비스 : 이제 사람들은 딥러닝의 새로운 버전인 트랜스포머를 사용하여 이 모델들을 거대한 크기로 확장하는 방법을 알아냈습니다. 그것들은 최대 1조개의 매개 변수로 만들어질 수 있습니다. 그리고 우리는 그것보다 더 큰 모델을 보게 될 것입니다. 이 정도 크기의 모델을 사용하면 실제로 거의 전체 인터넷을 읽을 수 있습니다.
For 30 years now, billions of users have been putting unbelievable amounts of information on the internet. Most of it is probably nonsense, but there are a lot of facts there, if you can ingest them all. These systems are relatively inefficient. Certainly, the human brain is many, many orders of magnitude more data efficient. That remains a challenge, but even still, these brute-force methods and large models are making huge progress, initially on language understanding and language production (text). But very rapidly it's going to become multimodal. We're seeing the beginnings of that with image and text.
하사비스 : 지금까지 30년 동안, 수십억 명의 사용자들이 믿을 수 없는 양의 정보를 인터넷에 올려왔습니다. 대부분은 아마 말도 안 되는 소리일 것입니다. 하지만 많은 사실들이 그곳에 존재합니다. 만약 여러분이 그것들을 모두 받아들을 수 있다면 말이죠. 이러한 시스템은 상대적으로 비효율적입니다. 확실히, 인간의 뇌는 훨씬 더 데이터 효율적입니다. 이는 여전히 도전 과제이지만, 여전히 이러한 무차별적인 방법(브루트 포스방식)과 거대 모델은 초기에는 언어 이해와 언어 생산(텍스트)에서 큰 발전을 이루고 있습니다. 하지만 매우 빠르게 멀티모달이 될 것입니다. 우리는 이미지와 텍스트로 그것의 시작을 보고 있습니다.
Of course, we have our own versions of this, Stateoftheart AI and other companies, including Google. Most of the big research companies and organizations now have their own state-of-the-art versions of these models. Where do they go next? In my opinion, they still don't really understand what they're saying. They're quite clever at regurgitating and averaging things, and they can sound sensible for a reasonably long conversation. But they still don't really understand the nature of the world. They don't have models of the physics of the world or a theory of mind other than self and other. They are slightly strange systems. The question is whether continued scaling will be enough on its own, or will we need more big breakthroughs like AlphaGo or transformers? This is a hotly debated topic. There are probably not many more, but I believe we still need some big innovations to get us to human level.
하사비스 : 물론, 우리는 이것의 우리만의 버전을 가지고 있습니다, State of the art AI와 구글을 포함한 다른 회사들. 대부분의 거대 연구 회사 및 조직은 현재 이러한 모델의 최신 버전을 보유하고 있습니다. 다음엔 어디로 갈까요? 제 생각에는, 그들은 아직도 자신들이 말하는 것을 제대로 이해하지 못하는 것 같아요. 그들은 무언가를 뒤집고(regurgitating) 평균화하는 데 꽤 영리합니다. 그리고 그들은 꽤 긴 대화를 할 때 현명하게 들릴 수 있습니다. 하지만 다른 회사들은 여전히 세계의 본질을 제대로 이해하지 못합니다. 그들은 세계의 물리학의 모델이나 자아와 타인 이외의 마음의 이론을 가지고 있지 않습니다. 그것들은 약간 이상한 시스템입니다. 문제는 지속적인 확장만으로도 충분한지, 아니면 알파고나 트랜스포머와 같은 더 큰 돌파구가 필요할지 여부입니다. 이것은 뜨거운 논쟁 주제입니다. 아마 더 이상 많지는 않을 것입니다. 하지만 저는 우리가 인간의 수준에 도달하기 위해서는 여전히 큰 혁신이 필요하다고 생각합니다.
* State of the art AI : AI의 협업 개발을 촉진하기 위해 연구 커뮤니티가 구축한 오픈 데이터 및 무료 플랫폼
요약 : 현재 있는 모델의 확장으로만은 불충분. 앞으로 큰 돌파구 같은 모델들이 없청 많이는 아니겠지만 생길 것이고, 인간 수준에 도달하기 위해서는 다른 새로운 획기적인 모델이 필요
Topol: You believe that will happen? 그런 일이 일어날거라고 믿으시나요?
Hassabis: I believe eventually that will happen. If you study neuroscience, there's nothing seemingly noncomputable in the brain. I've talked to people like Roger Penrose many times about this. He believes that there's some quantum effect, but as far as neuroscientists go, nothing quantum or nonclassical has been proven to be going on in the brain. If that's the case, then we are very sophisticated Turing machines. So are computers. So, there must be some way to potentially mimic a lot of those capabilities.
하사비스 : 저는 결국 그렇게 될 것이라고 믿습니다. 신경과학을 공부한다면, 뇌에는 계산 불가능해 보이는 것이 없습니다. 저는 로저 펜로즈(2020 노벨 물리학상 수상자) 같은 사람들과 이것에 대해 여러 번 얘기했습니다. 그는 양자적 효과가 있다고 믿지만, 신경과학자들에 따르면, 뇌에서 양자적 혹은 비고전적 현상이 일어나고 있다는 것은 아무것도 증명되지 않았습니다. 만약 그렇다면, 우리는 매우 정교한 튜링머신입니다. 컴퓨터도 그렇습니다. 따라서 이러한 많은 기능을 잠재적으로 모방할 수 있는 방법이 있어야 합니다.
요약 : 뇌는 계산이 불가능한 게 거의 없고, 뇌에서 양자적 현상이 일어나고 있는게 맞다면, 뇌도 거의 튜링머신이랑 비슷. 결국에는 뇌의 많은 기능들을 모방하는 새로운 인공지능 모델(큰 혁신)이 결국 나올 것
단백질 & 알파폴드
Topol: I want to zoom in on digitizing biology and protein structure, going back 50 years to when Christian Anfinsen won the Nobel Prize in Chemistry. He said that someday we would be able to predict the 3D structure of proteins from the amino acid sequence. And now you've done it. It may be the most important life-science breakthrough in decades. This started with AlphaFold back in 2016. Tell us the story because I'm blown away by it.
토폴 : 저는 생물학과 단백질 구조를 디지털화하는 것에 대해 상세히 이야기하고자 합니다. 50년 전으로 거슬러 올라가면 크리스티안 안핀센이 노벨 화학상을 받았을 때입니다. 그는 언젠가 우리가 아미노산 서열로부터 단백질의 3D 구조를 예측할 수 있을 것이라고 말했습니다. 그리고 이제 당신이 해냈군요. 이것은 수십 년 간에 일어난 가장 중요한 생명과학의 돌파구가 될 수 있습니다. 이는 2016년 알파폴드에서 시작되었습니다. 그 이야기에 감동받았으니 우리에게 이야기를 들려주세요.
Hassabis: It's definitely the most important, impactful thing we've done to date. It's probably also been the most difficult project we've done so far and the most complex system we've produced.
