Takhta AlphaFold Terancam!
Nature Menerbitkan Artikel: Biohub di Bawah Naungan Zuckerberg Melepaskan 'Bom Raja', Merilis Sekaligus 1.1 Miliar Prediksi Struktur Protein, 800 Juta Lebih Banyak dari Database AlphaFold.
Model AI di Baliknya, ESMFold2, Diklaim Kinerjanya Secara Keseluruhan Melampaui AlphaFold3.
Yang Lebih Krusial Lagi, Sepenuhnya Sumber Terbuka, Tidak Terbatas untuk Komersial.
https://www.nature.com/articles/d41586-026-01686-3
Posisi Dominan AI Protein yang Dibangun dengan Susah Payah oleh Google DeepMind Selama Bertahun-Tahun, Kini Digoyang oleh Pengacau Berbasis Sumber Terbuka.
Peta Persaingan Lintasan AI Protein, Mungkin Harus Ditulis Ulang.
1.1 Miliar Struktur Protein, Dihidangkan Sekaligus di Meja
Tanggal 27 Mei, Lembaga Biomedis Biohub yang Didirikan oleh Pasangan Zuckerberg, Secara Resmi Meluncurkan Database Struktur Protein Bernama ESM Atlas.
1.1 Miliar Prediksi Struktur Protein, Ditambah 6.8 Miliar Informasi Urutan Protein.
Database AlphaFold Mengumpulkan Lebih dari 200 Juta Prediksi Struktur, Datangnya ESM Atlas Langsung Menambah 800 Juta Entri.
Model AI yang Menghasilkan Prediksi Ini Bernama ESMFold2, Dikembangkan oleh Tim Pimpinan Ilmuwan Kepala Biohub, Alex Rives.
Kata Rives:
Atlas Ini Memperlihatkan Panorama Lengkap Biologi Protein, Terutama Bagian-Bagian yang Paling Tidak Diketahui.
Mengapa Prediksi Struktur Protein Penting?
Protein adalah Komponen Inti yang Menjalankan Kehidupan, Mengetahui Bentuknya Berarti Memahami Fungsinya, Kemudian Merancang Obat Baru, Menaklukkan Penyakit.
AlphaFold Meraih Hadiah Nobel Kimia karena Ini, Menjadi Contoh Kasus AI Mengubah Sains.
Sekarang Sebuah Model Baru Muncul dengan Dataset 5 Kali Lebih Besar.
Sebagai Model AI, Apa Keunggulan ESMFold2?
ESMFold2 Menempuh Jalur Teknis yang Berbeda dengan AlphaFold.
Model Ini Dibangun Berdasarkan 'Model Bahasa Protein' yang Dirilis Tahun 2024, Logika Intinya Mengadopsi Pendekatan dari Bidang NLP, Memperlakukan Urutan Protein sebagai 'Bahasa' untuk Dipahami, Melatih Model pada Miliaran Data Protein, Membuatnya Belajar Langsung Memprediksi Struktur Tiga Dimensi dari Urutan.
Rekan-Rekan AI AlphaFold Pasti Akan Merasa Akrab Melihat Ini, Logikanya Sama Seperti Model Bahasa Besar Belajar Bahasa Manusia.
Cakupan Data Latihan adalah Variabel Kunci.
ESMFold2 Memasukkan Data Protein Mikroba dalam Jumlah Besar dari Lingkungan Seperti Tanah, Laut, yang Kosong dalam Database AlphaFold.
Cakupan yang Lebih Luas, 'Dunia Protein' yang Dilihat Model Menjadi Lebih Lengkap.
Tim Biohub Mengklaim, ESMFold2 Unggul dalam Memprediksi Struktur Kompleks Interaksi Antar-Protein Dibandingkan AlphaFold3.
Tapi yang Paling Meyakinkan Bukan Skor Benchmark, Melainkan Validasi Lapangan.
Tim Menggunakan ESMFold2 untuk Merancang Protein Baru, Mensintesis dan Mengujinya di Laboratorium, Sebagian Besar Rancangan Bekerja Sesuai Harapan.
Jalur dari 'Prediksi' ke 'Desain' lalu 'Validasi' Ini Berhasil Diimplementasikan, Nilainya Membentang dari Makalah Ilmiah ke Dunia Nyata.
Sumber Terbuka Sepenuhnya, Ini Senjata Paling Mematikan
Senjata Kompetitif ESMFold2 yang Paling Tajam Adalah Sepenuhnya Sumber Terbuka dan Tidak Terbatas untuk Komersial.
Makna Strategis Pilihan Ini Lebih Jelas dalam Konteks Seluruh Industri AI.
Meski AlphaFold Memiliki Database Terbuka, AlphaFold3 pada Awal Peluncurannya Membatasi Penggunaan Komersial.
Model Prediksi Interaksi Protein yang Diluncurkan Isomorphic Labs di Bawah Google DeepMind Tahun Ini Bahkan Sepenuhnya Tertutup.
Bacaan Lanjutan: Google Rilis "AlphaFold 4", Tidak Lagi Sumber Terbuka! Kinerja Mengungguli Generasi Sebelumnya
Ahli Biologi Komputasi MIT, Ovchinnikov, Langsung Menyoroti Nilai Sumber Terbuka, "Saya Perkirakan Banyak Orang Akan Sangat Antusias Ingin Mencoba ESMFold2."
