NVIDIA Corporation (NASDAQ: NVDA) 43-я ежегодная конференция по здравоохранению Cowen 7 марта 2023 года, 2:10 PM ET
Участники компании Кимберли Пауэлл – Вице-президент по здравоохранению NVDA
Участники конференции Мэтт Рэмси – Cowen
Введение
Мэтт Рэмси. Спасибо за участие и добро пожаловать на действительно интересную встречу. Меня зовут Мэтт Рэмси. Я руковожу исследовательской практикой в области полупроводниковых устройств в компании Cowen. Начнем с того, а почему вы слушаете аналитика полупроводников на конференции по здравоохранению?
Я очень рад обсудить тему ИИ и здравоохранения с ведущей компанией в области искусственного интеллекта NVIDIA. Я начал работать с NVIDIA около 10 лет назад, когда они были игровой компанией с рыночной капитализацией около 15 миллиардов долларов и за последние 10 лет фактически изобрели науку об искусственном интеллекте и ускорении вычислений и теперь являются одной из крупнейших компанией на фондовом рынке. И одна из главных областей фокусировки, помимо Больших данных и автомобильной промышленности, – это здравоохранение. Рад, что Кимберли Пауэлл присоединилась к нам. Она возглавляет бизнес по ИИ в здравоохранении в NVIDIA по всем этим сегментам.
Что делает Нвидиа в области здравоохранения
Сначала я потрачу немного времени на NVIDIA и попрошу Кимберли рассказать о том, что NVIDIA делает в сфере здравоохранения, как выглядит бизнес в разных вертикалях здравоохранения. Как используется ИИ для ускорения инноваций и создания прорывных решений. Затем Дэн и Стив представят других участников панели и мы продолжим.
Если у вас возникнут вопросы о здравоохранении, я не очень то и в теме! Но если речь идет о вычислениях с применением ИИ, это по моей части!. Кимберли, если не возражаете, расскажите вкратце об активности NVIDIA в сфере здравоохранения.
Трансформация Нвидиа
Кимберли Пауэлл Конечно. Я работаю в NVIDIA уже 15 лет. Как уже сказал Мэтт, мы известны как игровая компания. Мы не известны в секторе здравоохранения. Но я начала работать в этой области 15 лет назад, потому что было ясно, что для эффективных вычислений, которые нас ждут в ближайшие 10, 20, 30 лет и далее, закон Мура больше не поможет. И нам нужна идея ускорения вычислений.
Проблемы и вызовы, которые ставит перед нами отрасль, требовали радикального изменения подхода. Поэтому мы взяли игровые и графические технологии и изобрели новый подход, называемый ускоренными вычислениями. С тех пор мы перешли на следующий этап – стать компанией, занимающейся ИИ.
Если подумать о трех самых передовых подходах к вычислениям в мире сегодня, то это: компьютерная графика, ускоренные вычисления и искусственный интеллект. Наша задача в подразделении здравоохранения состоит в том, чтобы сделать все это доступным для здравоохранения в широком смысле.
Сначала мы работали над медицинскими устройствами. Это одна из основ нашего подразделения, нашего бизнеса сегодня. Брэд и его команда изобретают некоторые из самых важных новейших инструментов и платформ, которые помогают нам лучше понять биологию. Весьма увлекательно видеть, как вместе сочетаются образование и геномика, и какие инсайты мы можем извлечь из биологии. Я думаю, что в течение следующих 10 лет технология позволит нам достичь высот, о которых мы раньше и не мечтали.
Нейросети в здравоохранении
В этом пути мы как компания, занимающаяся ускоренными вычислениями, мы были замечены учеными, которые изучают глубокие нейронные сети, которые увидели, что это наша платформа -правильная платформа и архитектура для нового метода, называемого глубоким обучением. Таким образом, в этом взаимодействии, у нас появилась возможность наблюдать, как глубокое обучение нейросетей трансформирует все вокруг и как оно может быть применено в здравоохранении.
На сегодняшний день мы создаем индустриальные стандартные инструменты для разработки ИИ для всех видов изображений, будь то радиология, патология или хирургическое видео. Мы стремимся дать ученым, экспертам по предметной области, врачам возможность разрабатывать приложения на основе ИИ. Мы создаем инструменты программного обеспечения и услуги, чтобы передать это в руки индустрии здравоохранения. А в новой сфере, сфере ChatGPT, она была открыта и активно используется компаниями, которые успешно применяют ее для представления химических веществ и белков в последовательности, которая выглядит как символы, аналогичные тем, которые передаются в модель ChatGPT. Она может рассуждать об этом, генерировать новые идеи и привести нас к следующему сдвигу парадигмы в здравоохранении. Вот некоторые из областей, на которые фокусируется NVIDIA. Так мы пытаемся понять рынок, прислушиваясь к новаторам, академическому сообществу, создавая аппаратное обеспечение, но, что еще важнее, программные платформы и услуги, чтобы предоставить их всем увлеченным и творческим мыслителям отрасли. Таким образом, мы сможем увидеть будущее, которое раньше было недоступно, и начать переводить медицину из науки в инженерную практику.
NanoString
Представитель индустрии. Привет. Я занимаюсь инструментами и диагностикой в области биологических наук вместе с Стивом Махом и еще одним коллегой, и я следую за компанией NanoString, которая здесь, на этой трибуне. Для тех из вас, кто не знаком с областью здравоохранения, NanoString – это одна из немногих компаний, которые изучают новую область биологии одиночных клеток. 10 лет назад анализ последовательности одиночных клеток стал новой технологией. NanoString является одним из лидеров, запустивших свою первую платформу несколько лет назад. И сейчас эта технология считается очень перспективной. Поэтому есть огромный ажиотаж.
Но у инвесторов также есть неопределенность относительно того, куда это все идет, и является ли это интересным инструментом открытия? Действительно ли это приводит к новым открытиям, которые позволяют найти новые сигнатуры лекарств? Было интересно, я только что принимал Брэда на предыдущей панели, и у них есть своя платформа COSMIC, и они сделали большую, большую ставку на свой информационный подход к технологиям одиночных клеток. Это Атомик. И это облачный подход, в то время как другие игроки действительно не пошли этим путем.
Ведущий. Итак, Брэд, может быть, расскажите нам немного о том, как NanoString начал работать с NVIDIA. Когда вы приняли это решение? Как вы решили, что вам нужно использовать их технологию?
Что такое пространственная биология?