하사비스 : 지금까지 우리가 한 일 중 가장 중요하고 영향력 있는 일입니다. 그것은 아마도 지금까지 우리가 했던 가장 어려운 프로젝트이자 우리가 만든 가장 복잡한 시스템일 것입니다.
Protein folding is about understanding the 3D structure of proteins, which underpin all of life. Every function in your body is supported by proteins, and their 3D structure governs their function in large part. You start with the amino acid sequence string, the genetic sequence of the protein. It's almost like a puzzle — what's the 3D output going to look like? I've had my eye on this problem for a long time.
하사비스 : 단백질 접힘은 모든 생명을 지탱하는 단백질의 3D 구조를 이해하는 것입니다. 여러분의 몸의 모든 기능은 단백질에 의해 지지되고, 그들의 3D 구조는 대부분 그들의 기능을 지배합니다. 먼저 아미노산 서열부터 시작합니다. 단백질의 유전적 서열이죠. 3D 구조는 어떤 모양일까? 저는 오랫동안 이 문제를 주시해 왔습니다.
I think of it as the biology equivalent of Fermat's Last Theorem. It's that exciting. Christian Anfinsen sounds a bit like Fermat, with a throwaway comment in his Nobel lecture. I thought, Oh, this should be possible. But he starts off a whole field on it. He doesn't say how it should be done. He just says, "In theory, it's possible."
하사비스 : 저는 이것을 페르마의 마지막 정리와 같은 생물학이라고 생각합니다. 그만큼 신나요. 크리스티안 안핀센이 그의 노벨상 강연에서 얼버무리는 코멘트가 약간 페르마처럼 들립니다. 저는 이게 가능해야 한다고 생각했어요. 그는 그것에 대한 모든 분야를 시작했습니다. 하지만 그는 어떻게 해야 하는지 말하지 않았어요. 그는 단지 "이론적으로는, 가능합니다."라고 말했습니다.
I'm intrigued by those kinds of problems. The other reason we put so much effort into it and picked that problem first is that if it could be cracked, it should unlock whole new branches of life-science research. And I believe it's done that already within less than a year. I first came across it at college at Cambridge, because one of my acquaintances in my close friendship group was obsessed with this problem. He still works as a structural biologist at the Laboratory of Molecular Biology (LMB) in Cambridge. He continues to work on this. He used to talk about it at every opportunity. We could solve protein folding. We'd better do X, Y, and Z, unlocking everything, drug discovery, and so on. That stuck in my mind. It's an intriguing problem. I thought it would be well suited to AI one day. I've had this in the back of my mind. I keep a list of interesting problems that I want to tackle one day.
하사비스 : 저는 그런 문제들에 흥미를 느낍니다. 우리가 이 문제에 그렇게 많은 노력을 기울인 또 다른 이유는 만약 이 문제가 깨질 수 있다면 생명과학 연구의 완전히 새로운 영역을 개척하기 때문입니다. 그리고 저는 그것이 이미 1년도 안 되어 이루어졌다고 믿습니다. 저는 케임브리지 대학 때 처음 접했습니다. 제 친한 친구 모임의 지인 중 한 명이 이 문제에 집착했기 때문입니다. 그는 여전히 케임브리지의 분자 생물학 연구소에서 구조 생물학자로 일하고 있습니다. 그는 이 일을 계속하고 있습니다. 그는 기회 있을 때마다 그것에 대해 이야기하곤 했습니다. 단백질 접힘을 해결할 수 있고, 우리가 X, Y, Z를 하고 모든 것을 풀고 신약 발견과 그 외 것들을 하는 것이 좋다고 말했습니다. 그게 제 머릿속에 맴돌았어요. 그것은 흥미로운 문제였습니다. 언젠가 AI에 잘 맞을 거라고 생각했어요. 제 마음 한구석에 이런 생각이 있어요. 저는 언젠가 해보고 싶은 흥미로운 문제들의 목록을 가지고 있습니다.
요약 : 케임브리지 분자생물학 연구소에서 일하던 친구가 하사비스에게 이 문제에 대해 계속 해서 말해주었고, 할 수 있고 이를 해결하고 신약 개발을 하는 게 좋다고 지속적으로 말해서 마음속에 남아있었음. 그리고 하사비스는 이 문제가 이후 AI에 잘 맞을 것 같았고, 언젠간 해야지라고 생각하면서 마음속 리스트에 남겨두었었음.
It's been fun in the past couple of years. We've had an amazing time in science, not just with AlphaFold but applying AI to all sorts of interesting scientific problems and ticking them off one by one. But this was top of my list. It has been the purpose of DeepMind all along. Of course, we proved ourselves on games — that was the most efficient way to develop our algorithms. But it was always a means to an end. We were not interested in winning the games in and of themselves, although that was a great achievement in AI. In the end, we were trying to use games to develop general algorithms that could then be translated to real-world problems for huge impact. That could include industrial problems or commercial problems.
하사비스 : 지난 몇 년 동안 즐거웠습니다. 우리는 과학에서 놀라운 시간을 보냈습니다. 알파폴드뿐만 아니라 인공지능을 모든 종류의 흥미로운 과학적 문제에 적용하고 하나씩 하나씩 해결해 나가죠. 하지만 이건 제 목록 중 최고였어요. 그것은 줄곧 딥마인드의 목적이었습니다. 물론, 우리는 게임에서 우리 자신을 증명했습니다. 그것이 우리의 알고리즘을 개발하는 가장 효율적인 방법이었죠. 하지만 그것은 항상 목적을 위한 수단이었습니다. 비록 그것이 AI에서 훌륭한 성과이긴 했지만, 우리는 그 자체로 게임을 이기는 것에 관심이 없었습니다. 결국, 우리는 게임을 사용하여 일반적인 알고리즘을 개발하려고 했습니다. 그런 알고리즘은 실제 문제로 변환되어 큰 영향을 미칠 수 있습니다. 여기에는 산업 문제나 상업적 문제가 포함될 수 있습니다.
We do a ton of work with Google. Almost every Google product you use now has some DeepMind technology in it. But the real passion for me was applying it to massive scientific challenges, to use AI to accelerate scientific discovery itself. What's been fun and gratifying in the past year or two is that we finally got to the point where our systems are powerful and sophisticated enough for that to happen. AlphaFold is our first example. We started the project in 2016, almost the day after we got back from the match against Lee Sedol in Seoul.
하사비스 : 우리는 구글과 많은 일을 합니다. 여러분이 사용하는 거의 모든 구글 제품에는 현재 DeepMind 기술이 있습니다. 하지만 제게 있어 진정한 열정은 그것을 거대한 과학적 도전에 적용하는 것이었습니다. AI를 사용하여 과학적 발견을 가속화하는 것이었죠. 지난 1~2년 동안 즐겁고 만족스러웠던 것은 마침내 시스템이 충분히 강력하고 정교해졌다는 것입니다. 알파폴드가 첫 번째 예입니다. 우리는 서울에서 열린 이세돌과의 경기에서 돌아온 거의 다음날인 2016년에 프로젝트를 시작했습니다.
