استارتاپی که ترفند جدیدی را برای توسعه هوش مصنوعی برای کشف علم امتحان می کند
استارتاپی که ترفند جدیدی را برای توسعه هوش مصنوعی برای کشف علم امتحان می کند
توسعه هوش مصنوعی برای کشف علم به یک هدف بزرگ برای غول های فناوری تبدیل شده است. شرکتهایی مانند OpenAI و Anthropic دهها میلیارد بودجه با وعدههای پیشرفتهای هوش مصنوعی در پزشکی، زیستشناسی و فیزیک تضمین کردهاند. با این حال، اکتشافات علمی واقعی مبتنی بر هوش مصنوعی همچنان مبهم باقی میماند، همانطور که در حوادث گذشته مانند یافتههای ریاضی نادیده گرفته شده توسط ChatGPT نشان داده شده است. به گفته کارشناسان، چالش اصلی این است که مدلهای زبان بزرگ فعلی (LLM) فاقد قابلیت ذاتی برای تولید دانش علمی جدید به طور مستقل هستند.
چرا آزمایشگاه های بزرگ هوش مصنوعی با اکتشافات علمی دست و پنجه نرم می کنند؟
مارکوس بوهلر، استاد مهندسی MIT، یک محدودیت اساسی را در هوش مصنوعی پیشرفته امروزی شناسایی می کند. او استدلال میکند که مدلهای نیروبخش سیستمهای OpenAI و Anthropic برای کشف واقعی طراحی نشدهاند. معماری آنها بر اساس تشخیص الگو از داده های موجود است، نه بر اساس ایجاد نظریه ها یا فرضیه های جدید.
پاییز گذشته زمانی که یک کشف ریاضی ادعا شده توسط ChatGPT به سرعت از بین رفت، این به وضوح نشان داده شد. این قسمت شکاف بین قدرت تحلیلی هوش مصنوعی و تفکر خلاقانه و کشف محور آن را برجسته کرد. این چالشی است که یادآور سایر تلاشهای هوش مصنوعی است که در آن فناوری با اصالت مبارزه میکند، دقیقاً مانند انتقادی که تیلی نوروود «بازیگر هوش مصنوعی» به دلیل نداشتن خلاقیت واقعی با آن مواجه شد.
مشکل اصلی مدلهای هوش مصنوعی فعلی
مدلهای زبان بزرگ در پردازش و بازیابی اطلاعات برتری دارند. آنها می توانند متون را خلاصه کنند، به سوالات پاسخ دهند و حتی بر اساس داده های آموزشی خود کد بنویسند. با این حال، آنها در محدوده آنچه قبلاً آموخته اند عمل می کنند.
کشف علمی، طبیعتاً مستلزم قدم گذاشتن در ناشناخته است. این شامل ایجاد ارتباطات جدید بین زمینه های متفاوت و پیشنهاد ایده هایی است که در هیچ مجموعه داده آموزشی وجود ندارد. این جهشی است که هوش مصنوعی مولد فعلی که بر تولید محتوا و اتوماسیون متمرکز است، برای انجام آن ساخته نشده است. همانطور که با پیشرفت هایی مانند به روز رسانی گوتنبرگ وردپرس که زمینه را برای انتشار هوش مصنوعی فراهم می کند، صنعت در حال تکامل است، اما چالش اصلی برای کشف همچنان باقی است.
معرفی آزمایشگاه های غیرمنطقی: رویکردی جدید به هوش مصنوعی برای علم
برای رفع این شکاف، پروفسور بوهلر با همکاری یوان کائو، دانشمند پژوهشی ارشد سابق در Google DeepMind، آزمایشگاه های غیرمنطقی را تأسیس کرد. هدف این استارتاپ پیشروی در رویکردی اساسی متفاوت برای توسعه هوش مصنوعی برای اکتشافات علمی است. آنها به جای تکیه صرفاً بر دریافت داده های عظیم، سیستم هایی می سازند که قادر به استدلال میان رشته ای هستند.
آزمایشگاه های غیرمنطقی اخیراً 13.5 میلیون دلار را در یک دور مالی که توسط Playground Global هدایت می شود، تضمین کرده است. این دور شاهد مشارکت AIX Ventures، E14 Fund و MS&AD Ventures بود. این سرمایه گذاری قابل توجه بر اعتقاد بازار به روش شناسی جدید آنها تأکید می کند.
