Startup'et prøver et nyt trick til at udvikle AI til videnskabsopdagelse
Startup'et prøver et nyt trick til at udvikle AI til videnskabsopdagelse
Udvikling af kunstig intelligens til videnskabelig opdagelse er blevet et monumentalt mål for teknologigiganter. Virksomheder som OpenAI og Anthropic har sikret sig titusindvis af milliarder i finansiering med løfter om AI-gennembrud inden for medicin, biologi og fysik. Ægte AI-drevet videnskabelig opdagelse forbliver dog uhåndgribelig, som demonstreret af tidligere hændelser som en afkræftet ChatGPT-genereret matematikfund. Kerneudfordringen er ifølge eksperter, at nuværende store sprogmodeller (LLM'er) mangler den iboende evne til at generere ny videnskabelig viden autonomt.
Hvorfor store AI-laboratorier kæmper med videnskabelig opdagelse
Markus Buehler, en MIT-ingeniørprofessor, identificerer en fundamental begrænsning i nutidens avancerede AI. Han hævder, at modellerne, der driver systemer fra OpenAI og Anthropic, ikke er designet til ægte opdagelse. Deres arkitektur er baseret på mønstergenkendelse fra eksisterende data, ikke på at skabe nye teorier eller hypoteser.
Dette blev tydeligt illustreret sidste efterår, da en påstået matematisk opdagelse af ChatGPT hurtigt blev afkræftet. Episoden fremhævede kløften mellem AI's analytiske kraft og dens kreative, opdagelsesorienterede tænkning. Det er en udfordring, der minder om andre AI-bestræbelser, hvor teknologien kæmper med originalitet, ligesom den kritik, som AI-skuespilleren Tilly Norwood møder for at mangle ægte kreativitet.
Kerneproblemet med nuværende AI-modeller
Store sprogmodeller udmærker sig ved at behandle og regurgitere information. De kan opsummere tekster, besvare spørgsmål og endda skrive kode baseret på deres træningsdata. Men de opererer inden for rammerne af, hvad de allerede har lært.
Videnskabelig opdagelse kræver i sagens natur at træde ind i det ukendte. Det involverer at danne nye forbindelser mellem uensartede felter og foreslå ideer, der ikke er til stede i noget træningsdatasæt. Dette er et spring, som den nuværende generative AI, der fokuserer på indholdsskabelse og automatisering, ikke er bygget til at tage. Branchen udvikler sig, som det ses med udviklinger som WordPress Gutenberg-opdateringen, der lægger grunden til AI-publicering, men kerneudfordringen for opdagelse er fortsat.
Introduktion af Unreasonable Labs: A New Approach to AI for Science
For at løse dette hul, grundlagde professor Buehler Unreasonable Labs sammen med Yuan Cao, en tidligere seniorforsker hos Google DeepMind. Opstarten sigter mod at være pioner med en fundamentalt anderledes tilgang til udvikling af kunstig intelligens til videnskabelig opdagelse. I stedet for udelukkende at stole på massiv dataindtagelse, bygger de systemer, der er i stand til tværfagligt ræsonnement.
Unreasonable Labs sikrede sig for nylig $13,5 millioner i en finansieringsrunde ledet af Playground Global. I runden deltog AIX Ventures, E14 Fund og MS&AD Ventures. Denne betydelige investering understreger markedets tro på deres nye metode.
At lære af "Aha"-øjeblikke i videnskabshistorien
Buehlers hypotese er, at mange store opdagelser opstår fra "aha"-øjeblikke. Det er tilfælde, hvor en videnskabsmand anvender en teori eller et koncept fra et felt til at løse et problem i et helt andet domæne. Denne krydsbestøvning af ideer er nøglen til gennembrud.
Et klassisk eksempel er John Hopfields arbejde i 1982. Han anvendte begreber fra det kondenserede stofs fysik til det dengang spirende felt af kunstig intelligens. Dette førte til udviklingen af Hopfield-netværk, en type neurale netværk, der er i stand til at lære og genkalde minder. Det var en revolutionær idé født af at forbinde uafhængige discipliner.
Hvor urimelig Labs' AI adskiller sig fra almindelige modeller
Den kunstige intelligens, der udvikles hos Unreasonable Labs, er designet til at efterligne denne menneskelige evne til tværfaglig indsigt. Deres mål er ikke at skabe en større sprogmodel, men at bygge et system, der kan ræsonnere på tværs af videnskabelige domæner.
Tværfaglige vidensgrafer: I stedet for at træne på tekst alene, integrerer deres AI struktureret viden fra flere videnskabelige områder, fra biologi til fysik. Analogiske ræsonnementmotorer: Kerneteknologien fokuserer på at finde analogier og paralleller mellem tilsyneladende ikke-relaterede begreber, en nøgledrivkraft for videnskabelig innovation. Hypotesegenerering: Systemet er designet til at foreslå testbare videnskabelige hypoteser, ikke blot analysere eksisterende data.
Denne tilgang repræsenterer en væsentlig afvigelse fra større opkøbsstrategiertech-firmaer, såsom Zendesk-opkøbet af AI-startup Forethought, som ofte fokuserer på at forfine eksisterende kundeserviceapplikationer i stedet for at være banebrydende for nye former for opdagelse.
Fremtiden for AI-drevet opdagelse
Hvis det lykkes, kan Unreasonable Labs' teknologi accelerere forskningen på kritiske områder. Forestil dig en kunstig intelligens, der kan foreslå en ny lægemiddelforbindelse ved at kombinere principper fra kemi og genetik. Eller en model, der foreslår et nyt materiale til bæredygtig energi ved at forbinde begreber fra nanoteknologi og termodynamik.
De potentielle anvendelser er enorme, fra accelererende medicinsk forskning til løsning af komplekse miljømæssige udfordringer. Dette repræsenterer den næste grænse for AI, der bevæger sig ud over automatisering for at blive en sand partner i menneskelig opfindsomhed.
Konklusion: Den næste bølge af AI-innovation
Kapløbet om at udvikle kunstig intelligens til videnskabsopdagelse er ved at blive varmere, men sand succes kan ligge hos specialiserede startups som Unreasonable Labs. Deres fokus på tværfaglig ræsonnement tilbyder en lovende vej ud over begrænsningerne af nuværende store sprogmodeller. Rejsen til at skabe en AI, der virkelig kan opdage, er lige begyndt.
Hold dig opdateret om de seneste innovationer inden for AI og teknologi. For mere indsigt og for nemt at dele denne artikel, opret din gratis link-i-bio-side på Seemless for at kurere dit yndlingsindhold.