We won that match 4-1. We didn't lose 37. It was mind-blowing. For people who are interested in that event, there's an award-winning documentary about it. Take a look if you want to understand the human story behind that process, which is also quite interesting.
하사비스 : 우리는 이세돌과의 경기에서 4대 1로 이겼어요. 알파고의 37번째 수는 지지 않았습니다. 정말 깜짝 놀랐어요. 그 행사에 관심이 있는 사람들을 위해, 그것에 대한 수상 경력이 있는 다큐멘터리가 있습니다. 만약 여러분이 그 과정 뒤에 숨겨진 인간의 이야기를 이해하고 싶다면 보세요. 이 과정 또한 꽤 흥미롭죠.
We won, and I was thinking, What's next? We had the ingredients ready to tackle a problem such as protein folding. The final piece was games. I first came across the problem in the mid-1990s; the second time I came across the problem was during my post-doc at MIT in 2009, just before I started DeepMind, when a Citizen Science game called Foldit came out.
하사비스 : 우리가 이겼고, 저는 생각했습니다. 다음은 뭘까? 우리는 단백질 접힘과 같은 문제를 해결하기 위해 재료를 준비했습니다. 마지막 조각은 게임이었습니다. 저는 1990년대 중반에 이 문제를 처음 접했습니다. 제가 이 문제를 두 번째로 접하게 된 것은 2009년 MIT에서 박사과정을 마치고 있을 때였습니다. 딥마인드를 시작하기 바로 직전이었죠. 폴딧(Foldit)라는 시민과학 게임이 나왔죠.
When I was doing my PhDs and academic stuff, I was still intrigued by the idea of creating a game where gamers have fun playing but are actually doing useful science, sort of accidentally, collaterally in the background. That would be amazing. I still believe that idea has more to run, but I think Foldit is probably the best example of that.
하사비스 : 제가 박사과정과 학문적인 것들을 할 때, 저는 게이머들이 재미있게 게임을 하면서도 실제로 유용한 과학을 하는 게임을 만들자는 아이디어에 여전히 흥미를 느꼈습니다. 우연히도, 뒤에서 부수적으로 말이죠. 정말 멋질 것 같아요. 저는 여전히 그 아이디어가 실행되어야 할 더 많은 것들이 있다고 믿습니다. 하지만 저는 폴딧이 아마도 가장 좋은 예라고 생각합니다.
For those not familiar with Foldit, it was like a puzzle game — almost like turning protein folding into a Tetris game. You would make moves, bend the backbone of the protein, for example, and then it would give you a score, which is the energy function of the protein. A few amazing gamers, although they weren't biologists, solved the structure of a couple of pretty important proteins, and they published it.
하사비스 : Foldit에 익숙하지 않은 사람들에게 설명을 드리자면, 그것은 마치 퍼즐 게임과 같았습니다 - 단백질 접힘을 테트리스 게임으로 바꾸는 것과 거의 같았습니다. 예를 들어, 움직이거나, 단백질의 백본을 구부리면, 단백질의 에너지 기능인 점수를 얻을 수 있습니다. 몇몇 놀라운 게이머들은 비록 생물학자는 아니었지만 꽤 중요한 단백질의 구조를 풀었고, 그들은 그것을 논문으로 출판했습니다.
As I was watching this being played, when I looked back on this in 2016, when we were ready to pass go on this, I was thinking, What have we done with Go? We've mimicked the intuition of the Go masters. The Go masters are incredible. They've played Go since they could walk. It's played obsessively in Asia — Korea, China, and Japan. If you have the talent for it, you go to Go school. We managed to mimic their intuition about the game of Go with AlphaGo.
하사비스 : 이게 나오는 걸 보면서 2016년 당시를 돌이켜보면서 이걸 그냥 넘어갈 준비가 됐을 때 '우리가 바둑을 두고 뭘 했을까'라는 생각이 들었어요. 우리는 바둑 고수들의 직관을 흉내 냈습니다. 바둑 고수들은 정말 대단해요. 그들은 걸을 수 있을 때부터(애기 때부터) 바둑을 두었습니다. 그것은 한국, 중국, 일본 등 아시아 지역에서 강박적으로 진행됩니다. 재능이 있으면 바둑 학원에 갑니다. 우리는 알파고로바둑에 대한 그들의 직관을 흉내내는데 성공했습니다.
I thought that whatever was going on in the gamers' minds with that pattern matching, when they explained what they were doing and somehow were making the right decisions, we should be able to mimic that intuition in an AI system as well. That was the heart of the insight into why I took on that project.
하사비스 : 저는 그 패턴 매칭과 함께 게이머들의 마음속에서 무슨 일이 일어나고 있든지 간에, 그들이 무엇을 하고 있는지 설명하고 어떻게든지 올바른 결정을 내리고 있을 때, 우리는 인공지능 시스템에서도 그 직관을 모방할 수 있어야 한다고 생각했습니다. 그것이 제가 왜 그 프로젝트를 맡았는지에 대한 통찰의 핵심이었습니다.
There were also some cool training data from the Protein Data Bank (PDB). Existing experimental structures from the past 30 or 40 years of experimental biology had produced about 150,000 structures. That's still relatively small for training AI systems, but it's probably enough to get going. In the end, to solve this, we had to get the system to produce its own predictions and then feed those predictions back in as new data, because there wasn't quite enough actual data.
하사비스 : 또한 PDB(Protein Data Bank)의 멋진 훈련 데이터도 있었습니다. 지난 30~40년간의 실험 생물학에서 나온 기존의 실험 구조물은 약 150,000개의 구조물을 만들어냈습니다. 그것은 AI 시스템을 훈련시키기에는 아직 상대적으로 작지만, 아마도 충분히 진행하기에 충분할 것입니다. 결국, 이 문제를 해결하기 위해, 우리는 시스템이 자체적인 예측을 만들어내고, 그 예측을 새로운 데이터로 피드백해야 했습니다. 왜냐하면 실제 데이터가 충분하지 않았기 때문입니다.
The other important thing about the problems we tend to pick is to find a clear metric that you can optimize against. In protein folding, it's the energy of the system and also the error rate of the positions of the molecules, so it's very clear whether you're making progress. We have clear goals for hill climbing and making our system better.
하사비스 : 우리가 선택하는 문제에 대한 또 다른 중요한 점은 최적화할 수 있는 명확한 측정 기준을 찾는 것입니다. 단백질 접힘에서는, 이것은 시스템의 에너지(energy of the system)이고 또한 분자의 위치에 대한 오차율(error rate of the positions of the molecules)입니다. 그래서 여러분이 진보하고 있는지 아닌지는 매우 분명합니다. 우리는 언덕을 오르고 우리의 시스템을 더 좋게 만들기 위한 명확한 목표를 가지고 있습니다.
