સ્ટાર્ટઅપ સાયન્સ ડિસ્કવરી માટે AI વિકસાવવા માટે એક નવી યુક્તિ અજમાવી રહ્યું છે
સ્ટાર્ટઅપ સાયન્સ ડિસ્કવરી માટે AI વિકસાવવા માટે એક નવી યુક્તિ અજમાવી રહ્યું છે
વિજ્ઞાનની શોધ માટે કૃત્રિમ બુદ્ધિ વિકસાવવી એ ટેક જાયન્ટ્સ માટે એક સ્મારક ધ્યેય બની ગયું છે. ઓપનએઆઈ અને એન્થ્રોપિક જેવી કંપનીઓએ દવા, જીવવિજ્ઞાન અને ભૌતિકશાસ્ત્રમાં AI સફળતાના વચનો સાથે અબજોનું ભંડોળ મેળવ્યું છે. જો કે, સાચી AI-સંચાલિત વૈજ્ઞાનિક શોધ પ્રપંચી રહે છે, જેમ કે ChatGPT-જનરેટેડ ગણિતની શોધ જેવી ભૂતકાળની ઘટનાઓ દ્વારા દર્શાવવામાં આવ્યું છે. નિષ્ણાતોના મતે મુખ્ય પડકાર એ છે કે વર્તમાન મોટા ભાષાના મોડલ (LLM)માં નવલકથા વૈજ્ઞાનિક જ્ઞાન સ્વાયત્ત રીતે પેદા કરવાની આંતરિક ક્ષમતાનો અભાવ છે.
શા માટે મોટી AI લેબ્સ વૈજ્ઞાનિક શોધ સાથે સંઘર્ષ કરી રહી છે
માર્કસ બુહેલર, એક MIT એન્જિનિયરિંગ પ્રોફેસર, આજના અદ્યતન AI માં મૂળભૂત મર્યાદાને ઓળખે છે. તે દલીલ કરે છે કે ઓપનએઆઈ અને એન્થ્રોપિકના મોડલ્સ પાવરિંગ સિસ્ટમ્સ અસલી શોધ માટે બનાવવામાં આવ્યા નથી. તેમનું આર્કિટેક્ચર હાલના ડેટામાંથી પેટર્નની ઓળખ પર આધારિત છે, નવા સિદ્ધાંતો અથવા પૂર્વધારણાઓ બનાવવા પર નહીં.
છેલ્લા પાનખરમાં જ્યારે ChatGPT દ્વારા કથિત ગણિતની શોધને ઝડપથી રદ કરવામાં આવી ત્યારે આ સ્પષ્ટપણે દર્શાવવામાં આવ્યું હતું. એપિસોડે એઆઈની વિશ્લેષણાત્મક શક્તિ અને તેની રચનાત્મક, શોધ-લક્ષી વિચારસરણી વચ્ચેના અંતરને પ્રકાશિત કર્યું. તે એક પડકાર છે જે અન્ય AI પ્રયાસોની યાદ અપાવે છે જ્યાં ટેક્નોલોજી મૌલિકતા સાથે સંઘર્ષ કરે છે, જેમ કે વાસ્તવિક સર્જનાત્મકતાના અભાવ માટે AI 'અભિનેતા' ટિલી નોરવુડ દ્વારા કરવામાં આવેલી ટીકાની જેમ.
વર્તમાન AI મોડલ્સ સાથેની મુખ્ય સમસ્યા
મોટા ભાષાના મોડલ માહિતીની પ્રક્રિયા અને પુનઃપ્રાપ્તિમાં શ્રેષ્ઠ છે. તેઓ પાઠોનો સારાંશ આપી શકે છે, પ્રશ્નોના જવાબ આપી શકે છે અને તેમના તાલીમ ડેટાના આધારે કોડ પણ લખી શકે છે. જો કે, તેઓ પહેલેથી જે શીખ્યા છે તેની મર્યાદામાં કાર્ય કરે છે.
