AI-agents moeten wetenschap versnellen waar AlphaFold tekortschiet

In 2024 kregen wetenschappers van Google DeepMind de Nobelprijs voor Scheikunde voor AlphaFold, een neuraal netwerk dat de vorm van eiwitten voorspelt. Die doorbraak bewees dat kunstmatige intelligentie tot baanbrekende wetenschappelijke ontdekkingen in staat is. Maar volgens Eric Schmidt, voormalig topman van Google en medeoprichter van Schmidt Sciences, en Suhas Mahesh, die bij dezelfde organisatie het AI-onderzoeksprogramma leidt, is AlphaFold niet het model om op voort te bouwen. Zij zien meer heil in AI-agents: systemen die zelfstandig taken uitvoeren en beslissingen nemen.

Een dataset van 21 miljard dollar

Het succes van AlphaFold steunt op een unieke schat aan data: ongeveer 170.000 experimenteel geverifieerde eiwitstructuren. Die verzameling kostte 53 jaar laboratoriumwerk en zo'n 21 miljard dollar aan onderzoeksgeld. Voor de meeste wetenschappelijke vakgebieden is een dataset van die omvang en kwaliteit simpelweg niet haalbaar. Daarmee is het model achter AlphaFold, hoe indrukwekkend ook, volgens Schmidt en Mahesh moeilijk te herhalen buiten de eiwitwetenschap.

Generalisten in plaats van specialisten

Waar AlphaFold is gebouwd voor één specifieke, goed afgebakende vraag, zijn AI-agents van nature generalisten. Ze zijn niet afhankelijk van een gigantische vooraf verzamelde dataset, maar bootsen het proces van wetenschappelijk onderzoek zelf na: hypotheses opstellen, experimenten ontwerpen, resultaten interpreteren en op basis daarvan de volgende stap bepalen. Dat is precies hoe menselijke onderzoekers te werk gaan, stellen de auteurs. Een agent hoeft dus niet te wachten tot er een compleet overzicht van bijvoorbeeld alle bekende materialen of ziekteverwekkers beschikbaar is; hij kan werkenderwijs kennis opbouwen, net als een promovendus die stap voor stap dichter bij een antwoord komt.

Geen nieuwe manier van wetenschap bedrijven

Schmidt en Mahesh benadrukken dat AI-agents geen compleet nieuwe onderzoeksmethode introduceren. Ze vervangen het klassieke wetenschappelijke proces niet, maar bootsen het digitaal na en kunnen het daardoor versnellen. Dat onderscheid is volgens hen belangrijk: het gaat niet om een AI die in één klap alle antwoorden geeft, zoals AlphaFold voor eiwitstructuren deed, maar om een digitale onderzoeksassistent die het trial-and-error-proces van echte wetenschap overneemt en versnelt. Voor vakgebieden zonder miljarden aan experimentele data — van materiaalkunde tot geneesmiddelenontwikkeling — zou dat een praktischer route naar doorbraken kunnen zijn dan wachten op een AlphaFold-achtig wondermodel.