Startup zkouší nový trik k vývoji umělé inteligence pro vědecké objevy
Startup zkouší nový trik k vývoji umělé inteligence pro vědecké objevy
Vývoj umělé inteligence pro vědecké objevy se stal monumentálním cílem technologických gigantů. Společnosti jako OpenAI a Anthropic zajistily finanční prostředky v desítkách miliard s příslibem průlomů v oblasti umělé inteligence v medicíně, biologii a fyzice. Skutečný vědecký objev řízený umělou inteligencí však zůstává nepolapitelný, jak ukázaly minulé incidenty, jako je odhalený matematický nález generovaný ChatGPT. Hlavní výzvou je podle odborníků to, že současné velké jazykové modely (LLM) postrádají vnitřní schopnost generovat nové vědecké poznatky autonomně.
Proč velké laboratoře AI bojují s vědeckými objevy
Markus Buehler, profesor inženýrství MIT, identifikuje zásadní omezení dnešní pokročilé AI. Tvrdí, že modely napájející systémy od OpenAI a Anthropic nejsou navrženy pro skutečné objevování. Jejich architektura je založena na rozpoznávání vzorů z existujících dat, nikoli na vytváření nových teorií nebo hypotéz.
To bylo ostře ilustrováno loni na podzim, kdy byl údajný matematický objev ChatGPT rychle odhalen. Tato epizoda zdůraznila propast mezi analytickou silou AI a jejím kreativním myšlením zaměřeným na objevování. Je to výzva připomínající jiné snahy umělé inteligence, kde technologie bojuje s originalitou, podobně jako kritika, které čelí „herec“ AI Tilly Norwood za nedostatek opravdové kreativity.
Základní problém současných modelů umělé inteligence
Velké jazykové modely vynikají ve zpracování a regurgitaci informací. Mohou sumarizovat texty, odpovídat na otázky a dokonce psát kód na základě svých tréninkových dat. Fungují však v mezích toho, co se již naučili.
Vědecký objev ze své podstaty vyžaduje krok do neznáma. Zahrnuje vytváření nových spojení mezi různorodými obory a navrhování nápadů, které nejsou přítomny v žádném tréninkovém souboru dat. Jde o skok, na který současná generativní umělá inteligence zaměřená na tvorbu obsahu a automatizaci není stavěna. Odvětví se vyvíjí, jak je vidět na vývoji, jako je aktualizace WordPress Gutenberg, která položila základy pro publikování AI, ale hlavní výzva pro objevování zůstává.
Představujeme Unreasonable Labs: Nový přístup k umělé inteligenci pro vědu
Aby se vypořádal s touto mezerou, profesor Buehler spoluzaložil Unreasonable Labs s Yuan Cao, bývalým vedoucím výzkumným pracovníkem společnosti Google DeepMind. Startup si klade za cíl prosadit zásadně odlišný přístup k vývoji umělé inteligence pro vědecké objevy. Místo toho, aby se spoléhali pouze na masivní přijímání dat, budují systémy schopné interdisciplinárního uvažování.
Společnost Unreasonable Labs nedávno zajistila 13,5 milionu dolarů ve finančním kole vedeném společností Playground Global. Kolo se zúčastnilo AIX Ventures, E14 Fund a MS&AD Ventures. Tato významná investice podtrhuje důvěru trhu v jejich novou metodologii.
Poučení z "Aha" momentů v historii vědy
Buehlerova hypotéza je, že mnoho velkých objevů vzniká z „aha“ momentů. Jedná se o případy, kdy vědec aplikuje teorii nebo koncept z jednoho oboru k vyřešení problému ve zcela jiné doméně. Toto vzájemné opylení myšlenek je klíčem k průlomům.
Klasickým příkladem je práce Johna Hopfielda z roku 1982. Aplikoval koncepty z fyziky kondenzovaných látek na tehdy se rodící oblast umělé inteligence. To vedlo k vývoji Hopfieldových sítí, typu neuronové sítě schopné učit se a vybavovat si vzpomínky. Byla to revoluční myšlenka, která se zrodila ze spojení nesouvisejících oborů.
Jak se AI Unreasonable Labs liší od běžných modelů
Umělá inteligence vyvíjená v Unreasonable Labs je navržena tak, aby napodobovala tuto lidskou schopnost interdisciplinárního náhledu. Jejich cílem není vytvořit větší jazykový model, ale vybudovat systém, který dokáže uvažovat napříč vědeckými doménami.
Interdisciplinární znalostní grafy: Namísto školení pouze o textu, jejich AI integruje strukturované znalosti z různých vědeckých oblastí, od biologie po fyziku. Analogické uvažování Engines: Základní technologie se zaměřuje na hledání analogií a paralel mezi zdánlivě nesouvisejícími koncepty, což je klíčový motor vědecké inovace. Generování hypotéz: Systém je navržen tak, aby navrhoval testovatelné vědecké hypotézy, nejen analyzoval existující data.
Tento přístup představuje významný odklon od akvizičních strategií většíchtechnologických firem, jako je akvizice společnosti Zendesk startupu Forethought s umělou inteligencí, které se často zaměřují na vylepšování stávajících aplikací zákaznických služeb spíše než na průkopnictví nových forem objevování.
Budoucnost objevů řízených umělou inteligencí
Pokud bude úspěšná, technologie Unreasonable Labs by mohla urychlit výzkum v kritických oblastech. Představte si AI, která dokáže navrhnout novou lékovou sloučeninu kombinací principů z chemie a genetiky. Nebo model, který navrhuje nový materiál pro udržitelnou energii propojením konceptů z nanotechnologie a termodynamiky.
Potenciální aplikace jsou obrovské, od urychlení lékařského výzkumu až po řešení složitých environmentálních problémů. To představuje další hranici pro umělou inteligenci, která překračuje hranice automatizace a stává se skutečným partnerem v lidské vynalézavosti.
Závěr: Další vlna inovací AI
Závod ve vývoji umělé inteligence pro vědecké objevy se přiostřuje, ale skutečný úspěch může spočívat ve specializovaných startupech, jako jsou Unreasonable Labs. Jejich zaměření na interdisciplinární uvažování nabízí slibnou cestu za omezení současných velkých jazykových modelů. Cesta k vytvoření AI, která dokáže skutečně objevovat, právě začíná.
Zůstaňte informováni o nejnovějších inovacích v oblasti umělé inteligence a technologií. Chcete-li získat další informace a snadno sdílet tento článek, vytvořte si bezplatnou stránku s odkazem v biu na Seemless, kde budete kurovat svůj oblíbený obsah.
