സയൻസ് ഡിസ്കവറിക്കായി AI വികസിപ്പിക്കാൻ സ്റ്റാർട്ടപ്പ് ഒരു പുതിയ തന്ത്രം പരീക്ഷിക്കുന്നു
സയൻസ് ഡിസ്കവറിക്കായി AI വികസിപ്പിക്കാൻ സ്റ്റാർട്ടപ്പ് ഒരു പുതിയ തന്ത്രം പരീക്ഷിക്കുന്നു
ശാസ്ത്ര കണ്ടുപിടിത്തത്തിനായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വികസിപ്പിച്ചെടുക്കുക എന്നത് ടെക് ഭീമൻമാരുടെ ഒരു വലിയ ലക്ഷ്യമായി മാറിയിരിക്കുന്നു. ഓപ്പൺഎഐ, ആന്ത്രോപിക് പോലുള്ള കമ്പനികൾ വൈദ്യശാസ്ത്രം, ജീവശാസ്ത്രം, ഭൗതികശാസ്ത്രം എന്നിവയിൽ AI മുന്നേറ്റങ്ങളുടെ വാഗ്ദാനങ്ങളോടെ പതിനായിരക്കണക്കിന് കോടിക്കണക്കിന് ഫണ്ടിംഗ് നേടിയിട്ടുണ്ട്. എന്നിരുന്നാലും, യഥാർത്ഥ AI-അധിഷ്ഠിത ശാസ്ത്ര കണ്ടെത്തൽ അവ്യക്തമായി തുടരുന്നു, ചാറ്റ്ജിപിടി സൃഷ്ടിച്ച ഗണിത കണ്ടെത്തൽ പോലെയുള്ള മുൻകാല സംഭവങ്ങൾ തെളിയിക്കുന്നു. വിദഗ്ധരുടെ അഭിപ്രായത്തിൽ കാതലായ വെല്ലുവിളി, നിലവിലുള്ള വലിയ ഭാഷാ മോഡലുകൾക്ക് (എൽഎൽഎം) പുതുമയുള്ള ശാസ്ത്രീയ വിജ്ഞാനം സ്വയമേവ സൃഷ്ടിക്കുന്നതിനുള്ള ആന്തരിക കഴിവില്ല എന്നതാണ്.
എന്തുകൊണ്ടാണ് വലിയ AI ലാബുകൾ ശാസ്ത്രീയ കണ്ടെത്തലുമായി പോരാടുന്നത്
MIT എഞ്ചിനീയറിംഗ് പ്രൊഫസറായ Markus Buehler, ഇന്നത്തെ നൂതന AI-യിൽ ഒരു അടിസ്ഥാന പരിമിതി തിരിച്ചറിയുന്നു. ഓപ്പൺ എഐ, ആന്ത്രോപിക് എന്നിവയിൽ നിന്നുള്ള മോഡലുകൾ പവർ ചെയ്യുന്ന സിസ്റ്റങ്ങൾ യഥാർത്ഥ കണ്ടെത്തലിനായി രൂപകൽപ്പന ചെയ്തിട്ടില്ലെന്ന് അദ്ദേഹം വാദിക്കുന്നു. അവരുടെ വാസ്തുവിദ്യ നിലവിലുള്ള ഡാറ്റയിൽ നിന്നുള്ള പാറ്റേൺ തിരിച്ചറിയലിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, പുതിയ സിദ്ധാന്തങ്ങളോ അനുമാനങ്ങളോ സൃഷ്ടിക്കുന്നതിലല്ല.
