Startup pokušava novi trik za razvoj AI za naučno otkriće
Startup pokušava novi trik za razvoj AI za naučno otkriće
Razvoj umjetne inteligencije za naučna otkrića postao je monumentalni cilj tehnoloških divova. Kompanije kao što su OpenAI i Anthropic osigurale su desetine milijardi sredstava uz obećanje AI otkrića u medicini, biologiji i fizici. Međutim, istinsko naučno otkriće vođeno umjetnom inteligencijom ostaje nedostižno, kao što su pokazali prošli incidenti poput razotkrivenog matematičkog nalaza generiranog ChatGPT-om. Ključni izazov, prema ekspertima, je da trenutni modeli velikih jezika (LLM) nemaju intrinzičnu sposobnost da autonomno generišu nova naučna znanja.
Zašto se velike AI laboratorije bore sa naučnim otkrićem
Markus Buehler, profesor inženjeringa na MIT-u, identificira fundamentalno ograničenje u današnjoj naprednoj umjetnoj inteligenciji. On tvrdi da modeli koji napajaju sisteme iz OpenAI i Anthropic nisu dizajnirani za istinsko otkrivanje. Njihova arhitektura se zasniva na prepoznavanju obrazaca iz postojećih podataka, a ne na stvaranju novih teorija ili hipoteza.
Ovo je sjajno ilustrovano prošle jeseni kada je navodno matematičko otkriće od strane ChatGPT-a brzo razotkriveno. Epizoda je naglasila jaz između analitičke moći AI i njenog kreativnog razmišljanja usmjerenog na otkriće. To je izazov koji podsjeća na druge poduhvate umjetne inteligencije u kojima se tehnologija bori s originalnošću, slično kao kritika s kojom se suočava "glumac" AI Tilly Norwood zbog nedostatka istinske kreativnosti.
Osnovni problem sa trenutnim AI modelima
Veliki jezički modeli izvrsni su u obradi i vraćanju informacija. Oni mogu sažimati tekstove, odgovarati na pitanja, pa čak i pisati kod na osnovu svojih podataka o obuci. Međutim, oni djeluju unutar granica onoga što su već naučili.
Naučno otkriće, po svojoj prirodi, zahtijeva korak u nepoznato. To uključuje formiranje novih veza između različitih polja i predlaganje ideja koje nisu prisutne ni u jednom skupu podataka za obuku. Ovo je skok za koji trenutna generativna AI, fokusirana na kreiranje sadržaja i automatizaciju, nije napravljena da napravi. Industrija se razvija, kao što se vidi sa razvojem kao što je ažuriranje WordPress Gutenberg koje postavlja temelje za objavljivanje AI, ali ključni izazov za otkrivanje ostaje.
Predstavljamo nerazumne laboratorije: novi pristup AI za nauku
Kako bi popravio ovaj nedostatak, profesor Buehler je zajedno sa Yuan Caoom, bivšim višim istraživačem u Google DeepMind-u, osnovao Unreasonable Labs. Startup ima za cilj da uvede fundamentalno drugačiji pristup razvoju veštačke inteligencije za naučna otkrića. Umjesto da se oslanjaju samo na masovno unošenje podataka, oni grade sisteme sposobne za interdisciplinarno rasuđivanje.
Unreasonable Labs je nedavno osigurao 13,5 miliona dolara u rundi finansiranja koju je vodio Playground Global. U krugu su učestvovali AIX Ventures, E14 Fund i MS&AD Ventures. Ova značajna investicija naglašava vjeru tržišta u njihovu novu metodologiju.
Učenje iz "Aha" trenutaka u istoriji nauke
Buehlerova hipoteza je da mnoga velika otkrića proizlaze iz "aha" trenutaka. To su slučajevi u kojima naučnik primjenjuje teoriju ili koncept iz jedne oblasti kako bi riješio problem u potpuno drugom domenu. Ovo unakrsno oprašivanje ideja ključno je za napredak.
Klasičan primjer je rad Johna Hopfielda iz 1982. On je primijenio koncepte iz fizike kondenzirane materije na tada nastajalo polje umjetne inteligencije. To je dovelo do razvoja Hopfield mreža, vrste neuronske mreže sposobne za učenje i prisjećanje sjećanja. Bila je to revolucionarna ideja nastala iz povezivanja nepovezanih disciplina.
Kako se AI Unreasonable Labs razlikuje od mainstream modela
AI koji se razvija u Unreasonable Labs dizajniran je da oponaša ovu ljudsku sposobnost za interdisciplinarni uvid. Njihov cilj nije da stvore veći jezički model, već da izgrade sistem koji može da razmišlja u naučnim domenima.
Interdisciplinarni grafikoni znanja: Umjesto obuke samo o tekstu, njihova AI integriše strukturirano znanje iz više naučnih oblasti, od biologije do fizike. Mehanizmi analognog rezonovanja: Osnovna tehnologija se fokusira na pronalaženje analogija i paralela između naizgled nepovezanih koncepata, ključnog pokretača naučne inovacije. Generisanje hipoteza: Sistem je dizajniran da predloži proverljive naučne hipoteze, a ne samo da analizira postojeće podatke.
Ovaj pristup predstavlja značajno odstupanje od strategija akvizicije većihtehnološke firme, kao što je Zendesk akvizicija AI startupa Forethought, koje se često fokusiraju na usavršavanje postojećih aplikacija za korisničku podršku, a ne na pionirske nove oblike otkrića.
Budućnost otkrića vođenog umjetnom inteligencijom
Ako bude uspješna, tehnologija Unreasonable Labs mogla bi ubrzati istraživanje u kritičnim područjima. Zamislite umjetnu inteligenciju koja može predložiti novo jedinjenje lijeka kombinacijom principa iz kemije i genetike. Ili model koji predlaže novi materijal za održivu energiju povezujući koncepte iz nanotehnologije i termodinamike.
Potencijalne primjene su ogromne, od ubrzanja medicinskih istraživanja do rješavanja složenih ekoloških izazova. Ovo predstavlja sljedeću granicu za AI, koja prevazilazi automatizaciju i postaje pravi partner u ljudskoj genijalnosti.
Zaključak: Sljedeći val AI inovacija
Utrka za razvojem AI za naučna otkrića se zahuktava, ali pravi uspjeh može biti u specijaliziranim startupima poput Unreasonable Labs. Njihov fokus na interdisciplinarno rezonovanje nudi obećavajući put izvan ograničenja trenutnih velikih jezičkih modela. Put ka stvaranju AI koji zaista može otkriti tek počinje.
Budite u toku sa najnovijim inovacijama u AI i tehnologiji. Za više uvida i jednostavno dijeljenje ovog članka, kreirajte svoju besplatnu link-in-bio stranicu na Seemless-u kako biste kurirali svoj omiljeni sadržaj.
