Startup kokeilee uutta temppua tekoälyn kehittämiseen Science Discoveryä varten
Startup kokeilee uutta temppua tekoälyn kehittämiseen Science Discoveryä varten
Tekoälyn kehittämisestä tieteen löytöjä varten on tullut valtava tavoite teknologiajättiläisille. Yritykset, kuten OpenAI ja Anthropic, ovat saaneet kymmeniä miljardeja rahoitusta lupaamalla tekoälyn läpimurtoja lääketieteessä, biologiassa ja fysiikassa. Todellinen tekoälyyn perustuva tieteellinen löytö on kuitenkin edelleen vaikeasti havaittavissa, kuten aikaisemmat tapahtumat, kuten kumottu ChatGPT:n luoma matemaattinen löydös, osoittavat. Asiantuntijoiden mukaan ydinhaaste on, että nykyisistä suurista kielimalleista (LLM) puuttuu luontainen kyky tuottaa uutta tieteellistä tietoa itsenäisesti.
Miksi suuret tekoälylaboratoriot kamppailevat tieteellisten löytöjen kanssa
Markus Buehler, MIT-tekniikan professori, tunnistaa perustavanlaatuisen rajoitteen nykypäivän edistyneessä tekoälyssä. Hän väittää, että OpenAI:n ja Anthropicin järjestelmiä käyttäviä malleja ei ole suunniteltu aitoa löytöä varten. Niiden arkkitehtuuri perustuu olemassa olevan datan hahmontunnistukseen, ei uusien teorioiden tai hypoteesien luomiseen.
Tämä havainnollistettiin selvästi viime syksynä, kun ChatGPT:n väitetty matemaattinen löytö kumottiin nopeasti. Jakso korosti kuilua tekoälyn analyyttisen voiman ja sen luovan, löytösuuntautuneen ajattelun välillä. Se on haaste, joka muistuttaa muita tekoälypyrkimyksiä, joissa teknologia kamppailee omaperäisyyden kanssa, aivan kuten tekoäly "näyttelijä" Tilly Norwood kohtasi kritiikkiä aidon luovuuden puutteesta.
Nykyisten AI-mallien ydinongelma
Suuret kielimallit ovat erinomaisia tietojen käsittelyssä ja takaisinvirtauksessa. He voivat tehdä yhteenvedon teksteistä, vastata kysymyksiin ja jopa kirjoittaa koodia harjoitustietojensa perusteella. He toimivat kuitenkin jo oppimansa rajoissa.
Tieteellinen löytö edellyttää luonteeltaan astumista tuntemattomaan. Siinä luodaan uusia yhteyksiä erilaisten alojen välille ja ehdotetaan ideoita, joita ei ole missään koulutusaineistossa. Tämä on harppaus, jota nykyistä sisällön luomiseen ja automatisointiin keskittyvää generatiivista tekoälyä ei ole rakennettu tekemään. Ala kehittyy, kuten WordPressin Gutenberg-päivityksen kaltaiset kehityssuunnat, jotka luovat pohjan tekoälyjulkaisemiselle, ovat nähneet, mutta ydinhaasteen löytäminen on edelleen olemassa.
Esittelyssä Unreasonable Labs: uusi lähestymistapa tieteiden tekoälyyn
Tämän puutteen korjaamiseksi professori Buehler perusti Unreasonable Labsin yhdessä Yuan Caon, Google DeepMindin entisen vanhemman tutkijatutkijan kanssa. Startup pyrkii pioneeriksi täysin erilaisen lähestymistavan kehittämään tekoälyä tieteellisiä löytöjä varten. Sen sijaan, että luottaisivat pelkästään massiiviseen tiedon keräämiseen, he rakentavat järjestelmiä, jotka kykenevät poikkitieteelliseen päättelyyn.
Unreasonable Labs sai äskettäin 13,5 miljoonaa dollaria Playground Globalin johtamassa rahoituskierroksessa. Kierrokselle osallistuivat AIX Ventures, E14 Fund ja MS&AD Ventures. Tämä merkittävä investointi korostaa markkinoiden uskoa heidän uuteen metodologiaan.