Позвольте мне отступить и объяснить немного о том, что такое пространственная биология. Пространственная биология – это сочетание традиционных технологий изображения, которые позволяют смотреть на ткани, как это делает каждый через микроскоп в школе, и геномных технологий, которые позволяют изучать молекулу за молекулой каждую РНК или белок в клетке. Пространственная биология позволяет нам видеть, как клетки общаются друг с другом, все различные уникальные типы клеток, какова физическая архитектура ткани на молекулярном и клеточном уровне.
Так что представьте себе, что ткани почти как будто сделаны из LEGO. И каждая клетка может выглядеть одинаково, но на самом деле это уникальные блоки LEGO, которые выполняют разные функции. Раньше биология заключалась в том, чтобы размалывать ткани и строить и догадываться, что же это получилось.
Затем появилась биология одиночных клеток, которая позволила нам захватывать клетки и капли и смотреть на каждую деталь LEGO отдельно, говоря, что здесь есть кубы, и есть длинные худые элементы, и есть круглые, и они отличаются. Они выполняют разные функции. Теперь пространственная биология позволяет нам смотреть на ткани в целом. Вы видите все эти блоки LEGO, как они взаимодействуют и что они делают.
С пространственной биологией исследователи изучают базовые вопросы о том, как работает ткань. А затем трансляционные исследователи помогут перенести эти знания в новые диагностики и новые лекарства. Но мы только в начале того, что без сомнения будет 10-летней революцией в области биологии.
COSMIC и визуализация миллионов клеток
Наши клиенты сегодня – это академические медицинские центры, такие как Гарбор и Брауард, биотехнологические компании и подобные им. Вот кто наши клиенты. Итак, какие возможности и проблемы, связанные с пространственной биологией, заставили нас заняться вычислительными мощностями? Наша система COSMIC способна визуализировать миллион клеток в ткани и 1000 разных РНК в каждой из этих клеток с их координатами X, Y и Z.
Таким образом, она может генерировать набор данных из одного кусочка ткани размером один на один сантиметр, например, такой, как грибок, который вы могли удалить, или опухоль, которая была прооперирована, это около 0,5 гигабайта исходных данных. И это при 1000 плексах. Мы объявили только в прошлом месяце, что мы будем переходить к 6 000 плексам или 6 000 уникальным молекулам в миллионе клеток, что может быть от 3 до 6 терабайт данных для одного образца.
Это беспрецедентное количество данных, и характер данных таков, что человеческий разум не может действительно понять все различные связи и сигналы, которые происходят. И поэтому несколько лет назад мы начали понимать как компания, что внезапно много инженеров и химиков столкнулись с одной из самых больших информационных проблем в области здравоохранения.
Мы добавили двух потрясающих женщин в наш совет директоров, чтобы помочь нам с этим: главного сотрудника по данным Moffitt Cancer Center, Дану Роллисон, и женщину по имени Джанет Джордж, которая теперь руководит облачным вычислением Intel, которая была в то время лидером AI/ML в статье.
Они помогут нам разобраться, как мы собираемся помочь нашим научным клиентам получить реальные выводы из всех этих данных и как мы будем готовиться к этому.
Развитие пространственной биологии
Одновременно с этим мы начали работать над двумя аспектами пространственной биологии. Во-первых, создание небывалой вычислительной мощности в наших системах для первичного анализа изображений на самой системе, а во-вторых, передача данных в облако для хранения, анализа и совместной работы над наборами данных с использованием эластичной вычислительной мощности и возможностей хранения в облаке.
NVIDIA была той компанией, чьи GPU мы выбрали для внедрения в наш космический молекулярный механизм создания изображений. Архитектура GPU, предлагаемая ими, была в пять раз быстрее при выполнении очень важной функции – определения границ клеток, чтобы каждая молекула РНК могла быть правильно присвоена нужной клетке, так называемой сегментации клеток. Это алгоритм на основе AI/ML, который работает на карте NVIDIA в нашем последнем продукте – космическом молекулярном имиджере. И это фундаментально.
Если мы назначим цифровые оттиски молекул неправильной клетке, мы, безусловно, получим вводящие в заблуждение результаты. Это очень важно. И теперь, когда мы получим терабайты и терабайты данных в облаке, есть еще один набор возможностей для применения информатики и AI/ML для анализа этих наборов данных, изучения их, обнаружения закономерностей, которые было бы трудно увидеть без этих инструментов. И у нас есть возможность работать с NVIDIA над оптимизацией этих алгоритмов для процессоров NVIDIA в облаке, используя все преимущества их дорожной карты постоянно растущей мощности GPU.
Мэтт Рамси: Итак, вы говорите о том, чтобы увеличить количество элементов, на которые вы можете посмотреть, в шесть раз в течение следующего года, и, вероятно, утроите это снова в какой-то момент из-за полного транскриптома до 20 000 генов. Так что вы получите намного больше информации, и, возможно, захотите ускорить процесс, что является одним из факторов, о которых мы много слышим, и это, вероятно, не информатика. Итак, какова дорожная карта между тем, что вы делаете сегодня, и насколько важны дальнейшие успехи с использованием существующих микросхем или будущих микросхем, которые позволят вам масштабировать и делать больше, быстрее, лучше?
Масштабирование
Да, я начну, и Кимберли может добавить, если захочет. Так что для нас главное – предоставить ученым инструменты, которые извлекут максимальное количество информации из их драгоценных образцов ткани. И поэтому увеличение количества плексов от одного маркера, который вы можете рассмотреть на стадии или в микроскопе обычными средствами, до 1000, которые мы предлагаем сегодня, до 6000, которые предлагаем в следующем году, до 20 000, которые покрывают весь человеческий геном. Это наша миссия, и мы собираемся продвигать ее настолько далеко и быстро, насколько это возможно.
Каждый раз, когда мы добиваемся успеха, мы усложняем информационную задачу, усложняем геометрически. Так что мы продвигаем химическую и инженерную способность извлекать данные из ткани, но нам понадобится помощь Кимберли и других, чтобы использовать ресурсы вычислений NVIDIA и других, чтобы сделать все это со временем. Мы являемся экспертами впервой части, но полагаемся на партнерство и внешнюю помощь в информационном аспекте.
Кимберли Пауэлл: Да. Я думаю, что мы рассматриваем проблему в том, что мы называем полным стеком. Вы можете думать о NVIDIA как о слоистом торте. Опять же, многие знают нас благодаря микросхеме и архитектуре микросхемы, и это действительно так. Например, в нашей последней архитектуре у нас есть аппаратный кремний, который называется ядром трансформера, и это жизненно важно для выполнения таких больших языковых моделей, как ChatGPT.