یادگیری از لحظات "آها" در تاریخ علم
فرضیه بوهلر این است که بسیاری از اکتشافات بزرگ از لحظات "آها" ناشی می شوند. اینها مواردی هستند که در آن یک دانشمند نظریه یا مفهومی را از یک زمینه برای حل یک مسئله در حوزه کاملاً متفاوتی به کار می برد. این گرده افشانی متقابل ایده ها کلید پیشرفت است.
یک مثال کلاسیک، کار جان هاپفیلد در سال 1982 است. او مفاهیمی از فیزیک ماده متراکم را در زمینه نوپای هوش مصنوعی به کار برد. این امر منجر به توسعه شبکههای هاپفیلد، نوعی شبکه عصبی با قابلیت یادگیری و یادآوری خاطرات شد. این یک ایده انقلابی بود که از پیوند رشته های نامرتبط به وجود آمد.
تفاوت هوش مصنوعی آزمایشگاه های غیر منطقی با مدل های اصلی
هوش مصنوعی در حال توسعه در آزمایشگاه های Unreasonable برای تقلید از این ظرفیت انسانی برای بینش بین رشته ای طراحی شده است. هدف آنها ایجاد یک مدل زبان بزرگتر نیست، بلکه ساختن سیستمی است که بتواند در حوزه های علمی استدلال کند.
نمودارهای دانش میان رشته ای: هوش مصنوعی آنها به جای آموزش تنها بر روی متن، دانش ساختاریافته از چندین زمینه علمی، از زیست شناسی تا فیزیک را ادغام می کند. موتورهای استدلال آنالوگ: فناوری اصلی بر یافتن قیاس ها و شباهت ها بین مفاهیم به ظاهر نامرتبط، یک محرک کلیدی برای نوآوری علمی تمرکز دارد. ایجاد فرضیه: این سیستم برای ارائه فرضیه های علمی قابل آزمایش طراحی شده است، نه فقط تجزیه و تحلیل داده های موجود.
این رویکرد نشان دهنده انحراف قابل توجهی از استراتژی های کسب بزرگتر استشرکتهای فناوری، مانند خرید Zendesk استارتآپ هوش مصنوعی Forethought، که اغلب بر اصلاح برنامههای خدمات مشتری موجود تمرکز میکنند تا پیشگام در اشکال جدید کشف.
آینده اکتشاف مبتنی بر هوش مصنوعی
در صورت موفقیت، فناوری آزمایشگاههای غیرمنطقی میتواند تحقیقات در زمینههای حیاتی را تسریع بخشد. هوش مصنوعی را تصور کنید که می تواند ترکیب دارویی جدیدی را با ترکیب اصول شیمی و ژنتیک پیشنهاد کند. یا مدلی که با پیوند دادن مفاهیم نانوتکنولوژی و ترمودینامیک، ماده جدیدی را برای انرژی پایدار پیشنهاد می کند.
کاربردهای بالقوه بسیار گسترده است، از تسریع تحقیقات پزشکی گرفته تا حل چالش های پیچیده زیست محیطی. این نشان دهنده مرز بعدی برای هوش مصنوعی است که فراتر از اتوماسیون حرکت می کند تا به شریک واقعی در نبوغ انسان تبدیل شود.
نتیجه گیری: موج بعدی نوآوری هوش مصنوعی
رقابت برای توسعه هوش مصنوعی برای کشف علم در حال داغ شدن است، اما موفقیت واقعی ممکن است با استارتاپهای تخصصی مانند آزمایشگاههای غیرمنطقی باشد. تمرکز آنها بر استدلال میان رشتهای مسیر امیدوارکنندهای را فراتر از محدودیتهای مدلهای زبان بزرگ کنونی ارائه میکند. سفر برای ایجاد یک هوش مصنوعی که واقعاً بتواند کشف کند، تازه شروع شده است.
از آخرین نوآوری ها در هوش مصنوعی و فناوری به روز باشید. برای اطلاعات بیشتر و به اشتراک گذاری آسان این مقاله، صفحه لینک در بیو رایگان خود را در Seemless ایجاد کنید تا محتوای مورد علاقه خود را مدیریت کنید.