વૈજ્ઞાનિક શોધ, તેના સ્વભાવ દ્વારા, અજ્ઞાતમાં પ્રવેશવાની જરૂર છે. તેમાં અસંતુલિત ક્ષેત્રો વચ્ચે નવા જોડાણો બનાવવા અને કોઈપણ તાલીમ ડેટાસેટમાં હાજર ન હોય તેવા વિચારોને પ્રસ્તાવિત કરવાનો સમાવેશ થાય છે. આ એક એવી છલાંગ છે કે વર્તમાન જનરેટિવ AI, જે સામગ્રી નિર્માણ અને ઓટોમેશન પર કેન્દ્રિત છે, તે બનાવવા માટે બનાવવામાં આવ્યું નથી. ઉદ્યોગ વિકાસ પામી રહ્યો છે, જેમ કે વર્ડપ્રેસ ગુટેનબર્ગ અપડેટ એઆઈ પ્રકાશન માટે પાયાનું કામ કરે છે, પરંતુ શોધ માટે મુખ્ય પડકાર રહે છે.
ગેરવાજબી લેબ્સનો પરિચય: વિજ્ઞાન માટે AI માટે નવો અભિગમ
આ ગેપને સંબોધવા માટે, પ્રોફેસર બુહેલરે Google DeepMindના ભૂતપૂર્વ વરિષ્ઠ સ્ટાફ સંશોધન વૈજ્ઞાનિક યુઆન કાઓ સાથે ગેરવાજબી લેબ્સની સહ-સ્થાપના કરી. સ્ટાર્ટઅપનો ઉદ્દેશ્ય વૈજ્ઞાનિક શોધ માટે AI વિકસાવવા માટે મૂળભૂત રીતે અલગ અભિગમની પહેલ કરવાનો છે. મોટા પાયે ડેટા ઇન્જેશન પર સંપૂર્ણ આધાર રાખવાને બદલે, તેઓ આંતરશાખાકીય તર્ક માટે સક્ષમ સિસ્ટમો બનાવી રહ્યા છે.
પ્લેગ્રાઉન્ડ ગ્લોબલની આગેવાની હેઠળના ફંડિંગ રાઉન્ડમાં ગેરવાજબી લેબ્સે તાજેતરમાં $13.5 મિલિયન મેળવ્યા છે. રાઉન્ડમાં AIX વેન્ચર્સ, E14 ફંડ અને MS&AD વેન્ચર્સની ભાગીદારી જોવા મળી હતી. આ નોંધપાત્ર રોકાણ તેમની નવલકથા પદ્ધતિમાં બજારની માન્યતાને રેખાંકિત કરે છે.
વિજ્ઞાનના ઇતિહાસમાં "આહા" મોમેન્ટ્સમાંથી શીખવું
બુહેલરની પૂર્વધારણા એ છે કે ઘણી મહાન શોધો "આહા" ક્ષણોમાંથી ઉદ્ભવે છે. આ એવા ઉદાહરણો છે જ્યાં વૈજ્ઞાનિક સંપૂર્ણપણે અલગ ડોમેનમાં સમસ્યાને ઉકેલવા માટે એક ક્ષેત્રમાંથી સિદ્ધાંત અથવા ખ્યાલ લાગુ કરે છે. વિચારોનું આ ક્રોસ-પરાગનયન સફળતાની ચાવી છે.
તેનું ઉત્તમ ઉદાહરણ જ્હોન હોપફિલ્ડનું 1982 માં થયેલું કાર્ય છે. તેમણે કન્ડેન્સ્ડ મેટર ફિઝિક્સથી લઈને કૃત્રિમ બુદ્ધિમત્તાના તત્કાલીન ક્ષેત્ર પર વિભાવનાઓ લાગુ કરી. આનાથી હોપફિલ્ડ નેટવર્ક્સનો વિકાસ થયો, એક પ્રકારનું ન્યુરલ નેટવર્ક જે યાદોને શીખવા અને યાદ કરવામાં સક્ષમ છે. તે અસંબંધિત વિદ્યાશાખાઓને જોડવાથી જન્મેલો એક ક્રાંતિકારી વિચાર હતો.
કેવી રીતે ગેરવાજબી લેબ્સનું AI મુખ્ય પ્રવાહના મોડલ્સથી અલગ છે
ગેરવાજબી લેબ્સમાં વિકસાવવામાં આવી રહેલી AI આંતરશાખાકીય સૂઝ માટે આ માનવ ક્ષમતાની નકલ કરવા માટે રચાયેલ છે. તેમનો ધ્યેય ભાષાનું મોટું મોડેલ બનાવવાનું નથી પરંતુ એક એવી સિસ્ટમ બનાવવાનું છે જે સમગ્ર વૈજ્ઞાનિક ડોમેન્સમાં તર્ક કરી શકે.