Однако вам нужно иметь возможность открывать эту технологию не только для разработчика приложений, но и на всех графических процессорах в одном узле, на узлах внутри центра обработки данных и делать это в масштабе в 1000 раз больше.Такие модели требуют многих тысяч графических процессоров – от 5 000 до 10 000, работающих вместе.
И чтобы дать возможность исследователям, мы должны рассматривать эти вопросы адаптации приложений на каждом уровне.
На уровне отдельных микросхем, на системном уровне, на уровне центра обработки данных и на возможность тех приложений, которые они пытаются выполнить с помощью облачных центров вычисления данных.
Мы применяем подход полного стека. И это довольно уникальное положение для нашей компании не только проектировать и создавать архитектуру кремния самостоятельно, но и иметь все компоненты для работы в масштабе центра обработки данных. И инвестиции в программное обеспечение NVIDIA, сделанные за последние два десятилетия, позволяют разработке приложений происходить очень быстрым темпом.
Завершение закона Мура
Например, я думаю, что все слышали о законе Мура и его завершении. С оптимизацией полного стека мы можем видеть ускорение в миллион раз за 10-летний период, в то время как закон Мура будет на много порядков меньше.
И вы не можете сделать это только с помощью архитектуры микросхем. Это уже невозможно. Таким образом, оптимизация полного стека имеет огромное значение. И другой аспект того, что сказал Брэд, это то, что машинное обучение и искусственный интеллект являются частью тех факторов.
Если бы пришлось вычислять все в полной физической вычислительной мощности, это было бы слишком ресурсоемко и слишком дорого. Но искусственный интеллект может помочь нам дополнить это, может помочь нам быть функциональным аппроксиматором некоторых из этих более сложных расчетов, который также является частью этого фактора.
Поэтому мы работаем с лидерами в этой области, разрабатывая новаторские подходы, которые никогда ранее не использовались, потому что они задействуют наш полный стек гораздо сильнее, чем мы когда-либо могли бы сделать это, сидя в нашем собственном заднем офисе.
И это, по существу, задача нашей команды – сотрудничать с новаторами, чтобы убедиться, что мы применяем этот полный стек для достижения их жизненной цели, которая заключается в пространственной геномике и раскрытии всех удивительных аспектов биологии, которые мы даже не понимаем.
Стив, вы хотите представить себя и Молли и команду Generate?
Команда проекта Generate
Конечно. Итак, я Стивен, один из аналитиков TD Cowen, занимаюсь научными инструментами и диагностикой, а также работаю над созданием лекарств на основе данных и синтетической биологии. Мне приятно представить Молли Гибсон, генерального директора Generate Biomedicines. Наша основная идея, основанная на недавней мультианалитической работе, касается ИИ и создания лекарств на основе данных.
Сейчас такая ситуация, что даже несмотря на множество достижений в области научных исследований и разработок, увеличение количества клинических успехов отсутствует. Наша идея состоит в том, что применение ИИ к большим объемам данных, которые генерирует NanoString и другие, позволит повысить вероятность клинического успеха и создавать более эффективные и дешевые лекарства. Так, Молли, можете ли вы рассказать немного о компании Generate и о том, как вы используете ИИ?
Как Generate использует ИИ
Кимберли Пауэлл: Конечно. В целом, мы сосредоточены на использовании машинного обучения и ИИ для создания новых белков. Белки нас очень интересуют, потому что почти все в биологии происходит из-за белков. Если считать ДНК программным обеспечением, то белки – это то, как это ПО выполняется.
До сих пор белки обычно открывались почти случайным образом через процесс открытия угроз. Это немасштабируемый подход. Итак, если вы задумаетесь о том, что может дать нам желаемую отдачу от инвестиций и привести к успешным молекулам, понимание того, как белок приводит к определенной функции и клиническому результату. И многие из этих проблем связаны с тем, что мы открываем эти белки через эти чисто эмпирические процессы испытаний лекарств.
Вопрос в том, можно ли перевернуть это, можно ли взглянуть на проблему с другой стороны и сказать: вот молекула, которую я хочу. Теперь, какая последовательность аминокислот должна сложиться в нужный белок и обеспечить нужную функцию?
ИИ нам поможет!
Если подумать о комбинаторике, она действительно разрастается, и ИИ – единственный способ, который мы можем представить, чтобы справиться с этим. Стандартный белок состоит из 100 разных аминокислот, каждая из которых может быть одной из 20 разных букв. Итак, если вы думаете о любой разной комбинации этого, это количество комбинаций больше, чем атомов во Вселенной. Итак, мы задаемся вопросом: можно ли действительно начать использовать машинное обучение для понимания правил, по которым работают эти белки, для определения конкретной проблемы и генерации новых белков.
Мы применяем это к проблемам, когда мы можем сказать, что хотим, например, антитела, которые защищают нас от COVID или HUMIRA. Благодаря этому мы сможем дозировать это лекарство с разумным интервалом, возможно, раз в полгода или год, и безопасно применять его у пациентов с высоким риском и большими потребностями в этом лекарствое. Таким образом, мы создаем более эффективные и безопасные молекулы для людей быстрее.
Для меня особенно интересно то, что одной из проблем в открытии лекарств является то, что мы не видели тех же результатов, что и в технологической сфере. Итак, действительно, делая технологию в биологии, мы можем перевернуть это и думать о масштабных эффектах, которые хотим видеть при создании лекарств, и, что еще важнее, успехах, которых хотим достичь. Но есть прблемы. Одной из проблем в открытии лекарств сегодня является не только открытие молекул, но и обеспечение их применимости и коммерческой успешности. Таким образом, мы хотим делать это быстрее, создавая больше лекарств и с большим успехом.
Ведущий. Ок. И, возможно, это вопрос для всей группы здесь. Мы слышали, что люди говорят, что у них лучшие алгоритмы. Мое личное мнение – это не главное. Главное – как вы на самом деле используете свои функциональные данные или массивные данные для обучения своих алгоритмов машинного обучения. Мне было бы интересно услышать ваше мнение по этому поводу? И особенно тебя, Молли, как ты генерируешь данные для обучения своих алгоритмов машинного обучения?
Какие данные нужны для обучения
Мы думали о том, что для обучения важны не просто любые данные. Это данные, которые смогут дать больше всего информации, самую качественную информацию в большом масштабе. Поэтому для нас самые важные вещи – это две вещи: одна – это структура, которая невероятно универсальна для любого типа данных, которые вы хотите. Итак, мы построили CryoEM 4, четыре разных микроскопа, один из самых больших в стране, чтобы получать структурные данные в массе для проверки технологий и концептов, которые действительно создаем.
Вместо предсказания структуры, где у вас уже есть ответ на структуру, которую вы хотите проверить. Для нас, когда вы создаете что-то новое, нет ответа. Вам придется это проверить. И мы делаем это с нашим CryoEM 4.
