La Komenco Provas Novan Trukon por Disvolvi AI Por Scienca Malkovro
La Komenco Provas Novan Trukon por Disvolvi AI Por Scienca Malkovro
Evoluigi artefaritan inteligentecon por scienca malkovro fariĝis monumenta celo por teknikaj gigantoj. Firmaoj kiel OpenAI kaj Anthropic certigis dekojn da miliardoj en financado kun promesoj de AI-sukcesoj en medicino, biologio kaj fiziko. Tamen, vera scienca eltrovaĵo gvidata de AI restas pasema, kiel pruvis pasintaj okazaĵoj kiel malkonfirmita ChatGPT-generita matematika trovo. La kerndefio, laŭ spertuloj, estas ke nunaj grandaj lingvaj modeloj (LLM) malhavas la internan kapablon generi novajn sciencajn sciojn aŭtonome.
Kial Grandaj AI-Laboratorioj Luktas kun Scienca Malkovro
Markus Buehler, profesoro pri inĝenierado de MIT, identigas fundamentan limigon en la hodiaŭa progresinta AI. Li argumentas ke la modeloj funkciigantaj sistemojn de OpenAI kaj Anthropic ne estas dizajnitaj por originala eltrovaĵo. Ilia arkitekturo baziĝas sur padronrekono de ekzistantaj datenoj, ne sur kreado de novaj teorioj aŭ hipotezoj.
Ĉi tio estis tre ilustrita lastan aŭtunon kiam supozata matematika malkovro de ChatGPT estis rapide malkonfirmita. La epizodo elstarigis la interspacon inter la analiza potenco de AI kaj ĝia kreiva, malkovro-orientita pensado. Ĝi estas defio rememoriga pri aliaj AI-klopodoj kie la teknologio luktas kun originaleco, tre kiel la kritiko alfrontita de la AI "aktoro" Tilly Norwood pro manko de vera kreivo.
La Kerna Problemo kun Nunaj AI-Modeloj
Grandaj lingvomodeloj elstaras je prilaborado kaj regurgitado de informoj. Ili povas resumi tekstojn, respondi demandojn kaj eĉ skribi kodon bazitan sur siaj trejnaj datumoj. Tamen ili funkcias en la limoj de tio, kion ili jam lernis.
Scienca malkovro, laŭ sia naturo, postulas paŝi en la nekonatan. Ĝi implikas formi novajn ligojn inter malsimilaj kampoj kaj proponi ideojn kiuj ne ĉeestas en iu trejna datumaro. Ĉi tio estas salto, kiun nuna genera AI, koncentrita al enhavkreado kaj aŭtomatigo, ne estas konstruita por fari. La industrio evoluas, kiel oni vidas kun evoluoj kiel la ĝisdatigo de WordPress Gutenberg, kiu starigas bazojn por AI-eldonado, sed la kerna defio por malkovro restas.
Enkondukante Neraciajn Laboratoriojn: Nova Aliro al AI por Scienco
Por trakti ĉi tiun breĉon, profesoro Buehler kunfondis Unreasonable Labs kun Yuan Cao, iama altranga kunlaborantaro esplorsciencisto ĉe Google DeepMind. La ekentrepreno celas iniciati fundamente malsaman aliron al evoluigado de AI por scienca malkovro. Anstataŭ fidi nur je masiva datumkonsumado, ili konstruas sistemojn kapablajn je interfaka rezonado.
Unreasonable Labs lastatempe certigis $13.5 milionojn en financa rondo gvidita de Playground Global. La rondo vidis partoprenon de AIX Ventures, E14 Fund, kaj MS&AD Ventures. Ĉi tiu signifa investo substrekas la kredon de la merkato je ilia nova metodaro.
Lernante de "Aha" Momentoj en Scienca Historio
La hipotezo de Buehler estas, ke multaj grandaj malkovroj estiĝas el "aha" momentoj. Ĉi tiuj estas kazoj kie sciencisto aplikas teorion aŭ koncepton de unu kampo por solvi problemon en tute malsama domajno. Ĉi tiu krucpolenado de ideoj estas ŝlosilo al sukcesoj.
Klasika ekzemplo estas la laboro de John Hopfield en 1982. Li aplikis konceptojn de densigita materiofiziko al la tiama naskiĝanta kampo de artefarita inteligenteco. Tio kaŭzis la evoluon de Hopfield-retoj, speco de neŭrala reto kapabla je lernado kaj memorado de memoroj. Ĝi estis revolucia ideo naskita de ligado de nerilataj disciplinoj.
Kiel Malraciaj Laboratorioj' AI Diferencas de Ĉefaj Modeloj
La AI disvolvita ĉe Unreasonable Labs estas desegnita por imiti ĉi tiun homan kapablon por interfaka kompreno. Ilia celo ne estas krei pli grandan lingvomodelon sed konstrui sistemon kiu povas rezoni trans sciencaj domajnoj.
Interfakaj Scio-Grafikoj: Anstataŭ trejni nur pri teksto, ilia AI integras strukturitan scion de multoblaj sciencaj kampoj, de biologio ĝis fiziko. Analogiaj Rezonaj Motoroj: La kernteknologio temigas trovado de analogecoj kaj paraleloj inter ŝajne senrilataj konceptoj, ŝlosila ŝoforo de scienca novigado. Generacio de hipotezoj: La sistemo estas dizajnita por proponi testeblajn sciencajn hipotezojn, ne nur analizi ekzistantajn datumojn.
Ĉi tiu aliro reprezentas signifan foriron de la akirstrategioj de pli grandateknologiaj firmaoj, kiel ekzemple la Zendesk-akiro de AI-komenco Forethought, kiuj ofte temigas rafini ekzistantajn klientservajn aplikojn prefere ol iniciati novajn formojn de malkovro.
La Estonteco de AI-Movita Malkovro
Se sukcesa, la teknologio de Unreasonable Labs povus akceli esploradon en kritikaj areoj. Imagu AI, kiu povas sugesti novan drogkunmetaĵon kombinante principojn de kemio kaj genetiko. Aŭ modelo kiu proponas novan materialon por daŭrigebla energio kunligante konceptojn de nanoteknologio kaj termodinamiko.
La eblaj aplikoj estas vastaj, de akcelo de medicina esplorado ĝis solvado de kompleksaj mediaj defioj. Ĉi tio reprezentas la sekvan limon por AI, preterpasante aŭtomatigon por iĝi vera partnero en homa eltrovemo.
Konkludo: La Sekva Ondo de AI-Novigado
La kuro por disvolvi AI por scienca malkovro varmiĝas, sed vera sukceso povas troviĝi kun specialigitaj startoj kiel Unreasonable Labs. Ilia fokuso pri interfaka rezonado ofertas esperigan vojon preter la limoj de nunaj grandaj lingvomodeloj. La vojaĝo por krei AI, kiu povas vere malkovri, ĵus komenciĝas.
Restu ĝisdatigita pri la plej novaj novigoj en AI kaj teknologio. Por pliaj komprenoj kaj facile dividi ĉi tiun artikolon, kreu vian senpagan ligilon-en-bio-paĝon sur Seemless por konservi vian plej ŝatatan enhavon.
