Uzsācējs mēģina jaunu triku, lai izstrādātu AI zinātnes atklājumiem
Uzsācējs mēģina jaunu triku, lai izstrādātu AI zinātnes atklājumiem
Mākslīgā intelekta attīstīšana zinātnes atklājumiem ir kļuvusi par monumentālu tehnoloģiju milžu mērķi. Uzņēmumi, piemēram, OpenAI un Anthropic, ir ieguvuši desmitiem miljardu finansējumu, solot AI sasniegumus medicīnā, bioloģijā un fizikā. Tomēr patiesi, mākslīgā intelekta vadīti zinātniski atklājumi joprojām ir nenotverami, kā to pierāda pagātnes incidenti, piemēram, atmaskots ChatGPT ģenerēts matemātikas atklājums. Pēc ekspertu domām, galvenais izaicinājums ir tas, ka pašreizējiem lielajiem valodu modeļiem (LLM) trūkst raksturīgās spējas patstāvīgi radīt jaunas zinātniskas zināšanas.
Kāpēc lielās AI laboratorijas cīnās ar zinātniskiem atklājumiem
Markus Buehler, MIT inženierzinātņu profesors, identificē būtisku ierobežojumu mūsdienu progresīvajā AI. Viņš apgalvo, ka modeļi, kas darbina sistēmas no OpenAI un Anthropic, nav paredzēti patiesai atklāšanai. To arhitektūra balstās uz modeļu atpazīšanu no esošajiem datiem, nevis jaunu teoriju vai hipotēžu radīšanu.
Tas tika spilgti ilustrēts pagājušā gada rudenī, kad ChatGPT it kā matemātisko atklājumu ātri atmaskoja. Epizode uzsvēra plaisu starp AI analītisko spēku un tās radošo, uz atklājumiem orientētu domāšanu. Tas ir izaicinājums, kas atgādina citus mākslīgā intelekta centienus, kur tehnoloģija cīnās ar oriģinalitāti, līdzīgi kā AI “aktiera” Tillija Norvuda kritika par patiesas radošuma trūkumu.
Galvenā problēma ar pašreizējiem AI modeļiem
Lielie valodu modeļi izceļas ar informācijas apstrādi un atgūšanu. Viņi var apkopot tekstus, atbildēt uz jautājumiem un pat rakstīt kodu, pamatojoties uz viņu apmācības datiem. Tomēr viņi darbojas jau apgūtā robežās.
Zinātniskais atklājums pēc savas būtības prasa iešanu nezināmajā. Tas ietver jaunu savienojumu veidošanu starp atšķirīgām jomām un tādu ideju ierosināšanu, kuras nav iekļautas nevienā apmācību datu kopā. Šis ir lēciens, kura veikšanai pašreizējais ģeneratīvais AI, kas koncentrējas uz satura izveidi un automatizāciju, nav izveidots. Nozare attīstās, kā redzams ar tādiem notikumiem kā WordPress Gūtenberga atjauninājums, kas liek pamatu AI publicēšanai, taču galvenais atklājumu izaicinājums joprojām ir.
Iepazīstinām ar nesaprātīgām laboratorijām: jauna pieeja zinātnei AI
Lai novērstu šo trūkumu, profesors Bīlers kopā ar Juaņu Kao, bijušo Google DeepMind vecāko darbinieku pētnieku, dibināja uzņēmumu Unreasonable Labs. Jaunuzņēmuma mērķis ir izveidot fundamentāli atšķirīgu pieeju AI izstrādei zinātniskiem atklājumiem. Tā vietā, lai paļautos tikai uz masveida datu uzņemšanu, viņi veido sistēmas, kas spēj spriest starpdisciplināri.
Unreasonable Labs nesen nodrošināja 13,5 miljonus USD finansējuma kārtā, ko vadīja Playground Global. Raundā piedalījās AIX Ventures, E14 Fund un MS&AD Ventures. Šis nozīmīgais ieguldījums uzsver tirgus ticību viņu jaunajai metodoloģijai.