И есть еще функция. Так что высокопроизводительные функциональные данные – это еще одна вещь, которую мы хотим сделать. Поэтому мы постоянно создаем полностью автоматизированную лабораторию, где можем определять функцию самой молекулы. Итак, дело не в том, что у нас больше данных, а в том, что у нас правильный тип данных для ответов на вопросы, которые мы задаем, что для нас очень важно и как мы инвестируем в данные
Изменчивость алгоритмов и данных
Кимберли Пауэлл:
Итак, все три аспекта абсолютно важны. Ни один человек с большим количеством чипов не побеждает, ни один человек с данными не побеждает, и на самом деле ни один человек с одним алгоритмом не побеждает, потому что этот алгоритм и данные постоянно меняются. Как мы знаем, здравоохранение и платформенные технологии ни на миг не стоят на месте. Поэтому разработка методов является крайне важной во всем спектре. Именно методы позволяю двигаться вперед.
И еще одна вещь, которую стоит осознать: то, что отличает сегодняшнюю ситуацию, это не только наше способность создавать что-то вроде ChatGPT. Но теперь, благодаря автоматизации лабораторий, платформам и цифровой биологии, у нас есть необходимые источники данных.
Терабайты данных CryoEM
Итак, это новое. За последние пять лет появились терабайты данных CryoEM. За эти вещи выдают Нобелевскую премию, новые микроскопы, новые платформы постоянно появляются на рынке и становятся все более доступными, и мы смогли их автоматизировать. Итак, масштаб данных абсолютно беспрецедентен. А затем, это встреча с возможностями генеративных моделей в AI, которые помогут нам понять и проанализировать эти данные.
Природа проходит через четыре миллиарда лет эволюции и говорит: “хорошо, это работает, давайте перейдем к следующей задаче”. Она не задавалась вопросом, какие другие белки могут работать. Нет, ей просто нужно было двигаться дальше, быть эффективной. Но здесь, так как мы можем генерировать данные, кодировать эти данные в модели, мы можем исследовать так, как никогда раньше не исследовали. И не в течение четырех миллиардов лет эволюции, а в течение недели, двух недель или месяца. Вот что действительно трансформирует – этот новый метод и возможность генерировать данные в таком масштабе и с такой детализацией и точностью.
Ведущий. Чтобы продолжить, я думаю, что оба сделали отличные выводы. Я хочу вернуться к вопросу об относительной ценности и важности данных, алгоритмов и вычислений – наши инструменты являются инструментами генерации данных. Итак, очевидно, если вы не провели тест в биологии, если не проверили правильный образец с помощью правильного инструмента, данных не существует. Никаких выводов вы сделать не сможете, независимо от мощности вашего компьютера или алгоритмов. Но наша задача – помочь людям генерировать самые интересные данные, загружать их в облако, где по мере развития алгоритмов и вычислительной мощности их можно будет запросить снова и снова, и анализировать эти данные, учиться!
Важность универсального доступа к данным!
Вот почему наша производственная стратегия, основанная на данных, направлена на извлечение максимального объема данных из тканей и их передачу в место, где они могут быть доступны для совместного использования среди сотрудников по всему миру. На самом деле, это место в облаке называется нашей платформой атомной пространственной информатики. Критический аспект этого заключается в том, что инновации в области алгоритмов являются такой важной частью научных исследований на этих новых наборах данных. У нас есть полностью открытый подход к исходному коду: алгоритмы, которые мы предоставляем с первого дня, имеют открытый исходный код, и вы сможете посмотреть на код на Python, чтобы понять, что именно мы делаем. Здесь нет черного ящика. Если вы – академик, который изобретает новый метод, вы сможете загрузить его прямо в наше облако, воспользоваться вычислительной мощностью, архитектурой и инструментами цифровизации, а также доступностью данных для инноваций в области алгоритмов.
Мы не собираемся быть изобретателями алгоритмов для всего мира, это делают ученые из академической среды. И прелесть того, что все находится в облаке, заключается в том, что по мере появления последовательных поколений технологий, графических процессоров и центральных процессоров, мы можем использовать улучшения в скорости и вычислительной мощности и т. д., без необходимости для ученого выбрасывать свой старый сервер и покупать новый. Мы полностью забрали это из их рук. Они имеют доступ ко всему дорожному плану технологий NVIDIA благодаря размещению данных в облаке и предоставлению возможности обновления центрами обработки данных.
Аналитик, представитель компании
Преодоление границ
Я думаю, что это действительно интересный момент, на который я хотел обратить внимание. Я общался с основателем NVIDIA Дженсеном Хуангом, который является, так сказать, основателем искусственного интеллекта, и главным научным сотрудником Биллом Далли. Мы много говорили о преодолении границ, о которых вы говорите здесь – больше данных, больше вычислительной интенсивности выше по стеку искусственного интеллекта. И есть еще одна составляющая – демократизация искусственного интеллекта и доступность этих интенсивных с точки зрения вычислений и стоимости моделей для масс. Вы кратко упомянули об этом, размещая вещи в облаке. Я помню, как ходил на демонстрации три или четыре года назад, где ультразвуковые снимки улучшались с помощью ИИ, затем передавались врачам и увеличивали разрешение в 50, 100 раз. Все это очень круто, но насколько много больниц в мире используют это?
Ведь большинство людей не могут позволить себе суперкомпьютер за 300 000 долларов, не говоря уже о том, что они даже не знают, что с ним делать, если у них он будет, верно? Так что, я бы хотел поговорить о демократизации искусственного интеллекта и о тех вещах, которые, возможно, мы уже решили, но которые используются только в небольшой части мест, где они должны использоваться по всему миру в сфере здравоохранения.
Демократизация искусственного интеллекта
Кимберли Пауэлл:
Да, это очень важный момент, поэтому наш переход в облако так важен. Если вернуться на пять, десять лет назад, суперкомпьютерные центры в основном финансировались крупными государственными структурами, и в Соединенных Штатах их было около десяти, доступ к которым имели всего лишь еще десять человек в стране. И это была одна из наших основных задач: сделать это все более доступным.
Один из способов сделать это доступным – через программное обеспечение и приложения. Я и моя команда провели последние 15 лет своей жизни, сотрудничая с разработчиками приложений, превращая то, что можно, в библиотеки, доступные каждому. Мы также работали с сообществом открытого исходного кода, чтобы ускорить разработку алгоритмов и сделать их доступными повсеместно.