Finally, I should mention the CASP (Critical Assessment of protein Structure Prediction) competitions, which is like the Olympics of protein folding. This is a well-run competition by John Moult and his colleagues that has been going on for 30 years. It is a great benchmark.
하사비스 : 마지막으로 단백질 접힘의 올림픽과 같은 CASP(단백질 구조 예측의 비판적 평가) 대회에 대해 말씀드리겠 습니다. 이것은 존 몰트와 그의 동료들이 30년 동안 진행해온 잘 운영된 대회입니다. 이것은 훌륭한 벤치마크입니다.
요약 : (1) 인공지능이 모방할 수 있어야 함 (2) 훈련 데이터 존재 (3)최적화할 수 있는 측정 기준 (4)벤치마크의 존재 라는 점에서 이 문제(단백질 접힘과 3차원 구조)를 해결하기로 선택
알파폴드2
Topol: This was AlphaFold 2, which was published in July 2021. It had a level of atomic accuracy of less than one angstrom. I work with a lot of colleagues in structural biology. They've spent years to determine the structure of a protein and many times they never solve it. But not only do you produce confidence measures, you also — anyone — can put in their favorite protein and see how it works in seconds. And you also get feedback from the user. You also linked up with the European Bioinformatics Institute (EMBL-EBI). It's open-source and it's free.
토폴 : 알파폴드 2는 2021년 7월에 나왔습니다. 그것은 원자 정확도가 1 angstrom(옹스트롬)보다 낮았습니다. 저는 구조 생물학에서 많은 동료들과 함께 일합니다. 그들은 단백질의 구조를 결정하기 위해 몇 년을 보냈고, 여러 번 그들은 그것을 결코 해결하지 못했습니다. 하지만 여러분은 신뢰도 측정치를 만들 뿐만 아니라, 여러분이 좋아하는 단백질을 모델에 넣고 몇 초 안에 그것이 어떻게 작동하는지 볼 수 있습니다. 사용자로부터 피드백을 받을 수도 있습니다. 또한 유럽 생물정보학 연구소(EMBL-EBI)와 연결되었습니다. 오픈 소스이고 무료입니다.
There are users from every country in the world now — 500,000, maybe a million. This is like going from 0 to 60 mph in less than 1 nanosecond. You're going from 1 million to 100 million proteins, to every protein, to any organism model. It's mind-blowing. And by the way, in 2021 it was the breakthrough of the year in Science and Nature Methods. Wow. You can also predict RNA structure and gene expression, all of these, with the deep learning tools. It has a lot of relevance in medicine, whether for neglected diseases, SARS-CoV-2 virus biology, or antibiotic resistance. You're shaking up the world of life science and medicine.
토폴 : 현재 전 세계 모든 나라에서 이용하고 있는 사용자들이 있습니다. 50만 명, 어쩌면 백만 명 정도 될 수도 있습니다. 이는 1나노초 미만으로 시속 0에서 60마일로 가는 것과 같습니다. 여러분은 100만에서 1억개의 단백질, 모든 단백질, 어떤 유기체 모델로도 갈 것입니다. 정말 놀라워요. 그나저나, 2021년에는 사이언스지와 네이쳐 메소드에서 올해의 돌파구가 되었습니다. 또한 딥러닝 도구를 사용하여 RNA 구조와 유전자 발현을 예측할 수 있습니다. 그것은 소외된 질병, SARS-CoV-2 바이러스 생물학, 항생제 내성 등 의학에 많은 관련성을 가지고 있습니다. 생명과학과 의학의 세계를 뒤흔들고 있습니다.
Hassabis: We hoped it would have an impact but there's no way we could have predicted that it would be a sea change. And we've only just begun. It's hard sometimes to understand the full ramifications, because obviously we're not exactly in that domain ourselves, although a couple of people on the team are. It's a hugely multidisciplinary team, by the way. It's not just machine learners and engineers; it's also biologists, biophysicists, and chemists. One of the things we specialize in at Deep Mind is bringing together truly multidisciplinary research teams, and that's what was required to create something like AlphaFold.
하사비스 : 우리는 그것이 영향을 미치기를 바랬지만 그것이 *상전벽해(sea change)가 될 것이라고 예측할 수 없었습니다. 이제 막 시작했잖아요. 때때로 완전한 결과를 이해하는 것은 어려운 일입니다. 왜냐하면 분명히 우리는 우리 자신이 그 영역에 정확히 속해 있지 않기 때문입니다. 비록 팀에 있는 몇몇 사람들이 그렇긴 하지만요. 그건 그렇고, 굉장히 다학제적인 팀입니다. 기계 학습자와 엔지니어뿐만 아니라 생물학자와 생물물리학자, 화학자도 마찬가지입니다. 우리가 딥마인드에서 전문적으로 다루는 것 중 하나는 진정한 다학제 연구팀을 모으는 것입니다. 그리고 그것이 알파폴드와 같은 것을 만들기 위해 필요했던 것입니다.
*상전벽해 : 뽕나무밭이 변하여 푸른 바다가 된다. 모든 것이 몰라볼 정도로 바뀐 것.
We've been giving talks at some of the biggest "cathedrals" in molecular biology. For biologists who use the tool, it's as simple as typing in a Google search. It's a Google search for proteins. Of course, we teamed up with the amazing EBI folks in Cambridge; they already host a lot of the biggest databases, such as UniProt. They were the perfect partners to host all of this data and do it super-professionally. We realized that if we did that, rather than building our own tool, it would plug directly into the main vein of biology researchers so they could just use it as another one of the standard tools that they're already familiar with. That all worked out amazingly well and is one of my most fruitful collaborations.
하사비스 : 우리는 분자생물학에 대해 가장 큰 cathedrals(성당들)에서 몇 번의 강연을 해왔습니다. 이 도구를 사용하는 생물학자들은 구글 검색에서 타이핑만 하면 됩니다. 단백질에 대한 구글 검색입니다. 물론, 우리는 캠브리지에 있는 놀라운 EBI 사람들과 협력했습니다. 그들은 이미 UniProt와 같은 가장 큰 데이터베이스를 보유하고 있습니다. 이 모든 데이터를 호스팅하고 전문적으로 수행할 수 있는 완벽한 파트너였습니다. 우리는 만약 우리가 우리만의 도구를 만드는 것이 아니라 생물학 연구자들의 주요맥에 직접 연결될 수 있다는 것을 깨달았습니다. 그래서 그들은 이미 익숙한 또 다른 표준 도구 중 하나로 그것을 사용할 수 있었습니다. 이 모든 것이 놀라울 정도로 잘 해결되었고, 저의 가장 생산적인 협업 중 하나입니다.