Efek Pengungkit AI Sumber Terbuka Telah Terbukti di Jalur Model Bahasa Besar, Seri Llama Milik Meta adalah Contoh Terbaik.
Model Sumber Terbuka yang Cukup Kuat, Dapat Menggerakkan Komunitas Global untuk Mengulangi, Menerapkan, Menemukan Penggunaan yang Tidak Terpikirkan oleh Pengembang Aslinya.
Situasi di Bidang AI Protein Lebih Spesifik, Ada Banyak Laboratorium dan Lembaga Penelitian di Seluruh Dunia yang Sangat Membutuhkan Alat Prediksi Struktur Gratis dan Tanpa Batas, Model Tertutup Sekuat Apapun, Jangkauan Penggunanya Terbatas.
Pilihan Biohub untuk Sumber Terbuka Sepenuhnya, Konsisten dengan Strategi Meta di Model Bahasa Besar.
Strategi Kelompok Zuckerberg di Dunia AI Semakin Jelas – Gunakan Sumber Terbuka sebagai Infrastruktur, Gunakan Ekosistem sebagai Parit Pertahanan.
Rekan Ahli, Apakah Menerima?
Respons Dunia Akademik Positif, Tapi Peringatan Tetap Jelas.
Gemma Atkinson dari Universitas Lund, Swedia Menyebut ESM Atlas "Harus Menjadi Sumber Daya Luar Biasa untuk Biologi".
Christine Orengo dari University College London Mengakui Nilainya, Tapi Menekankan Hasil Prediksi Perlu Diverifikasi Secara Independen.
Pertanyaan Lebih Tajam Datang dari Martin Steinegger dari Universitas Nasional Seoul.
Yang Dia Khawatirkan Adalah, Bagaimana Performa ESMFold2 Saat Menghadapi 'Struktur Baru' yang Sangat Berbeda dari Protein yang Diketahui.
Timnya Sebelumnya Menemukan, Versi Pertama ESMFold Tidak Unggul dalam Hal Ini. Masalah Ini Masih Belum Terjawab untuk ESMFold2.
Ovchinnikov dari MIT Memberikan Penilaian Paling Dingin, Dia Menilai ESM Atlas Lebih Cocok Diposisikan sebagai Pelengkap Database AlphaFold.
Dia Juga Menunjukkan, Model Tertutup Isomorphic Labs dan Beberapa Model Sumber Terbuka yang Tidak Langsung Dibandingkan Biohub, Juga Telah Mencapai Hasil Serupa.
Margin Keunggulan ESMFold2, Mungkin Tidak Sebesar yang Disiratkan Makalah.
Kehati-hatian Ini Justru Mencerminkan Persaingan di Jalur AI Protein Sudah Sangat Sengit.
Sumber Terbuka, Tertutup, Akademik, Komersial, Berbagai Model Beriterasi dengan Kecepatan Sangat Tinggi.
'Terkuat' Hari Ini, Mungkin Setengah Tahun Lagi Sudah Tergantikan. Ritme Ini, Sudah Sangat Mirip dengan Perlombaan Senjata di Jalur Model Bahasa Besar.
Saat AI Mulai Membaca Kode Sumber Kehidupan
Dulu, Mengurai Struktur Tiga Dimensi Satu Protein Mungkin Membutuhkan Pekerjaan Laboratorium Beberapa Bulan Sampai Beberapa Tahun.
AlphaFold Pertama Kali Membuktikan AI Dapat Melakukannya dalam Beberapa Menit.
Sekarang ESMFold2 Mendorong Skala Prediksi ke Level 1.1 Miliar, Mencakup Banyak Protein yang Belum Pernah Dianalisis Sebelumnya.
Melanjutkan Proyeksi ke Depan, Ketika AI Dapat Memprediksi Semua Struktur Protein Secara Akurat, Dapat Merancang Protein Fungsional Baru dan Efektif Divalidasi Eksperimen, Maka Jarak Menuju Penerapan AGI di Bidang Ilmu Hayati, Mungkin Lebih Dekat dari yang Dibayangkan Kebanyakan Orang.
Jika ASI Benar-Benar Tiba, Biologi Bagi Mereka Bukan Lagi Disiplin Ilmu yang Perlu 'Dipelajari', Melainkan Sistem yang Dapat 'Direkayasa'.
Merancang Kehidupan dari Tingkat Molekuler, Membuat Protein Sesuai Pesanan, Menulis Ulang Aturan Evolusi.
Ini Kedengarannya Seperti Fiksi Ilmiah, Tapi Alat Seperti ESMFold2 Sedang Selangkah Demi Selangkah Mengubah 'Fiksi Ilmiah' Menjadi 'Masalah Rekayasa'.
Hari Ini, 1.1 Miliar Struktur Protein Dihamparkan di Meja, Ilmuwan Manapun di Seluruh Dunia dengan Koneksi Internet Dapat Mengaksesnya Gratis.
Ini Berarti, Kemampuan AI Memahami Kehidupan, Naik Satu Tingkat Lagi.
Referensi: https://www.nature.com/articles/d41586-026-01686-3
Artikel Ini dari Akun WeChat Publik "Xin Zhi Yuan", Penulis: ASI Qishilu; Editor: Ma Ke