Программная часть этого процесса разрабатывалась долгое время. Мы решили разместить нашу систему программирования графических процессоров (CUDA) на всех графических процессорах NVIDIA, вплоть до наших игровых графических процессоров. Тогда мы не знали, что пользователи будут запускать алгоритмы генеративного ИИ на своих игровых системах, но сейчас это возможно, потому что можно создавать игровых персонажей с их помощью.
Это было удивительно мудрым решением, которое помогло в демократизации и расширении программного обеспечения.
DGX – суперкомпьютер для искусственного интеллекта
Второй момент, который описал Мэтт, заключается в том, что мы изобрели DGX – наш суперкомпьютер для искусственного интеллекта. Он был создан для наших собственных ученых, а также для мировых авторитетов в области академической науки, которые заявили о необходимости высокопроизводительных вычислений для продвижения исследований.
Таким образом, ИИ стало необходимым не только для астрономических команд в национальных лабораториях Оук Ридж, но и для каждого предприятия, которому требуется доступ к такому уровню супервычислений.
Единственный способ сделать это – не строить больше дата-центров. На самом деле, в некоторых странах даже ввели мораторий на строительство дата-центров из-за ограничений мощности электроэнергии. Поэтому мы перешли к размещению суперкомпьютерных технологий в облаке, чтобы сделать их доступными каждому предприятию. Мы не хотим, чтобы выигрывала только одна компания, которая может позволить себе такой компьютер. Все компании должны иметь возможность использовать эту технологию и продвигать нашу отрасль вперед.
Таким образом, осознанное принятие решения о предоставлении доступа к компьютерам, которые являются одним из трех ключевых компонентов, было очень важным. Эта архитектура, которую мы построили в DGX и нашей архитектуре вычислений масштаба дата-центра, должна быть доступна в общественном облаке, и сейчас это уже реальность.
Мэтт Рамсей:
Это имеет смысл. Молли, Брэд, может быть, вы хотите рассказать немного о вашем опыте взаимодействия с NVIDIA? Насколько доступными являются их продукты и услуги? И каков ваш опыт в сравнении с конкурентами, которые, возможно, не используют методы искусственного интеллекта и вычислительной технологии? Почему они этого не делают? Ведь теперь преимущество имеют те компании, которые могут анализировать данные и делать выводы, а не просто собирать данные ради данных. Меня интересует ваш опыт сотрудничества с NVIDIA и почему ваши конкуренты, возможно, этого не делают. Молли, если хочешь начать, давай.
Опыт сотрудничества с Нвидиа в ИИ
Конечно. Мы много говорим о том, что мы в нашей компании весьма опытны и хорошо разбираемся в создании алгоритмов для генерации новых белков. Мы можем делать это хорошо, имея доступ к существующим гипотезам. Однако, когда мы говорим о масштабировании нашей возможности, о предоставлении доступа к ней другим участникам в этой области, академикам, которые хотят проверить свои гипотезы и сделать это в больших масштабах, это становится проблемой вычислений и инженерного решения. Экспертиза и оборудование NVIDIA позволят нам масштабировать и расширить наши возможности, чтобы создать не просто сотню молекул, которые можно будет тестировать в лаборатории, но сотни миллионов молекул, которые можно будет исследовать для различных видов заболеваний. Таким образом, мы сможем решать проблему разработки лекарств с инженерной точки зрения, в которой мы являемся экспертами.
Сотрудничество с NVIDIA и использование их оборудования и опыта позволяет нам добиться этого масштаба и возможностей. Это также предоставляет доступ к этим технологиям широкому кругу участников, включая академические круги и другие компании, которые стремятся применить подобные подходы в своей работе.
Что касается опыта взаимодействия с NVIDIA и наших конкурентов, которые, возможно, не используют искусственный интеллект и методы вычислительной технологии, то, возможно, они еще не осознали преимущества такого подхода или же имеют ограниченные ресурсы для внедрения и масштабирования этих технологий.
Однако с развитием и демократизацией искусственного интеллекта и вычислительных технологий, как мы видим в случае с NVIDIA, все больше компаний, независимо от их размеров и отраслевой принадлежности, могут получить доступ к этим инструментам и использовать их для получения конкурентного преимущества, а также для улучшения и ускорения разработки новых продуктов и решений.
Так вот, моя инженерная команда действительно говорит замечательные вещи о работе с NVIDIA. Я думаю, что сначала мы начали работать с NVIDIA, когда выбрали одну из их карт. Мне кажется, это была 84K, GPU-процессор нашего нового прибора, который был выбран потому, что набор инструкций CUDA был очень удобен для работы с алгоритмами анализа изображений, которые нам нужны, и они работали прямо из коробки. Это было в 5-20 раз быстрее, в зависимости от ситуации, чем все остальное, что мы тестировали, и возможность замены, и знание того, что такой набор библиотек CUDA будет на каждом чипе идеи. Это дало нам понимание того, что со временем мы сможем заменить эту версию на новые версии и обновить вычисления очень плавным образом на будущих поколениях и системах стоимости. Так что это было положительным. Я думаю, следующий шаг, который мы еще не осознали полностью, будет перенос нашего облачного вычисления, совместная работа по оптимизации кода для GPU NVIDIA и перераспределение вычислительных ресурсов для использования этих возможностей. И я думаю, что мы только в начале развития атомики. Я уверен, что со временем такие возможности представятся сами собой. И я думаю, что NVIDIA сделала это очень доступным для компаний. Я думаю, что одно из направлений, на которое мы сосредоточились, – это геномика и поиск лекарств, но если возвести разговор на более высокий уровень и получить возможность говорить о других вертикалях здравоохранения, которые атакует NVIDIA, то я думаю, что вы ребята определили около 20 независимых вертикалей, в которых работают команды, занимающиеся всеми этими областями. Некоторые вещи схожи с точки зрения разгрузки в облако, получения вычислительных ресурсов на базе ИИ в руках всех этих исследователей, но, я думаю, каждый вертикальный рынок также имеет свои уникальные вызовы для отрасли, и так далее. И есть инвесторы и акционеры компаний во многих вертикалях здравоохранения. Так что, может быть, некоторые инвестиции, которые делает ваша команда? Каков масштаб команды сейчас, если люди не используют вычисления на базе ИИ или, возможно, колеблются по этому поводу. Расскажите общую картину того, что NVIDIA делает, чтобы помочь им начать?
Специалисты, которых привлекает Нвидиа
Кимберли Пауэлл: Да, конечно. И я отдам должное команде экспертов, которых нам так повезло нанять. Я думаю, что это фундаментальные различия. У нас много кандидатов наук в области геномики и вычислительной химии. У нас есть кардиоторакальные хирурги в штате. И это действительно для того, чтобы мы могли иметь глубокий уровень компетенций в построении моделей. Нет никакой возможности пройти полный стек, если у вас нет кого-то, кто переводит биологическое приложение или клиническое приложение вплоть до уровня чипа.