But you're right. We effectively solved this problem over the summer of 2020, during the CASP 14. The results were announced at the end of 2020. Then we published the methods, and all the predictions of the human proteome and 20 other model organisms, in the summer of 2021. This is lightning speed for science, as you know. Then the question is, because it's a computational tool, it's amazing to see how fast it's been adopted into biologists' workflow, because if one invents a new, amazing technique like CRISPR, or optogenetics, we've seen in the past that it still takes maybe 4 or 5 years for people to get trained in that new way of doing things and build their labs in the right way and figure out how to use them. But with a computational tool, it's instantaneous.
하사비스 : 하지만 당신이 옳아요. 우리는 CASP 14 기간인 2020년 여름에 이 문제를 효과적으로 해결했습니다. 그 결과는 2020년 말에 발표되었습니다. 그리고 우리는 2021년 여름에 인간 프로테옴과 20개의 다른 모델 유기체에 대한 모든 예측과 방법을 발표했습니다. 아시다시피, 이것은 과학에 있어서 번개같은 속도입니다. 그 다음 질문은, 이것이 계산 도구이기 때문에, 생물학자들의 작업흐름에 얼마나 빨리 채택되었는지를 보는 것은 놀라운 일입니다. 왜냐하면 만약 누군가가 CRISPR이나 광유전학과 같은 새롭고 놀라운 기술을 발명한다면, 우리는 과거에 사람들이 그러한 새로운 방식으로 훈련받고 그들의 연구소를 짓는데 4~5년이 걸린다는 것을 보았기 때문입니다. 어떻게 사용하는지 알아내야 합니다. 하지만 계산 도구를 사용하면, 그것은 순간적입니다.
We made that breakthrough in the summer of 2020, and then in December we folded the whole human proteome. Over the holidays, while we were having a lunch, we were running the computer. That's another thing I love about computers: While you're having lunch, they can be doing useful work for you. You come back and they've solved the problem.
하사비스 : 우리는 2020년 여름에 그 돌파구를 마련했고, 12월에는 인간 프로테옴 전체의 단백질 접힘을 알았습니다. 연휴 동안, 점심을 먹는 동안, 우리는 컴퓨터를 작동시켰습니다. 제가 컴퓨터에 대해 좋아하는 또 다른 점은 다음과 같습니다. 여러분이 점심을 먹는 동안, 그들은 여러분을 위해 유용한 일을 할 수 있습니다. 당신이 돌아왔을 땐 컴퓨터들이 문제를 해결했어요.
Then we thought, why not do another 20 model organisms, those important for research: the zebrafish fruit fly and the mouse, those important for agriculture (such as rice and wheat) and for diseases, especially neglected diseases such as malaria. More recently, we worked with the DNDi(소외질병 치료제 개발기관 Drugs for Neglected Diseases initiative). We are focused on doing things that have maximum benefit for the world — leishmaniasis, Chagas disease, all these neglected diseases in the developing parts of the world that affect millions of people. Unfortunately, pharma doesn't pay much attention to those diseases, so it's mostly nonprofits.
하사비스 : 그리고 나서 우리는 연구용으로 중요한 제브라피쉬(물고기), 초파리와 쥐, 그리고 농업(쌀과 밀과 같은)과 질병, 특히 말라리아와 같은 방치된 질병과 같은 20가지 모형을 만드는 것이 어떨까 생각했습니다. 더 최근에 우리는 소외된 질병을 위한 약물 이니셔티브와 함께 일했습니다. 우리는 세계를 위해 최대한의 이익을 가져다주는 일에 집중하고 있습니다. 리슈마니아증(피부궤양), 샤가스병, 그리고 수백만명의 사람들에게 영향을 미치는 개발 도상국에서 방치된 모든 질병들 말입니다. 불행히도, 파마들은 이러한 질병에 대해 많은 관심을 기울이지 않기 때문에 대부분 비영리 단체입니다.
We thought if we could give them the protein structures, they could start drug development. Having the protein structure really helps because you can see what part of the protein to target. What's incredible is that the rule of thumb for an experimentalist to determine the structure of a protein used to take one PhD student their entire PhD, and sometimes they still couldn't crystallize it. In the entire history of experimental biology, the community solved a total of 150,000 proteins during the first year. We've done a million now, including the 20,000 for the human proteome. It's exponential because it's also software. We're going to try to solve the whole 100 million — all of the proteins known to science — over the next year.
하사비스 : 우리는 그들에게 단백질 구조를 줄 수 있다면, 그들이 약물 개발을 시작할 수 있을 것이라고 생각했습니다. 단백질 구조를 갖는 것은 단백질의 어떤 부분을 목표로 할지 알 수 있기 때문에 정말 도움이 됩니다. 놀라운 것은 실험학자의 경험칙입니다. 한 명의 박사과정 학생이 박사과정 전체 기간동안 하나의 단백질의 구조를 결정합니다. 그리고 때때로 그들은 여전히 결정화하지 못했습니다. 실험 생물학의 전체 역사에서, 그 공동체는 첫 해 동안 총 15만개의 단백질을 해결했습니다. 우리는 인간 프로테옴 2만 가지를 포함해 100만 가지 단백질을 해결했습니다. 이것은 소프트웨어이기 때문에 기하급수적입니다. 우리는 다음 해에 걸쳐 과학에 알려진 모든 단백질인 1억개를 해결하려고 노력할 것입니다.
Topol: If there wasn't something convincing about AI shaking up the world before, the work you're doing is it. And by the way, this week it's on the cover of Science yet again, with the cracking of the nuclear pore complex, thanks to your work and that of your collaborators. It's also relevant to future pandemics, with the cracking of the 20 top pathogens. It is extraordinary how much impact this has.
토폴 : 당신이 하고 있는 일 AI가 세상을 뒤흔들고 있다는 것을 납득하게 만들어줍니다. 그나저나, 이번 주 사이언스지에 다시 실렸습니다. 핵/공 복합체의 해결과 함께 말이죠. 여러분의 연구결과와 협력자들 덕분입니다. 그것은 또한 미래의 전염병과도 관련이 있습니다. 상위 20 가지의 병원균을 해결했기 때문입니다. 이것이 얼마나 많은 영향을 미치는지 놀랍습니다.
요약 : 여러 협력이 진행됨. EMBI에서 알파폴드를 이용해서 핵/공 복합체를 해결하면서 사이언스지에 실림. 또 상위 20개 병원균의 구조들을 알아내기도 함.
앞으로의 파이프라인들 / 아이소모픽 랩스
I know you're interested in protein disorder prediction and the effects of point mutations — the functional aspects, not just the shape and 3D structure. That's in the pipeline for you. Another big outgrowth of AI is drug discovery. You started a company called Isomorphic Labs and you open-sourced everything you did. You enabled all these competitors; there must be about 50 companies now doing AI drug discovery. You also have your own efforts. Help us understand that.
