Startuolis bando naują triuką, kad sukurtų dirbtinį intelektą mokslo atradimams
Startuolis bando naują triuką, kad sukurtų dirbtinį intelektą mokslo atradimams
Dirbtinio intelekto kūrimas mokslo atradimams tapo didžiuliu technologijų milžinų tikslu. Tokios įmonės kaip „OpenAI“ ir „Anthropic“ užsitikrino dešimčių milijardų finansavimą, žadėdamos dirbtinio intelekto proveržį medicinos, biologijos ir fizikos srityse. Tačiau tikrasis dirbtinio intelekto pagrįstas mokslinis atradimas tebėra sunkus, kaip rodo praeities įvykiai, tokie kaip atmestas ChatGPT sukurtas matematikos atradimas. Pagrindinis iššūkis, pasak ekspertų, yra tas, kad dabartiniams didelių kalbų modeliams (LLM) trūksta vidinės galimybės savarankiškai generuoti naujas mokslo žinias.
Kodėl didžiosios AI laboratorijos kovoja su moksliniais atradimais
Markusas Buehleris, MIT inžinerijos profesorius, nustato esminį šiuolaikinio pažangaus AI apribojimą. Jis teigia, kad modeliai, maitinantys sistemas iš OpenAI ir Anthropic, nėra skirti tikriems atradimams. Jų architektūra pagrįsta modelio atpažinimu iš esamų duomenų, o ne naujų teorijų ar hipotezių kūrimu.
Tai buvo ryškiai iliustruota praėjusį rudenį, kai tariamas „ChatGPT“ matematinis atradimas buvo greitai paneigtas. Epizodas pabrėžė atotrūkį tarp AI analitinės galios ir kūrybiško, į atradimus orientuoto mąstymo. Tai iššūkis, primenantis kitas dirbtinio intelekto pastangas, kai technologija kovoja su originalumu, panašiai kaip AI „aktoriaus“ Tilly Norwood kritika dėl tikro kūrybiškumo stokos.
Pagrindinė problema, susijusi su dabartiniais AI modeliais
Dideli kalbiniai modeliai puikiai apdoroja ir atgaivina informaciją. Jie gali apibendrinti tekstus, atsakyti į klausimus ir net parašyti kodą pagal savo mokymo duomenis. Tačiau jie veikia neperžengdami to, ką jau išmoko.
Mokslinis atradimas dėl savo prigimties reikalauja žengti į nežinomybę. Tai apima naujų ryšių tarp skirtingų sričių formavimą ir idėjų, kurių nėra jokiame mokymo duomenų rinkinyje, siūlymą. Tai yra šuolis, kuriam dabartinė generacinė AI, orientuota į turinio kūrimą ir automatizavimą, nėra sukurta. Pramonė vystosi, kaip matyti iš tokių pokyčių kaip „WordPress Gutenberg“ naujinimas, padedantis dirbtinio intelekto leidybos pagrindus, tačiau pagrindinis atradimo iššūkis išlieka.
Pristatome nepagrįstas laboratorijas: naujas požiūris į AI mokslui
Siekdamas pašalinti šią spragą, profesorius Buehleris kartu su Yuan Cao, buvusiu „Google DeepMind“ vyresniuoju tyrėju, įkūrė „Unreasonable Labs“. Startuolis siekia sukurti iš esmės kitokį požiūrį į AI kūrimą moksliniams atradimams. Užuot pasikliavę vien didžiuliu duomenų gavimu, jie kuria sistemas, galinčias mąstyti tarpdiscipliniškai.
„Unreasonable Labs“ neseniai užsitikrino 13,5 mln. USD finansavimo etape, kuriam vadovavo „Playground Global“. Jame dalyvavo AIX Ventures, E14 Fund ir MS&AD Ventures. Ši didelė investicija pabrėžia rinkos tikėjimą jų nauja metodika.
Mokymasis iš „Aha“ akimirkų mokslo istorijoje
Buehlerio hipotezė yra ta, kad daug puikių atradimų kyla iš „aha“ akimirkų. Tai atvejai, kai mokslininkas taiko vienos srities teoriją ar koncepciją, kad išspręstų problemą visiškai kitoje srityje. Šis kryžminis idėjų apdulkinimas yra raktas į proveržį.
Klasikinis pavyzdys yra Johno Hopfieldo darbas 1982 m. Jis pritaikė koncepcijas nuo kondensuotų medžiagų fizikos iki tada besiformuojančios dirbtinio intelekto srities. Dėl to buvo sukurti Hopfield tinklai, neuroninio tinklo tipas, galintis mokytis ir prisiminti prisiminimus. Tai buvo revoliucinė idėja, gimusi sujungiant nesusijusias disciplinas.
Kuo „Unreasonable Labs“ AI skiriasi nuo pagrindinių modelių
„Unreasonable Labs“ kuriamas dirbtinis intelektas yra sukurtas taip, kad imituotų šį žmogiškąjį tarpdisciplininės įžvalgos gebėjimą. Jų tikslas yra ne sukurti didesnį kalbos modelį, bet sukurti sistemą, kuri galėtų samprotauti įvairiose mokslo srityse.
Tarpdisciplininiai žinių grafikai: užuot mokęsis vien tik tekstu, jų AI integruoja struktūrizuotas žinias iš kelių mokslo sričių, nuo biologijos iki fizikos. Analoginiai samprotavimo varikliai: pagrindinė technologija skirta ieškoti analogijų ir paralelių tarp iš pažiūros nesusijusių sąvokų, kurios yra pagrindinė mokslinių naujovių varomoji jėga. Hipotezių generavimas: sistema sukurta siekiant pasiūlyti patikrinamas mokslines hipotezes, o ne tik analizuoti esamus duomenis.
Šis metodas yra reikšmingas nukrypimas nuo didesnių įsigijimo strategijųtechnologijų įmonės, pvz., „Zendesk“ įsigijo AI startuolį „Forethought“, kurios dažnai daugiausia dėmesio skiria esamų klientų aptarnavimo programų tobulinimui, o ne naujų atradimų formoms.
AI skatinamo atradimo ateitis
Jei pasiseks, „Unreasonable Labs“ technologija galėtų paspartinti tyrimus svarbiose srityse. Įsivaizduokite dirbtinį intelektą, kuris, derindamas chemijos ir genetikos principus, gali pasiūlyti naują vaistų junginį. Arba modelis, kuriame siūloma nauja tvarios energijos medžiaga, susiejant nanotechnologijų ir termodinamikos koncepcijas.
Galimos pritaikymo galimybės yra didžiulės – nuo medicininių tyrimų spartinimo iki sudėtingų aplinkosaugos problemų sprendimo. Tai yra kita AI riba, peržengianti automatizavimą ir tampanti tikru žmogaus išradingumo partneriu.
Išvada: kita AI inovacijų banga
Varžybos plėtoti dirbtinį intelektą mokslo atradimams įkaista, tačiau tikroji sėkmė gali slypėti specializuotoms naujoms įmonėms, tokioms kaip „Unreasonable Labs“. Jų dėmesys tarpdisciplininiam samprotavimui siūlo daug žadantį kelią, peržengiantį dabartinių didelių kalbų modelių apribojimus. Kelionė kuriant AI, galintį iš tikrųjų atrasti, tik prasideda.
Sekite naujausias AI ir technologijų naujoves. Norėdami gauti daugiau įžvalgų ir lengvai bendrinti šį straipsnį, sukurkite nemokamą „Seemless“ biografijos nuorodą ir kuruokite mėgstamą turinį.