Любая визуализация является основой для всего процесса предоставления медицинских услуг, начиная со скрининга и заканчивая роботизированной хирургией и терапией с использованием изображений. И так много улучшений можно сделать при помощи ИИ.
Облачные вычисления в медицине
Если мы хотим сделать ультразвуковую машину очень дешевой или МРТ на колесах, как сделала компания Hyperfine, вы уменьшаете стоимость технологии датчика, уменьшаете его размеры, делаете его более доступным, но должны применить гораздо больше вычислений параллельно, в облаке, чтобы компенсировать отсутствие возможностей датчика, а также для помощи пользователю, который, возможно, не является обученным техником. И по моему мнению, две трети мира, которые не имеют доступа к надлежащей хирургии или диагностическому и лечебному вмешательству с использованием изображений, теперь могут потенциально получить доступ к нему.
И это смешение возможности поместить эту вычислительную способность в сам инструмент, делать вещи в реальном времени, но всегда быть подключенным к облачным ресурсам, чтобы улучшить анализ еще более эффективным способом и передать его пользователю. Это ничем не отличается от автомобильной промышленности. Вы принимаете некоторые решения на машине, некоторые – в облаке.
Вопрос заключается в том, как я, как медицинский прибор, могу стать определенным программным обеспечением? Как я, как медицинский прибор, могу стать гораздо дешевле и выразительнее, используя эту технологию.
И, наконец, как производитель медицинских устройств, многие из которых являются крупными компаниями, приобретающими множество других компаний, теперь есть возможность оптимизировать множество инженерных решений. У нас есть универсальная вычислительная платформа, которая может подключаться к любому датчику на планете.
У нас есть универсальная программная платформа, которая может работать с любым разработанным ИИ на планете. И так они теперь могут осознать платформу ИИ, свою собственную платформу API ИИ, запустить ее в облаке и получить вычисления. Это становится реальным прорывом в здравоохранении.
Обработка естественного языка
Другая область, которая очень, очень интересна: мы испытываем в нашей собственной потребительской жизни ChatGPT. Я имею в виду обработку естественного языка и продвижение следующей парадигмы в возможности просеивать информацию от страховщиков, поставщиков или клинических испытаний и извлекать новые знания, чтобы способствовать разработке и прогнозированию клинических испытаний на гораздо более эффективной основе. Быть способным прогнозировать коэффициенты повторных госпитализаций в популяции пациентов и разрабатывать новые операционные эффективности в медицинской практике.
Будучи способными переосмыслить колл-центры и обработку новых систем оплаты, эта возможность обработки естественного языка будет полностью трансформационной. Но все мы знаем, что она говорит немного другим языком, чем ChatGPT сегодня. И вот вся идея настройки этих моделей так, чтобы они были пригодными для функционирования либо для операционных целей, либо для клинических или биомедицинских целей – это еще одна очень интересная область, которая действительно проникает во все сферы здравоохранения и, как мне кажется, может превратить электронные медицинские карты и операции, происходящие в больницах, в действительно трансформационные.
Вэлью от обработки естественного языка
ChatGPT способна улучшить взаимодействие между пациентами, врачами и медицинскими учреждениями, упрощая обмен информацией и создавая более эффективные системы работы. Это касается не только управления данными о пациентах и медицинском персонале, но и множества других аспектов медицинской сферы, таких как координация лечения, принятие решений и оптимизация рабочих процессов.
В целом, технологии, такие как ИИ и обработка естественного языка, открывают новые возможности для индустрии здравоохранения, делая медицинские услуги более доступными, эффективными и безопасными для пациентов. В то же время, компании, такие как NVIDIA, играют ключевую роль в разработке и внедрении этих технологий, предоставляя мощные инструменты и ресурсы для исследователей, медицинских учреждений и производителей медицинских устройств.
Автомобильная отрасль. Пример ограничений
Мэтт Рамзи: Давайте продолжи. Я хотел бы задать один вопрос, и это связано с работой NVIDIA в автомобильной отрасли в области искусственного интеллекта, направленной на создание автономного вождения, верно? Технологии развиваются с одной скоростью, а регуляторы – с другой. На начало этой беседы я, вероятно, знаю о здравоохранении меньше, чем большинство людей в этой комнате, но видел, как регулирование ограничивает инновации в автомобильной отрасли, даже в простых вещах, таких как замена зеркала заднего вида на камеру, что не кажется большой проблемой, но вызывает серьезное противодействие со стороны регуляторов в автомобильной промышленности.
Многое из того, о чем вы трое говорили, и темпы развития вычислительных инноваций сильно ускорятся. Это мое собственное мнение в отношении многих различных сфер, особенно здравоохранения. Как регулирование… это большой и широкий разговор, но я верю, что ваши команды… и как вы взаимодействуете с регуляторами, что они думают о смоделированном белке по сравнению с традиционными методами? И это может быть актуально во многих областях, верно? Речь идет о визуализации: у нас есть ИИ-машина, которая будет диагностировать рак мозга, а не радиологи, которые на самом деле делают это, и как это пройдет через FDA? Как это будет судиться при наступлении ответственности? Не знаю, может быть, я открываю большую банку с червями здесь, но я думаю, что это очень интересная тема, о которой меня часто спрашивают в автомобильной сфере, и я абсолютно уверен, что это относится к здравоохранению. Так что кто-нибудь хочет ответить на этот вопрос?
Регуляторный вопрос
Кимберли Пауэлл: Да. Я отвечу. Без сомнения, это огромная проблема. Но я думаю, что нам всем следует поддерживать отношения с регуляторными органами. Так же, как нам нужно образовывать себя о разных областях, чтобы вносить изменения, нам нужно помочь обучать FDA и также учиться у них. Мы разработали процессы на наших платформах, чтобы соответствовать требованиям медицинского оборудования и программного обеспечения. Многое из этого связано с такими вещами, как документация – это звучит просто. И нам необходимо иметь возможность отслеживать все программное обеспечение, которое, кстати, сейчас используется для запуска одного алгоритма. Есть много программного обеспечения, которое работает на этом.
В конечном итоге, документирование и передача таким образом, чтобы это можно было проверить, – это то, что мы делаем сейчас. Мы берем на себя эту ответственность, потому что чувствуем, что в противном случае мы можем быть на скользком пути. Мы не можем просто сказать: “Удачи, огромный бренд или удачи, совершенно новый стартап с потрясающей идеей”. Речь идет больше о том, чтобы идти в ногу с инновациями.