토폴 : 저는 여러분이 단백질 변이(protein disorder) 예측과 점 돌연변이의 영향, 즉 모양과 3D 구조뿐만 아니라 기능적인 측면에 관심이 있다는 것을 알고 있습니다. 이것들은 여러분이 진행할 파이프라인입니다. AI의 또 다른 큰 성장은 신약 발견입니다. 당신은 Isomorphic Labs라는 회사를 설립했고 당신이 하는 모든 것을 오픈소싱했습니다. 당신은 이 모든 경쟁자들을 가능하게 했습니다: 현재 AI로 신약 발견하는 약 50개의 회사가 있을 것입니다. 여러분만의 노력도 있습니다. 우리가 이해할 수 있도록 도와주세요.
요약 : 모든 것을 오픈소싱하면서 다른 경쟁사들도 신약발견을 할 수 있게 함. 현재 신약개발하는 50개의 회사들이 존재. 반면, 오픈소스로 공개하면서도 OpenAI가 설립한 아이소모픽 랩스도 있는데 어떤식으로 다른건지?
Hassabis: With AlphaFold, we decided that the maximum impact we could have that would benefit humanity and the scientific community was to open-source that work and make it freely available for any use, commercial or academic. Many people were surprised about that — that we would allow pharma companies to use it. We just felt that it was the best way to make advances in drug discovery. We've seen the consequences and how much the field has flourished since then. I knew about the nuclear pore complex work but I didn't realize that it had published. That's amazing — the biggest complex in the human body, with AlphaFold helping.
하사비스 : 알파폴드와 함께, 우리는 인류와 과학계에 이익이 될 수 있는 최대의 영향은 그 일을 오픈소스로 만들어 상업적이든 학술적이든 자유롭게 이용할 수 있게 하는 것이라고 결정했습니다. 많은 사람들은 제약회사들이 그것을 사용할 수 있도록 허용한다는 사실에 놀랐습니다. 우리는 단지 그것이 약물 발견을 발전시키는 가장 좋은 방법이라고 느꼈을 뿐입니다. 우리는 그 결과들과 그 이후 그 분야가 얼마나 번창했는지 보았습니다. 저는 핵/공 복합체 연구에 대해 알고 있었지만, 그것이 출간되었다는 것을 깨닫지 못했습니다. 놀랍습니다. 인체에서 가장 큰 복합체입니다. 알파폴드가 도움이 되었구요.
But this is just the beginning. Earlier, you said, I believe, we're entering a new era of digital biology. I think at its heart, biology can be thought of in a fundamental way as an information processing system. On a physics level, that's what biology is. DNA is the most obvious example of that. All of biology can be viewed as informational, and if that's true, then AI could be the perfect description language, if you like, for biology, in the same way that math perfectly describes physics; they are sort of in partnership. Biology is an information system — an unbelievably complicated one and an emergent system. It's too complicated to describe with simple mathematical equations. It's going to be much messier than that. You're not going to have a Newton's laws of motion equivalent for a cell. It's just too messy, too emergent, too dynamic.
하사비스 : 하지만 이것은 시작에 불과합니다. 아까, 당신은 우리는 디지털 생물학의 새로운 시대로 접어들고 있다고 믿는다고 말했습니다. 저는 생물학이 본질적으로 정보처리 시스템이라고 생각할 수 있다고 생각합니다. 물리학적인 측면에서 보면, 생물학이 바로 그것입니다. DNA는 그것의 가장 명백한 예입니다. 모든 생물학은 정보를 제공하는 것으로 볼 수 있습니다. 만약 그것이 사실이라면, AI는 완벽한 기술 언어가 될 수 있습니다. 수학이 물리학을 완벽하게 묘사하는 것과 같은 방식으로 말이죠. 그들은 일종의 협력 관계에 있습니다. 생물학은 믿을 수 없을 정도로 복잡한 정보 시스템이자 새로운 시스템입니다. 간단한 수학 방정식으로 설명하기엔 너무 복잡해요. 그것보다 훨씬 더 지저분할 거예요. 뉴턴의 운동법칙은 세포와 동등하지 않습니다. 너무 지저분하고, 너무 비상하고, 너무 역동적입니다.
But AI can potentially make sense of that soup of signals, patterns, and structure that's far too complicated for the human mind to grasp unaided. I do believe that we're in the perfect regime and AlphaFold is the first huge proof of concept of that, otherwise it would be just conjecture. I do think there are many more things to come from AlphaFold, such as small molecule design, protein-protein interaction, point mutation prediction. Isomorphic Labs is our attempt to push forward on that, especially on the drug discovery angle.
하사비스 : 하지만 인공지능은 잠재적으로 너무 복잡해서 인간의 마음이 도움 없이 파악할 수 없는 신호, 패턴 및 구조의 문제를 이해할 수 있습니다. 저는 우리가 완벽한 체제에 있다고 믿습니다. 그리고 알파폴드는 그것에 대한 최초의 거대한 개념의 증거입니다. 그렇지 않다면 그것은 단지 추측일 것입니다. 알파폴드에 나올 수 있는 작은 분자 설계, 단백질-단백질 상호 작용, 점 돌연변이 예측과 같은 많은 것들이 있다고 생각합니다. 아이소모픽 랩스는 특히 신약 발견의 측면에서 그것을 추진하기 위한 우리의 시도입니다.
AlphaFold was just one piece of the puzzle to help drug discovery. But there are many other pieces of the drug discovery pipeline that I think AI can fundamentally speed up and improve. Maybe it will improve the odds of drug compounds going through clinical trials. So I think there's enormous potential for AI to reimagine or rethink the drug discovery process from first principles, but from an AI computational perspective. Isomorphic Labs is our expression and attempt to do that.
하사비스 : 알파폴드는 신약 발견을 돕기 위한 퍼즐의 한 조각에 불과했습니다. 하지만 AI가 근본적으로 속도를 높이고 개선할 수 있는 약물 발견 파이프라인에는 다른 많은 부분이 있습니다. 아마도 그것은 임상 시험을 거치는 약물 화합물의 가능성을 높여줄 것입니다. 그래서 저는 AI가 약물 발견 과정을 첫 번째 원칙에서 다시 상상하거나 다시 생각할 수 있는 엄청난 잠재력이 있다고 생각합니다. 하지만 AI 계산의 관점에서 말이죠. Isomorphic Labs는 우리의 표현이고 그것을 하기 위한 시도입니다.
의료 데이터 수집과 사용 / 멀티 모달
Topol: It's terrific, and it's now getting to this intersection of life science and medicine. We have big problems in medicine. You would consider them narrow. For example, electronic health records have all this unstructured text that we can't deal with. We also have the problem of multimodal AI, whereby people have sensors with continuous data, and we have the genome and microbiome and their records and environmental sensors and so on. But we don't know how to analyze that data. How are we going to move this field forward to where we can understand the individuality and uniqueness of each person?
