विज्ञान खोज के लिए एआई विकसित करने के लिए स्टार्टअप एक नई तरकीब आजमा रहा है
विज्ञान खोज के लिए एआई विकसित करने के लिए स्टार्टअप एक नई तरकीब आजमा रहा है
विज्ञान की खोज के लिए कृत्रिम बुद्धिमत्ता विकसित करना तकनीकी दिग्गजों के लिए एक महत्वपूर्ण लक्ष्य बन गया है। ओपनएआई और एंथ्रोपिक जैसी कंपनियों ने चिकित्सा, जीव विज्ञान और भौतिकी में एआई सफलताओं के वादे के साथ दसियों अरबों की फंडिंग हासिल की है। हालाँकि, सच्ची एआई-संचालित वैज्ञानिक खोज मायावी बनी हुई है, जैसा कि चैटजीपीटी-जनरेटेड गणित खोज जैसी पिछली घटनाओं से पता चलता है। विशेषज्ञों के अनुसार, मुख्य चुनौती यह है कि वर्तमान बड़े भाषा मॉडल (एलएलएम) में स्वायत्त रूप से नवीन वैज्ञानिक ज्ञान उत्पन्न करने की आंतरिक क्षमता का अभाव है।
बड़ी एआई लैब्स वैज्ञानिक खोज से क्यों जूझ रही हैं?
एमआईटी इंजीनियरिंग प्रोफेसर मार्कस ब्यूहलर आज के उन्नत एआई में एक मूलभूत सीमा की पहचान करते हैं। उनका तर्क है कि ओपनएआई और एंथ्रोपिक के मॉडल पावरिंग सिस्टम वास्तविक खोज के लिए डिज़ाइन नहीं किए गए हैं। उनकी वास्तुकला मौजूदा डेटा से पैटर्न पहचान पर आधारित है, न कि नए सिद्धांत या परिकल्पना बनाने पर।
यह पिछले पतझड़ में स्पष्ट रूप से चित्रित किया गया था जब चैटजीपीटी द्वारा एक कथित गणितीय खोज को तुरंत खारिज कर दिया गया था। इस एपिसोड में एआई की विश्लेषणात्मक शक्ति और इसकी रचनात्मक, खोज-उन्मुख सोच के बीच अंतर पर प्रकाश डाला गया। यह अन्य एआई प्रयासों की याद दिलाने वाली एक चुनौती है जहां प्रौद्योगिकी मौलिकता के साथ संघर्ष करती है, वास्तविक रचनात्मकता की कमी के लिए एआई 'अभिनेता' टिली नॉरवुड द्वारा की गई आलोचना की तरह।
वर्तमान एआई मॉडल के साथ मुख्य समस्या
बड़े भाषा मॉडल सूचना को संसाधित करने और पुनः एकत्रित करने में उत्कृष्टता प्राप्त करते हैं। वे पाठों का सारांश दे सकते हैं, प्रश्नों के उत्तर दे सकते हैं और यहां तक कि अपने प्रशिक्षण डेटा के आधार पर कोड भी लिख सकते हैं। हालाँकि, वे जो पहले ही सीख चुके हैं उसके दायरे में रहकर काम करते हैं।
वैज्ञानिक खोज, अपने स्वभाव से, अज्ञात में कदम रखने की आवश्यकता होती है। इसमें अलग-अलग क्षेत्रों के बीच नए संबंध बनाना और उन विचारों को प्रस्तावित करना शामिल है जो किसी भी प्रशिक्षण डेटासेट में मौजूद नहीं हैं। यह एक छलांग है जिसे सामग्री निर्माण और स्वचालन पर केंद्रित वर्तमान जेनेरिक एआई बनाने के लिए नहीं बनाया गया है। उद्योग विकसित हो रहा है, जैसा कि वर्डप्रेस गुटेनबर्ग अपडेट जैसे विकास के साथ देखा गया है जो एआई प्रकाशन के लिए आधार तैयार कर रहा है, लेकिन खोज के लिए मुख्य चुनौती बनी हुई है।
अनुचित प्रयोगशालाओं का परिचय: विज्ञान के लिए एआई का एक नया दृष्टिकोण
इस अंतर को दूर करने के लिए, प्रोफेसर ब्यूहलर ने Google DeepMind के पूर्व वरिष्ठ स्टाफ अनुसंधान वैज्ञानिक युआन काओ के साथ अनरीज़नेबल लैब्स की सह-स्थापना की। स्टार्टअप का लक्ष्य वैज्ञानिक खोज के लिए एआई विकसित करने के लिए एक मौलिक रूप से अलग दृष्टिकोण का नेतृत्व करना है। पूरी तरह से बड़े पैमाने पर डेटा अंतर्ग्रहण पर निर्भर रहने के बजाय, वे अंतःविषय तर्क करने में सक्षम सिस्टम का निर्माण कर रहे हैं।
अनरीज़नेबल लैब्स ने हाल ही में प्लेग्राउंड ग्लोबल के नेतृत्व में एक फंडिंग राउंड में 13.5 मिलियन डॉलर हासिल किए। इस दौर में AIX वेंचर्स, E14 फंड और MS&AD वेंचर्स की भागीदारी देखी गई। यह महत्वपूर्ण निवेश उनकी नवीन पद्धति में बाजार के विश्वास को रेखांकित करता है।