Наши методы должны эволюционировать. Мы не просто создаем алгоритм ИИ, который может обозначить узел легкого, потому что есть проблема пересечения симптомов болезней. Итак, вам нужно переобучить алгоритмы для пациентов с COVID. То есть постоянно адаптироваться.
Инновационные разработки и FDA
Я думаю, что я бы расширил это, подчеркнув образовательный аспект. Для нас, когда мы думаем о разработке и внедрении молекул, созданных с помощью ИИ, в клинику и для людей, мы осознаем, что для FDA технология на самом деле намного впереди их. Они отстали. И это не потому, что они боятся чего-то особенного в молекулах, созданных с помощью ИИ. На самом деле, у нас есть много оснований полагать, что они будут безопаснее для людей. Это просто страх перед неизвестным.
Как вы можете себе представить, если мы создаем новые молекулы, новые белки, которые раньше не встречались в природе, наши собственные иммунные системы никогда раньше не видели этих белков. Таким образом, можно представить себе ситуацию, когда у этих молекул может возникнуть сильная иммунная реакция. Но если мы поймем этот процесс, мы сможем снизить иммуногенность до уровня намного ниже, чем у молекул, обнаруженных в природе.
Мы смогли показать, что можем изучать, как иммунная система реагирует на белки, и снизить эту реакцию до безопасных уровней, которые ниже, чем у молекул, обнаруженных традиционными методами. И если мы можем продемонстрировать это на всех возможных предклинических моделях и продолжать обучать регуляторные органы, мы сможем повысить безопасность.
Мы верим, что благодаря этому подходу наши молекулы должны быть безопаснее практически во всех аспектах, чем молекулы, обнаруженные традиционными случайными механизмами. Можно представить мир, в котором в будущем мы будем использовать все те же процессы безопасности и регулирования, предшествующие клиническим испытаниям и испытаниям на животных, которые обычно проводятся перед использованием лекарств на людях.
Испытания новых лекарств без использования животных
Мы можем представить мир, в котором Вы сможете отказаться от использования животных, заменив их на симуляции или модели органоидов человека, которые больше не нуждаются в животных. Благодаря сочетанию данных, ИИ и новых экспериментальных методов, вы сможете легче представить, как выглядит человеческое тело. Мышь – это не человек, но мы все время используем ее, чтобы имитировать то, как выглядит человек, и мы можем сделать это лучше.
Проводя беседы о том, что мы должны верить и что считаем возможным с помощью этих методов, а также о том, где могут возникнуть потенциальные проблемы или опасности, мы можем быстро решать эти вопросы с помощью итеративного процесса. Чем лучше мы сможем справляться с этими вызовами, тем успешнее мы станем.
Важно поддерживать активное взаимодействие и обучение в обе стороны между разработчиками технологий и регуляторными органами. Определение того, как технология может быть применена для упрощения процесса, также имеет решающее значение. Разработчики технологий и регуляторные органы должны работать вместе для создания безопасных и эффективных продуктов и методов, которые облегчат процесс разработки и внедрения новых терапий и технологий в области здравоохранения.
Исследование новых методов и подходов, таких как симуляции и использование органоидов человека, может помочь улучшить представление о человеческом теле и, возможно, заменить традиционные методы исследования на животных. Работая вместе и обмениваясь знаниями, разработчики технологий и регуляторные органы могут преодолеть страх перед неизвестным и сделать инновационные методы еще безопаснее и эффективнее для людей.
Пространственная биология и сопутствующая диагностика
Мэтт Рэмси: Так что, Брэд, говоря об этом, я слышал, что пространственная биология в основном используется для сопутствующей диагностики. Если вы, например, используете искусственный интеллект для обнаружения закономерностей, не должно возникнуть никаких проблем, если вы пройдете регуляторный процесс проверки маркеров.
И да, на протяжении следующих нескольких лет пространственная биология в основном будет сосредоточена на открытии новых закономерностей в тканях, которые могут предсказать, кто будет реагировать на лекарство, а кто нет. И искусственный интеллект поможет нам сделать эти открытия. Возможно, их придется масштабировать в диагностические методы, но мы пока не знаем этого. Однако, без сомнения, это может быть полезным инструментом в процессе открытия, и здесь, конечно же, нет никаких регуляторных проблем.
Мэтт Рэмси: Хорошо. А теперь вопрос для вас, Кимберли. В сфере здравоохранения у вас уникальная перспектива, потому что вы видите своих клиентов, и я знаю, что могут возникнуть определенные чувствительности, но вы говорите, что большинство интереса проявляется в области открытий или на этапе трансляции, когда вы пытаетесь перенести открытия в клинику, или это происходит в ходе клинических испытаний?
Клинические испытания
Кимберли Пауэлл: Да, я скажу, что на раннем этапе открытий и в процессе открытий было много активности. Но в последнее время есть еще пара областей, которые набирают обороты. Раннее открытие, которое Молли реализует на нашей платформе, – это применение генеративных методов искусственного интеллекта для определения мишеней, идентификации ведущих составляющих и оптимизации их взаимодействий, а также понимания, как они будут взаимодействовать в организме. Буквально на каждом этапе разработки препаратов теперь полностью затрагивается эра генеративного искусственного интеллекта. Существуют модели, которые применяются к каждому из них, и комбинация этих моделей может потенциально заменить то, что сегодня известно как виртуальный скрининг.
Таким образом, раннее открытие, безусловно, в будущем будет сильно зависеть от численных методов, подкрепленных, конечно же, лабораторией, но мы можем увидеть изменение соотношения между использованием лаборатории и численными методами с 80/20 до 20/80. Теперь некоторые другие инструменты, о которых я говорил позже, становятся очень полезными в клинических испытаниях. Вы можете использовать подходы, при которых не размеченные данные (но имеющиеся у вас) могут быть введены в эти алгоритмы. И они могут быть обучены делать довольно удивительные вещи, которые намного дешевле, чем нанимать радиолога для аннотации данных клинических испытаний, и, скорее всего, более точные, потому что при определении реакции пациентов на лечение точность измерений может определить реагирующих и нереагирующих пациентов.
Так что есть много потенциальных возможностей в области медицинской визуализации. А затем, как показали нам такие алгоритмы, как DALI и другие, создание мультимодальных алгоритмов на основе результатов пациентов и их фенотипических данных изображений приведет к созданию большего числа трансляционных приложений, а также возможностей для клинических испытаний и повышения эффективности в этом процессе. Мы знаем, что это самая дорогостоящая часть разработки лекарств, и мы знаем, что успех на этапе испытаний на пациентах составляет всего 10%. Это является следствием того, что на ранних этапах открытий мы сталкиваемся с проблемами и далее получаем неудачные результаты, но также это связано с тем, как мы выбираем и контролируем пациентов во время испытаний.