토폴 : 정말 대단합니다. 그리고 이제 생명과학과 의학의 교차점에 다다르고 있습니다. 우리는 의학에 큰 문제가 있습니다. 편협하다고 생각하실 겁니다. 예를 들어, 전자 건강 기록에는 우리가 다룰 수 없는 구조화되지 않은 모든 텍스트가 있습니다. 우리는 또한 멀티모달 AI의 문제를 가지고 있습니다. 사람들은 연속적인 데이터를 가진 센서를 가지고 있고, 우리는 게놈과 마이크로바이옴, 그리고 그들의 기록과 환경 센서 등을 가지고 있습니다. 하지만 우리는 그 데이터를 분석하는 방법을 모릅니다. 우리는 어떻게 이 분야를 앞으로 전진시키면서 각 개인의 개성과 독특성을 이해할 수 있을까요?
Hassabis: I agree. We've done our own work in the past on image-scan recognition for mammography and retinal scans. It is almost routine for AI to help process imaging, at least to triage the scans for the doctors and nurses to decide which are the critical or difficult patients. That seems to be a no-brainer to me. As you say, somehow it must be collected multimodally with electronic health records and text and other things. Of course there are questions over respecting privacy, which is vitally important in this area.
하사비스 : 찬성해요. 우리는 과거에 유방조영술과 망막 스캔을 위한 이미지 스캔 인식에 대한 연구를 해왔습니다. 적어도 의사와 간호사가 위독하거나 어려운 환자를 결정하기 위해 스캔을 분류하는 것은 AI가 이미지 처리를 돕는 거의 일상적인 일입니다. 그것은 제게는 전혀 문제될 것이 없는 것처럼 보입니다. 말씀하신 것처럼, 어떻게든 전자 건강 기록과 텍스트, 그리고 다른 것들과 함께 다방면으로 수집해야 합니다. 물론 프라이버시를 존중하는 것에 대한 의문도 있습니다. 이것은 이 분야에서 매우 중요합니다.
The problem in many of the health systems in the world is that the data are in archaic systems and are not well curated, so it's quite difficult for anyone to find or even combine the right sorts of data. How to handle that is a question for politicians and health ministers to figure out. In some countries, such as Singapore, data are more integrated. It may be a bit simpler in smaller countries. Perhaps it will develop in those places first.
하사비스 : 세계의 많은 의료 시스템의 문제는 데이터가 구식 시스템에 있고 잘 관리되지 않는다는 것입니다. 그래서 누구나 적절한 종류의 데이터를 찾거나 결합하는 것은 매우 어렵습니다. 그것을 어떻게 처리할 것인가는 정치인들과 보건부 장관들이 알아내야 할 문제입니다. 싱가포르와 같은 일부 국가에서는 데이터가 더 많이 통합됩니다. 작은 나라들에서는 조금 더 간단할 수도 있습니다. 아마도 그런 곳에서 먼저 발전할 것입니다.
개인화된 의학
Medicine should be personalized in the sense of cancer and other therapies. I believe it's well understood or well appreciated now that cancers are a multitude of diseases. If you sequence the cancer itself in an individual, you see how it interacts with the patient in an individual way. Same with the microbiome, which probably is super-important in many diseases that are poorly understood and unique to each individual.
하사비스 : 의학은 암과 다른 치료법들의 관점에서 개인화되어야 합니다. 저는 암이 많은 질병이라는 것이 잘 알려져 있거나 잘 인식되고 있다고 생각합니다. 암 자체의 염기서열을 한 개체에서 배열하면, 암 자체가 어떻게 환자와 상호작용하는지 알 수 있습니다. 마이크로바이옴도 마찬가지입니다. 마이크로바이옴은 잘 이해되지 않고 각 개인에게 고유한 많은 질병에서 매우 중요할 것입니다.
* 마이크로바이옴 : 인체에 사는 세균, 바이러스 등 각종 미생물을 총칭하여 말하는 것
We are sledgehammering cures — giving people a whole cocktail of drugs because we aren't sure which one is going to work with that patient. It does damage to their systems. Perhaps they are cured, but you do a lot of collateral damage. I believe that can be made much more precise if you understand the individual involved. The problem, then, is that you have to extrapolate from an N of 1, but with current medical techniques, you need N's of hundreds or thousands to be sure.
하사비스 : 우리는 환자에게 정확히 어떤 약이 효과가 있을지 확신할 수 없기 때문에 사람들에게 약 혼합체를 주는 슬레지 해머링(양손으로 쓰는 큰 해머, 강력한) 치료방식입니다. 그것은 그들의 시스템을 손상시킵니다. 아마 치료될지도 모르지만, 당신은 부수적인 피해를 많이 입습니다. 저는 당신이 그 약과 관련된 개인을 이해한다면 그것이 훨씬 더 정확하게 만들어질 수 있다고 믿습니다. 그렇다면 문제는 1의 N을 추정해야 한다는 것입니다. 하지만 현재의 의학 기술로는 수백, 수천의 N이 있어야 확실히 알 수 있습니다.
But let's say we have a generic drug that works in most people. I can imagine a world where, 10 years from now, we have AI systems that go in, find out your genetic details and other things, and you get tested and then the AI tweaks that generic drug slightly for you. Then it can predict the outcome of that treatment, which will have fewer side effects and be more effective. To me that seems like a plausible way that personalized medicine can come to life. That would be amazing for healthcare.
하사비스 : 하지만 우리가 대부분의 사람들에게 효과가 있는 제네릭 약(복제약, 이미 출시된 약을 그대로 만든 의약품)을 가지고 있다고 칩시다. 저는 10년 후, 인공지능 시스템이 도입되어 여러분의 유전적 세부 사항이나 다른 것들을 알아내게 될 것이라고 상상할 수 있습니다. 그리고 나서 AI가 여러분을 위해 그 제네릭 약을 약간 수정하게 될 것입니다. 그러면 그 치료의 결과를 예측할 수 있고, 이것은 부작용이 적고 더 효과적일 것입니다. 저에게 그것은 개인화된 의학이 살아날 수 있는 그럴듯한 방법처럼 보입니다. 그것은 건강관리에 있어서 놀라운 일이 될 것입니다.
디지털 트윈 / 가상 세포
Topol: I'd like to get your perspective on this idea of a digital twin infrastructure. Today, we do these clinical trials and maybe 10 out of 100 patients benefit, yet we treat all the other 90 with the same cockamamie thing. It won't even help. What if you had a planetary digital twin infrastructure whereby you could get nearest neighbors at every level, and you could say precisely "you will respond" and "this is the best treatment and the best outcome or the best prevention." Is that attainable? You're very young. Can we get to that in your lifetime?
토폴 : 저는 디지털 트윈 인프라에 대한 여러분의 견해를 듣고 싶습니다. 오늘날, 우리는 이런 임상 실험을 합니다. 100명의 환자 중 10명이 혜택을 받지만, 나머지 90명은 모두 같은 터무니 없는 약으로 치료합니다. 도움이 되지도 않을 거예요. 만약 여러분이 모든 레벨에서 가장 가까운 이웃을 찾을 수 있는 행성의 디지털 트윈 인프라를 가지고 있다면 어떨까요? 그리고 정확하게 "응할 것입니다" 그리고 "이것은 최고의 치료법이며 최상의 결과 또는 최상의 예방법입니다"라고 말할 수 있습니다. 그게 가능할까요? 아주 젊으시군요. 우리가 당신 생전에 그걸 할 수 있을까요?
