A startup proba un novo truco para desenvolver a IA para o descubrimento científico
A startup proba un novo truco para desenvolver a IA para o descubrimento científico
Desenvolver a intelixencia artificial para o descubrimento da ciencia converteuse nun obxectivo monumental para os xigantes tecnolóxicos. Empresas como OpenAI e Anthropic conseguiron financiamento de decenas de miles de millóns con promesas de avances en IA en medicina, bioloxía e física. Non obstante, o verdadeiro descubrimento científico impulsado pola intelixencia artificial segue sendo esquivo, como o demostran incidentes pasados, como un descubrimento matemático desmentido xerado por ChatGPT. O principal desafío, segundo os expertos, é que os actuais grandes modelos lingüísticos (LLM) carecen da capacidade intrínseca para xerar coñecemento científico novo de forma autónoma.
Por que os grandes laboratorios de IA están loitando co descubrimento científico
Markus Buehler, profesor de enxeñería do MIT, identifica unha limitación fundamental na IA avanzada actual. Argumenta que os modelos que alimentan os sistemas de OpenAI e Anthropic non están deseñados para un descubrimento xenuíno. A súa arquitectura baséase no recoñecemento de patróns a partir de datos existentes, non na creación de novas teorías ou hipóteses.
Isto quedou claramente ilustrado o pasado outono cando un suposto descubrimento matemático de ChatGPT foi rapidamente desmentido. O episodio destacou a brecha entre o poder analítico da IA e o seu pensamento creativo e orientado ao descubrimento. É un reto que recorda a outros esforzos de IA onde a tecnoloxía loita coa orixinalidade, ao igual que as críticas ás que se enfrontou o "actor" de IA Tilly Norwood por carecer de creatividade xenuína.
O problema central cos modelos actuais de IA
Os grandes modelos lingüísticos destacan en procesar e regurxitar información. Poden resumir textos, responder preguntas e mesmo escribir código en función dos seus datos de adestramento. Non obstante, operan dentro dos límites do que xa aprenderon.
O descubrimento científico, pola súa natureza, require entrar no descoñecido. Implica formar novas conexións entre campos dispares e propoñer ideas que non están presentes en ningún conxunto de datos de formación. Este é un salto para o que a IA xerativa actual, centrada na creación e automatización de contidos, non está construída para dar. A industria está a evolucionar, como se viu con desenvolvementos como a actualización de WordPress Gutenberg que senta as bases para a publicación de intelixencia artificial, pero o desafío principal para o descubrimento segue sendo.
Presentación de Unreasonable Labs: un novo enfoque da IA para a ciencia
Para abordar esta lagoa, o profesor Buehler cofundou Unreasonable Labs con Yuan Cao, un antigo científico investigador senior de Google DeepMind. A startup pretende ser pioneira nun enfoque fundamentalmente diferente para desenvolver a IA para o descubrimento científico. En lugar de depender unicamente da inxestión masiva de datos, están construíndo sistemas capaces de razoar interdisciplinariamente.
Unreasonable Labs conseguiu recentemente 13,5 millóns de dólares nunha rolda de financiamento dirixida por Playground Global. A rolda contou coa participación de AIX Ventures, E14 Fund e MS&AD Ventures. Este importante investimento subliña a crenza do mercado na súa nova metodoloxía.
Aprendendo de "Aha" Momentos da Historia da Ciencia
A hipótese de Buehler é que moitos grandes descubrimentos xorden de momentos "aha". Estes son casos nos que un científico aplica unha teoría ou concepto dun campo para resolver un problema nun dominio completamente diferente. Esta polinización cruzada de ideas é clave para os avances.
Un exemplo clásico é o traballo de John Hopfield en 1982. Aplicou conceptos da física da materia condensada ao campo daquela nacente da intelixencia artificial. Isto levou ao desenvolvemento das redes Hopfield, un tipo de rede neuronal capaz de aprender e recordar recordos. Foi unha idea revolucionaria que nace de conectar disciplinas non relacionadas.
Como se diferencia a IA de Unreasonable Labs dos modelos mainstream
A IA que se está a desenvolver en Unreasonable Labs está deseñada para imitar esta capacidade humana para unha visión interdisciplinar. O seu obxectivo non é crear un modelo de linguaxe máis grande, senón construír un sistema que poida razoar en dominios científicos.
Gráficos de coñecemento interdisciplinar: en lugar de adestrarse só en texto, a súa IA integra coñecemento estruturado de múltiples campos científicos, desde a bioloxía ata a física. Motores de razoamento analóxico: a tecnoloxía central céntrase en atopar analoxías e paralelismos entre conceptos aparentemente non relacionados, un motor clave da innovación científica. Xeración de hipóteses: o sistema está a ser deseñado para propoñer hipóteses científicas comprobables, non só para analizar os datos existentes.
Este enfoque representa un afastamento significativo das estratexias de adquisición de maioresempresas tecnolóxicas, como a adquisición de Zendesk da startup de intelixencia artificial Forethought, que a miúdo se centran en mellorar as aplicacións de atención ao cliente existentes en lugar de ser pioneiras en novas formas de descubrimento.
O futuro do descubrimento impulsado pola IA
Se ten éxito, a tecnoloxía de Unreasonable Labs podería acelerar a investigación en áreas críticas. Imaxina unha IA que pode suxerir un novo composto de drogas combinando principios da química e da xenética. Ou un modelo que propón un novo material para a enerxía sostible enlazando conceptos da nanotecnoloxía e da termodinámica.
As posibles aplicacións son amplas, desde acelerar a investigación médica ata resolver complexos desafíos ambientais. Isto representa a próxima fronteira para a IA, que vai máis aló da automatización para converterse nun verdadeiro socio do enxeño humano.
Conclusión: a próxima ola de innovación en IA
A carreira para desenvolver a IA para o descubrimento da ciencia está aumentando, pero o verdadeiro éxito pode estar en startups especializadas como Unreasonable Labs. O seu enfoque no razoamento interdisciplinar ofrece un camiño prometedor máis aló das limitacións dos grandes modelos lingüísticos actuais. A viaxe para crear unha IA que realmente poida descubrir está só comezando.
Mantente actualizado sobre as últimas innovacións en IA e tecnoloxía. Para obter máis información e compartir facilmente este artigo, crea a túa páxina de ligazón na biografía gratuíta en Seemless para seleccionar o teu contido favorito.