Стадия коммерциализации естественного языка
Я также хочу добавить, что на стадии коммерциализации обработка естественного языка является важным инструментом для постоянного анализа данных из реального мира, позволяющего выявлять плюсы и минусы лекарств и обратной связи с процессом разработки. Хотя сегодня много внимания уделяется ранним этапам, две другие области также активно развиваются, особенно после появления ChatGPT и распространенности использования искусственного интеллекта в области медицинских изображений. Частично я считаю, что мы сделали большой вклад в развитие открытых инструментов в области медицинской визуализации, и теперь отрасль понимает, что можно сделать гораздо больше с имеющимися данными изображений.
Мэтт Рэмзи: Мы заканчиваем нашу беседу, и мне бы хотелось задать провокационный вопрос на закуску. Моя команда и я потратили много времени на изучение автономных автомобилей и различных уровней автоматизации вождения. Если бы вы поговорили с основателем NVIDIA Дженсеном 10 лет назад, я думаю, что его представления о том, когда мы все будем сидеть в автомобилях без рулей, были бы несколько ошибочными. Реализация и трансформация огромных отраслей занимает время, верно?
Мне кажется, что в мире здравоохранения будет нечто подобное. У всех вас есть большие возможности. Дженсен описал ИИ и здравоохранение как следующий миллиардный бизнес для NVIDIA. Что, по вашему мнению, замедляет темпы внедрения и инноваций? Возможно, у нас слишком много данных и мы не знаем, что с ними делать? Или недостаточно специалистов-датасайентистов? Может быть, это стоимость оборудования или регулирование? Какие препятствия для инноваций в области ИИ в здравоохранении вы видите?
Сложности во внедрении инноваций
Я думаю, что одной из проблем является то, что наши клиенты – ученые, и объем данных, которые они генерируют, довольно мал. Алгоритмам машинного обучения требуются массивные наборы данных для обучения, больше, чем может сгенерировать отдельный ученый. Чтобы полностью раскрыть потенциал машинного обучения на научных данных, требуется новый подход к совместному использованию и объединению данных. Большинство ученых считают свои данные ценными и собственными, поэтому им сложно объединять их в едином хранилище. В научной сфере это является одним из основных препятствий для масштабирования алгоритмов.
Кимберли Пауэлл: Я согласна с этим. Думаю, что культурный аспект играет здесь важную роль. Одной из главных проблем является собственническое отношение к данным среди ученых, что затрудняет совместное использование данных. Во многих биотехнологических компаниях данные хранятся на отдельных компьютерах, в таблицах Excel, и если кто-то покидает компанию, то данные могут потеряться.
Существует много культурных аспектов, которые нужно учесть. Мы проводим много времени, общаясь с фармацевтическими компаниями о том, как они могут использовать технологии, которые мы разрабатываем, и как они могут применять их в своей работе. Один из вызовов заключается в том, что многие из них занимаются созданием новых белков и инженерией белков в течение многих лет. Поэтому им трудно принять новый подход, потому что они привыкли к своим методам.
Мне кажется, что культурные изменения будут большими препятствиями, нежели другие вызовы, такие как генерация больших объемов данных или регулирование. Нам нужно изменить отношение к совместному использованию данных и интеграции вычислительных и экспериментальных методов в научной сфере, которая существует уже несколько десятилетий.
Системная проблема в сфере здравоохранения
Да, я хочу упомянуть о проблеме в сфере здравоохранения. Мы все знаем, что в системе здравоохранения есть системная проблема. Например, говоря с другом на футбольном поле, я узнал о том, как в прошлом году мы помогли установить рекорд Гиннеса по скорости секвенирования и диагностики с использованием геномной платформы Oxford Nanopore. Это помогло ребенку узнать, что его жизнь под угрозой из-за сердечной недостаточности, и после пересадки сердца он теперь здоров и чувствует себя хорошо. В другом случае, благодаря быстрой диагностике новорожденного, было выявлено, что ему просто нужно дополнительное количество витамина D.
Мне кажется, что проблема в том, что мы делаем эту технологию доступной, но почему бы не сделать ее стандартом медицинского обслуживания? Поэтому мы продолжаем сотрудничать с врачами, которые мечтают изменить стандарты медицинской помощи и доказать, что это возможно. В этом и заключается настоящая проблема.
Еще одна идея касается того, что NVIDIA имеет уникальную возможность работать во многих разных отраслях, и мы видим, как автомобильная промышленность и платформа геномики могут стать более программно определенными. Ведь, как говорил Брэд, информатика станет двигателем инноваций в ближайшем будущем.
Вопрос касается медицинских устройств, которые были созданы десятилетиями назад, и теперь им необходимо инновировать и экономить с помощью программно-определенных решений. Одной из проблем является вопрос возмещения расходов. Если возмещение не предусмотрено, то что заставит компании инновировать?
Мы надеемся, что чем больше люди узнают о возможностях технологии, тем больше изменений произойдет в системе здравоохранения.
Соглашусь с Молли, что мы, как технологическая компания, должны внедрять ИИ в работу фармацевтических компаний. Несколько лет назад на конференции JPMorgan мне довелось общаться с представителем крупной фармацевтической компании, который заявил, что они никогда не будут использовать ИИ внутри компании, а планируют передать все задачи сторонним компаниям. Дженсен, основатель NVIDIA, конечно, не согласился с этим и сказал, что это было бы глупо не научиться использовать самый большой технологический прорыв нашего времени.
Фармацевтическая отрасль является одной из самых сложных на планете, и компании должны обучаться использованию ИИ, инвестировать в него и сотрудничать с другими компаниями. Если вы не используете ИИ внутри компании, то как выбрать хорошего партнера? Это был смешной момент, который, как мне кажется, сейчас меняется достаточно быстро.
Проблема в изменении управления и культуры компании, где технологии должны быть на первом месте, а биология – на втором. Я понимаю, что это может показаться сложным для восприятия и немного эгоистичным, но мы в это верим и надеемся способствовать этому. Интеграция в области генеративной биологии в прошлом году была настоящим прорывом, и я с нетерпением жду того, что принесет этот год.
Мэтт Рамси: Спасибо всем за участие в этом разговоре. Надеюсь, он был интересным для вас. Большое спасибо нашим гостям и Стиву за ваше сотрудничество в организации этой дискуссии. Всем спасибо!