Mācīšanās no "Aha" mirkļiem zinātnes vēsturē
Bīlera hipotēze ir tāda, ka daudzi lieliski atklājumi rodas no "aha" brīžiem. Tie ir gadījumi, kad zinātnieks pielieto teoriju vai koncepciju no vienas jomas, lai atrisinātu problēmu pilnīgi citā jomā. Šī ideju savstarpēja apputeksnēšana ir izrāvienu atslēga.
Klasisks piemērs ir Džona Hopfīlda darbs 1982. gadā. Viņš izmantoja koncepcijas no kondensētās vielas fizikas līdz tolaik topošajam mākslīgā intelekta laukam. Tas noveda pie Hopfīlda tīklu attīstības, neironu tīkla veida, kas spēj mācīties un atsaukt atmiņā atmiņas. Tā bija revolucionāra ideja, kas radās, savienojot nesaistītas disciplīnas.
Kā Unreonable Labs AI atšķiras no vispārpieņemtiem modeļiem
AI, kas tiek izstrādāta uzņēmumā Unreasonable Labs, ir izstrādāts, lai atdarinātu šo cilvēka spēju iegūt starpdisciplināru ieskatu. Viņu mērķis nav izveidot lielāku valodas modeli, bet gan izveidot sistēmu, kas var spriest dažādās zinātnes jomās.
Starpdisciplināri zināšanu grafiki: tā vietā, lai apmācītu tikai tekstu, viņu AI integrē strukturētas zināšanas no vairākām zinātnes jomām, sākot no bioloģijas un beidzot ar fiziku. Analogiskās spriešanas dzinēji: galvenā tehnoloģija ir vērsta uz analoģiju un paralēlu atrašanu starp šķietami nesaistītiem jēdzieniem, kas ir galvenais zinātniskās inovācijas virzītājspēks. Hipotēžu ģenerēšana: sistēma tiek izstrādāta, lai ierosinātu pārbaudāmas zinātniskas hipotēzes, nevis tikai analizētu esošos datus.
Šī pieeja ir būtiska atkāpe no lielāku iegādes stratēģijāmtehnoloģiju firmas, piemēram, Zendesk iegādājoties AI starta uzņēmumu Forethought, kas bieži vien koncentrējas uz esošo klientu apkalpošanas lietojumprogrammu uzlabošanu, nevis jaunu atklāšanas veidu celmlaužu.
AI vadīta atklājuma nākotne
Ja tas būs veiksmīgs, Unreasonable Labs tehnoloģija varētu paātrināt pētniecību kritiskās jomās. Iedomājieties AI, kas var ieteikt jaunu zāļu savienojumu, apvienojot ķīmijas un ģenētikas principus. Vai arī modelis, kas piedāvā jaunu materiālu ilgtspējīgai enerģijai, savienojot nanotehnoloģijas un termodinamikas koncepcijas.
Iespējamie pielietojumi ir plaši, sākot no medicīniskās izpētes paātrināšanas līdz sarežģītu vides problēmu risināšanai. Šī ir nākamā AI robeža, kas pārsniedz automatizāciju, lai kļūtu par īstu cilvēku atjautības partneri.
Secinājums: nākamais AI inovācijas vilnis
Cīņa par mākslīgā intelekta izstrādi zinātnes atklājumiem saasinās, taču patiesus panākumus var gūt specializēti jaunizveidoti uzņēmumi, piemēram, Unreasonable Labs. Viņu koncentrēšanās uz starpdisciplināru argumentāciju piedāvā daudzsološu ceļu, kas pārsniedz pašreizējo lielo valodu modeļu ierobežojumus. Ceļš uz AI izveidi, kas var patiesi atklāt, tikai sākas.
Esiet informēts par jaunākajiem jauninājumiem mākslīgā intelekta un tehnoloģiju jomā. Lai iegūtu plašāku ieskatu un ērti kopīgotu šo rakstu, vietnē Seemless izveidojiet savu bezmaksas saiti biogrāfijā, lai atlasītu savu iecienītāko saturu.