Tiedehistorian "Aha" hetkistä oppimista
Buehlerin hypoteesi on, että monet suuret löydöt syntyvät "aha"-hetkistä. Nämä ovat tapauksia, joissa tiedemies soveltaa teoriaa tai käsitettä yhdeltä alalta ratkaistakseen ongelman täysin eri alalla. Tämä ideoiden ristipölytys on avain läpimurtoihin.
Klassinen esimerkki on John Hopfieldin työ vuonna 1982. Hän sovelsi konsepteja kondensoituneen aineen fysiikasta silloiseen tekoälyn kenttään. Tämä johti Hopfield-verkkojen, eräänlaisen neuroverkon, joka pystyy oppimaan ja palauttamaan muistoja, kehittämiseen. Se oli vallankumouksellinen idea, joka syntyi toisiinsa liittymättömien tieteenalojen yhdistämisestä.
Kuinka Unreasonable Labsin tekoäly eroaa valtavirran malleista
Unreasonable Labsissa kehitetty tekoäly on suunniteltu jäljittelemään tätä ihmisen kykyä poikkitieteelliseen näkemykseen. Heidän tavoitteenaan ei ole luoda suurempaa kielimallia, vaan rakentaa järjestelmä, joka voi järkeillä yli tieteenalojen.
Tieteidenväliset tietograafit: Pelkän tekstin harjoittamisen sijaan heidän tekoälynsä yhdistää jäsenneltyä tietoa useilta tieteenaloilta biologiasta fysiikkaan. Analogiset päättelykoneet: Ydinteknologia keskittyy etsimään analogioita ja yhtäläisyyksiä näennäisesti toisiinsa liittymättömien käsitteiden välillä, jotka ovat tieteellisen innovaation avaintekijä. Hypoteesien luominen: Järjestelmää suunnitellaan ehdottamaan testattavia tieteellisiä hypoteeseja, ei vain analysoimaan olemassa olevaa dataa.
Tämä lähestymistapa edustaa merkittävää poikkeamaa suurempien hankintastrategioistateknologiayritykset, kuten Zendesk hankki tekoälystartup Forethoughtin, jotka usein keskittyvät olemassa olevien asiakaspalvelusovellusten hiomiseen uusien löytömuotojen pioneerien sijaan.
Tekoälypohjaisen löydön tulevaisuus
Menestyessään Unreasonable Labsin teknologia voi nopeuttaa tutkimusta kriittisillä alueilla. Kuvittele tekoäly, joka voi ehdottaa uutta lääkeyhdistettä yhdistämällä kemian ja genetiikan periaatteet. Tai malli, joka ehdottaa uutta materiaalia kestävään energiaan yhdistämällä nanoteknologian ja termodynamiikan käsitteitä.
Mahdolliset sovellukset ovat laajat lääketieteellisen tutkimuksen nopeuttamisesta monimutkaisten ympäristöhaasteiden ratkaisemiseen. Tämä edustaa tekoälyn seuraavaa rajaa, joka siirtyy automaation yli todelliseksi kumppaniksi ihmisen kekseliäisyydessä.
Johtopäätös: AI-innovoinnin seuraava aalto
Kilpailu tekoälyn kehittämisestä tieteen löytöjä varten kiihtyy, mutta todellinen menestys voi olla erikoistuneilla startup-yrityksillä, kuten Unreasonable Labs. Heidän keskittymisensä tieteidenväliseen päättelyyn tarjoaa lupaavan tien nykyisten suurten kielimallien rajoitusten yli. Matka todella löytävän tekoälyn luomiseen on vasta alussa.
Pysy ajan tasalla uusimmista tekoälyn ja teknologian innovaatioista. Saat lisätietoja ja voit helposti jakaa tämän artikkelin luomalla ilmaisen linkin bio-sivusi Seemlessiin ja kuratoi suosikkisisältösi.