ઇન્ટરડિસિપ્લિનરી નોલેજ ગ્રાફ્સ: એકલા ટેક્સ્ટ પર તાલીમ આપવાને બદલે, તેમનું AI બહુવિધ વૈજ્ઞાનિક ક્ષેત્રો, જીવવિજ્ઞાનથી ભૌતિકશાસ્ત્ર સુધીના માળખાગત જ્ઞાનને એકીકૃત કરે છે. એનાલોજીકલ રીઝનીંગ એન્જીન્સ: કોર ટેક્નોલોજી વૈજ્ઞાનિક નવીનતાના ચાવીરૂપ પ્રેરક એવા અસંબંધિત વિભાવનાઓ વચ્ચે સમાનતા અને સમાનતા શોધવા પર ધ્યાન કેન્દ્રિત કરે છે. પૂર્વધારણા જનરેશન: પ્રણાલીને માત્ર હાલના ડેટાનું વિશ્લેષણ કરવા માટે નહીં, પરંતુ પરીક્ષણ કરી શકાય તેવી વૈજ્ઞાનિક પૂર્વધારણાઓ પ્રસ્તાવિત કરવા માટે બનાવવામાં આવી છે.
આ અભિગમ મોટાની સંપાદન વ્યૂહરચનાઓમાંથી નોંધપાત્ર પ્રસ્થાન દર્શાવે છેટેક ફર્મ્સ, જેમ કે ઝેન્ડેસ્ક એઆઈ સ્ટાર્ટઅપ ફોરથોટનું અધિગ્રહણ, જે ઘણી વખત નવા સ્વરૂપોની શોધને બદલે હાલની ગ્રાહક સેવા એપ્લિકેશનને શુદ્ધ કરવા પર ધ્યાન કેન્દ્રિત કરે છે.
એઆઈ-ડ્રિવન ડિસ્કવરીનું ભવિષ્ય
જો સફળ થાય, તો ગેરવાજબી લેબ્સની ટેક્નોલોજી નિર્ણાયક ક્ષેત્રોમાં સંશોધનને વેગ આપી શકે છે. એક AI ની કલ્પના કરો જે રસાયણશાસ્ત્ર અને જિનેટિક્સના સિદ્ધાંતોને જોડીને એક નવી દવા સંયોજન સૂચવી શકે. અથવા એક મોડેલ કે જે નેનોટેકનોલોજી અને થર્મોડાયનેમિક્સના ખ્યાલોને જોડીને ટકાઉ ઊર્જા માટે નવી સામગ્રીનો પ્રસ્તાવ મૂકે છે.
તબીબી સંશોધનને વેગ આપવાથી લઈને જટિલ પર્યાવરણીય પડકારોને ઉકેલવા સુધીની સંભવિત એપ્લિકેશનો વિશાળ છે. આ માનવ ચાતુર્યમાં સાચા ભાગીદાર બનવા માટે ઓટોમેશનથી આગળ વધીને AI માટે આગળની સીમાનું પ્રતિનિધિત્વ કરે છે.
નિષ્કર્ષ: એઆઈ ઈનોવેશનની નેક્સ્ટ વેવ
વિજ્ઞાનની શોધ માટે AI વિકસાવવાની રેસ જોરશોરથી ચાલી રહી છે, પરંતુ સાચી સફળતા ગેરવાજબી લેબ્સ જેવા વિશિષ્ટ સ્ટાર્ટઅપ્સમાં હોઈ શકે છે. આંતરશાખાકીય તર્ક પર તેમનું ધ્યાન વર્તમાન મોટા ભાષા મોડલની મર્યાદાઓથી આગળ આશાસ્પદ માર્ગ પ્રદાન કરે છે. સાચા અર્થમાં શોધી શકે તેવા AI બનાવવાની સફર હમણાં જ શરૂ થઈ છે.
AI અને ટેકનોલોજીમાં નવીનતમ નવીનતાઓ પર અપડેટ રહો. વધુ આંતરદૃષ્ટિ માટે અને આ લેખને સરળતાથી શેર કરવા માટે, તમારી મનપસંદ સામગ્રીને ક્યુરેટ કરવા માટે સીમલેસ પર તમારું મફત લિંક-ઇન-બાયો પેજ બનાવો.