विज्ञान के इतिहास में "अहा" क्षणों से सीखना
ब्यूहलर की परिकल्पना है कि कई महान खोजें "अहा" क्षणों से उत्पन्न होती हैं। ये ऐसे उदाहरण हैं जहां एक वैज्ञानिक एक समस्या को पूरी तरह से अलग डोमेन में हल करने के लिए एक क्षेत्र से एक सिद्धांत या अवधारणा को लागू करता है। विचारों का यह परस्पर-परागण सफलताओं की कुंजी है।
एक उत्कृष्ट उदाहरण 1982 में जॉन हॉपफील्ड का काम है। उन्होंने संघनित पदार्थ भौतिकी से लेकर कृत्रिम बुद्धिमत्ता के तत्कालीन उभरते क्षेत्र तक अवधारणाओं को लागू किया। इससे हॉपफील्ड नेटवर्क का विकास हुआ, जो एक प्रकार का तंत्रिका नेटवर्क है जो सीखने और यादों को याद करने में सक्षम है। यह असंबंधित विषयों को जोड़ने से जन्मा एक क्रांतिकारी विचार था।
कैसे अनुचित लैब्स का एआई मुख्यधारा के मॉडल से भिन्न है
अनरीज़नेबल लैब्स में विकसित किया जा रहा एआई अंतःविषय अंतर्दृष्टि के लिए इस मानवीय क्षमता की नकल करने के लिए डिज़ाइन किया गया है। उनका लक्ष्य एक बड़ा भाषा मॉडल बनाना नहीं है, बल्कि एक ऐसी प्रणाली का निर्माण करना है जो वैज्ञानिक क्षेत्रों में तर्क कर सके।
अंतःविषय ज्ञान ग्राफ: अकेले पाठ पर प्रशिक्षण के बजाय, उनका एआई जीवविज्ञान से भौतिकी तक कई वैज्ञानिक क्षेत्रों से संरचित ज्ञान को एकीकृत करता है। एनालॉजिकल रीजनिंग इंजन: मुख्य तकनीक वैज्ञानिक नवाचार के प्रमुख चालक, प्रतीत होने वाली असंबद्ध अवधारणाओं के बीच समानताएं और समानताएं खोजने पर केंद्रित है। परिकल्पना निर्माण: प्रणाली को केवल मौजूदा डेटा का विश्लेषण करने के लिए ही नहीं, बल्कि परीक्षण योग्य वैज्ञानिक परिकल्पनाओं को प्रस्तावित करने के लिए डिज़ाइन किया जा रहा है।
यह दृष्टिकोण बड़ी अधिग्रहण रणनीतियों से एक महत्वपूर्ण विचलन का प्रतिनिधित्व करता हैतकनीकी कंपनियाँ, जैसे कि एआई स्टार्टअप फ़ोरथॉट का ज़ेंडेस्क अधिग्रहण, जो अक्सर खोज के नए रूपों को आगे बढ़ाने के बजाय मौजूदा ग्राहक सेवा अनुप्रयोगों को परिष्कृत करने पर ध्यान केंद्रित करते हैं।
एआई-संचालित खोज का भविष्य
सफल होने पर, अनरीज़नेबल लैब्स की तकनीक महत्वपूर्ण क्षेत्रों में अनुसंधान को गति दे सकती है। एक ऐसे एआई की कल्पना करें जो रसायन विज्ञान और आनुवंशिकी के सिद्धांतों को मिलाकर एक नई दवा यौगिक का सुझाव दे सके। या एक मॉडल जो नैनोटेक्नोलॉजी और थर्मोडायनामिक्स की अवधारणाओं को जोड़कर टिकाऊ ऊर्जा के लिए एक नई सामग्री का प्रस्ताव करता है।
चिकित्सा अनुसंधान में तेजी लाने से लेकर जटिल पर्यावरणीय चुनौतियों को हल करने तक संभावित अनुप्रयोग विशाल हैं। यह एआई के लिए अगली सीमा का प्रतिनिधित्व करता है, जो स्वचालन से आगे बढ़कर मानव प्रतिभा में सच्चा भागीदार बन जाता है।
निष्कर्ष: एआई इनोवेशन की अगली लहर
विज्ञान की खोज के लिए एआई विकसित करने की दौड़ तेज हो रही है, लेकिन सच्ची सफलता अनरीज़नेबल लैब्स जैसे विशेष स्टार्टअप के साथ हो सकती है। अंतःविषय तर्क पर उनका ध्यान वर्तमान बड़े भाषा मॉडल की सीमाओं से परे एक आशाजनक मार्ग प्रदान करता है। एक ऐसी एआई बनाने की यात्रा जो वास्तव में खोज कर सकती है, अभी शुरुआत है।
एआई और प्रौद्योगिकी में नवीनतम नवाचारों पर अपडेट रहें। अधिक जानकारी के लिए और इस लेख को आसानी से साझा करने के लिए, अपनी पसंदीदा सामग्री को क्यूरेट करने के लिए सीमलेस पर अपना निःशुल्क लिंक-इन-बायो पेज बनाएं।