요약 : 현재는 100명의 환자를 대상으로 임상 실험을 하면 10명은 실제 약으로 진행하고, 90명은 가짜약을 투약하는 데 이는 그 사람들에게 도움이 안됨. 만약 디지털 트윈 인프라가 있으면 얼마나 좋을까? 이 아이디어가 가능할 것이라고 생각?
Hassabis: I hope so. With our science team and investors at Isomorphic and also at DeepMind, you can think of it as building up the interaction layer, modeling more and more complex parts of biology. You talk about a digital twin. One of my dreams in the next 10 years is to produce a virtual cell. What I mean by virtual cell is you model the whole function of the cell with an AI system. You could do virtual experiments on that cell, and the predictions that come out of that would hold when you check them in the wet lab. Can you imagine, if you had something like that, how much faster and more efficient that would make the whole drug discovery and clinical trials process?
하사비스 : 그렇기를 바래요. 아이소모픽 랩스와 딥마인드의 과학팀과 투자자들과 함께라면, 상호작용 레이어를 구축하고, 생물학에서 점점 더 복잡한 부분들을 모델링한다고 생각할 수 있습니다. 디지털 트윈에 대해 말씀하시는군요. 향후 10년 동안 저의 꿈 중 하나는 가상 세포를 만드는 것입니다. 제가 말하는 가상 셀은 AI 시스템으로 셀의 전체 기능을 모델링하는 것입니다. 그 세포에서 가상 실험을 할 수 있습니다. 그리고 그 예측은 wet lab에서 확인할 때 그대로 유지됩니다. 만약 여러분이 그런 것을 가지고 있다면, 얼마나 더 빠르고 효율적으로 전체 약물 발견과 임상 실험 과정을 만들 수 있을지 상상할 수 있나요?
* wet lab은 직접 실험을 해서 결과를 뽑아내는 연구를 하고, 반대로 dry lab은 사무실에서 컴퓨터만 가지고 빅데이터나 복잡한 생물 데이터를 분석하고 알고리즘과 분석 툴 개발하는 연구를 함.
Only 1 in 10 drug candidates make it through the trials as we do them now. It takes 10 years to even get to that point, so this costs billions of dollars. That's why we don't have more drugs for more diseases, especially in the poorer parts of the world. The investment risk is huge and the process is too slow given the aging population and the things we know we have to do with future pandemics and other things. You can think of what we've done with AlphaFold as the first step of the ladder. Can we determine the structure of proteins statically? But of course, biology is a dynamic system. So the next step is proteins interacting with other proteins and maybe disordered areas achieve order because of proteins interacting with ligands and molecules. Then you build up slowly, maybe to pathways and eventually to cells and then ultimately perhaps the whole organism. That's the dream.
하사비스 : 지금처럼 10명 중 1명만으로 테스트를 하는 문제도 해결이 될 것입니다. 거기까지 가는데 10년이 걸리기 때문에, 수십억 달러가 듭니다. 그것이 현재 우리가 더 많은 질병에 대한 더 많은 약을 가지고 있지 않은 이유입니다. 특히 세계의 더 가난한 지역에서 말이죠. 노령화 인구와 우리가 알고 있는 미래의 유행병이나 다른 것들을 고려하면 투자 위험은 크고 그 과정은 너무 느립니다. 알파폴드를 사다리의 첫 단계라고 생각하시면 됩니다. 단백질의 구조를 정적으로 결정할 수 있을까요? 하지만 물론, 생물학은 역동적인(변화하는) 시스템입니다. 다음 단계는 단백질이 다른 단백질과 상호작용하는 것입니다. 그리고 아마 현재의 무질서한 영역은 리간드와 분자와 상호작용하는 단백질로 인해 질서를 이룰 수 있습니다. 그러면 천천히, 어쩌면 *패스웨이(상호작용 및 역학관계)로, 그리고 결국 세포로, 그리고 궁극적으로는 전체 유기체를 형성하게 됩니다. 그것이 꿈입니다.
* 패스웨이(Pathway) : 단백질, 유전자, 세포 등 생체 요소간의 상호작용과 역학관계를 세밀하게 설명할 수 있는 생물학적 심층지식
요약 : 현재 임상 등이 가지는 문제로 인해 더 적은 질병에 대해 더 적은 약만 개발된 것. 앞으로의 노령화나, 미래 유행병 등을 생각하면 투자 위험이 크고 또 너무 느림. 알파폴드는 이러한 문제들이 해결되는 데 있어서 첫 단추.
생물학은 변화하는 시스템이므로 알파폴드에서 시작해서 -> 단백질과 단백질의 상호작용 -> 단백질과 리간드, 분자의 상호작용으로 가면서 더 정교해질 것 -> 그리고 추후에는 역학관계 -> 세포 - > 전체 유기체로 나아가는 과정을 꿈꿈.
Topol: Well, I hope you add that to your checklist, Demis. I've been enthralled by this discussion. You and your team are an amazing force. I can't thank you enough for taking time with us. And I want to congratulate you because you have shaken up life science like no one else, and you're just getting going. Where you're headed, we will follow. Everyone listening should realize that we're talking to a force. Now the only thing you have to do is convince us that you're actually human and not an AI agent. By that, I mean, wow.
토폴 : 당신의 체크리스트에 추가하길 바래요, 데미스 저는 이 토론에 매료되었습니다. 당신과 당신의 팀은 놀라운 힘입니다. 저희와 함께 시간을 내주셔서 정말 감사합니다. 축하드리고 싶은 것은 여러분이 다른 누구보다도 생명 과학을 뒤흔들어 놓으셨고 이제 막 시작하셨기 때문입니다. 어디로 가실지, 따라갈게요. 듣고 있는 모든 사람들은 우리가 미래의 힘과 대화하고 있다는 것을 깨달아야 합니다. 이제 당신이 해야 할 일은 당신이 AI 에이전트가 아니라 실제로 인간이라는 것을 우리에게 납득시키는 것입니다. 너무 대단하십니다.
Hassabis: Thank you. That is kind of you to say. 감사합니다.
세상의 특별한 변화에 주목하는 블로그 : 네이버 블로그
세상에 대해 공부합니다. 날 것의 자료를 좋아합니다. 뉴스계정은 twitter @뱅갈고무나무
blog.naver.com
How DeepMind Unlocks Medicine's Secrets (medscape.com)
How DeepMind Unlocks Medicine's Secrets
Eric Topol speaks with DeepMind CEO Demis Hassabis about harnessing the potential of AI in health and medicine.
www.medscape.com