കഴിഞ്ഞ ശരത്കാലത്തിൽ ChatGPT യുടെ ഒരു ഗണിതശാസ്ത്ര കണ്ടെത്തൽ പെട്ടെന്ന് പൊളിച്ചെഴുതിയപ്പോൾ ഇത് വ്യക്തമായി ചിത്രീകരിക്കപ്പെട്ടു. AI-യുടെ വിശകലന ശക്തിയും അതിൻ്റെ സർഗ്ഗാത്മകവും കണ്ടെത്തൽ അധിഷ്ഠിതവുമായ ചിന്തയും തമ്മിലുള്ള അന്തരം എപ്പിസോഡ് എടുത്തുകാണിച്ചു. യഥാർത്ഥ സർഗ്ഗാത്മകതയുടെ അഭാവം മൂലം AI 'നടൻ' ടില്ലി നോർവുഡ് നേരിടുന്ന വിമർശനം പോലെ, സാങ്കേതികവിദ്യ മൗലികതയുമായി പൊരുതുന്ന മറ്റ് AI ശ്രമങ്ങളെ അനുസ്മരിപ്പിക്കുന്ന ഒരു വെല്ലുവിളിയാണിത്.
നിലവിലെ AI മോഡലുകളുടെ പ്രധാന പ്രശ്നം
വലിയ ഭാഷാ മോഡലുകൾ വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിലും പുനരുജ്ജീവിപ്പിക്കുന്നതിലും മികവ് പുലർത്തുന്നു. അവർക്ക് അവരുടെ പരിശീലന ഡാറ്റയെ അടിസ്ഥാനമാക്കി ടെക്സ്റ്റുകൾ സംഗ്രഹിക്കാനും ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനും കോഡ് എഴുതാനും കഴിയും. എന്നിരുന്നാലും, അവർ ഇതിനകം പഠിച്ചതിൻ്റെ പരിധിക്കുള്ളിൽ പ്രവർത്തിക്കുന്നു.
ശാസ്ത്രീയ കണ്ടുപിടുത്തത്തിന്, അതിൻ്റെ സ്വഭാവമനുസരിച്ച്, അജ്ഞാതമായതിലേക്ക് ചുവടുവെക്കേണ്ടതുണ്ട്. വ്യത്യസ്ത ഫീൽഡുകൾക്കിടയിൽ പുതിയ കണക്ഷനുകൾ രൂപീകരിക്കുന്നതും പരിശീലന ഡാറ്റാസെറ്റിൽ ഇല്ലാത്ത ആശയങ്ങൾ നിർദ്ദേശിക്കുന്നതും ഇതിൽ ഉൾപ്പെടുന്നു. ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിലും ഓട്ടോമേഷനിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന നിലവിലെ ജനറേറ്റീവ് AI നിർമ്മിക്കാൻ കഴിയാത്ത ഒരു കുതിച്ചുചാട്ടമാണിത്. വേർഡ്പ്രസ്സ് ഗുട്ടൻബർഗ് അപ്ഡേറ്റ് AI പ്രസിദ്ധീകരണത്തിന് അടിത്തറ പാകുന്നത് പോലെയുള്ള സംഭവവികാസങ്ങൾക്കൊപ്പം വ്യവസായം വികസിച്ചുകൊണ്ടിരിക്കുന്നു, പക്ഷേ കണ്ടെത്തലിനുള്ള പ്രധാന വെല്ലുവിളി അവശേഷിക്കുന്നു.
യുക്തിരഹിതമായ ലാബുകൾ അവതരിപ്പിക്കുന്നു: ശാസ്ത്രത്തിനായുള്ള AI-യിലേക്കുള്ള ഒരു പുതിയ സമീപനം
ഈ വിടവ് പരിഹരിക്കുന്നതിനായി, പ്രൊഫസർ ബ്യൂഹ്ലർ Google DeepMind-ലെ മുൻ സീനിയർ സ്റ്റാഫ് റിസർച്ച് സയൻ്റിസ്റ്റായ യുവാൻ കാവോയുമായി സഹകരിച്ച് യുക്തിരഹിതമായ ലാബ്സ് സ്ഥാപിച്ചു. ശാസ്ത്രീയ കണ്ടുപിടുത്തത്തിനായി AI വികസിപ്പിക്കുന്നതിന് അടിസ്ഥാനപരമായി വ്യത്യസ്തമായ ഒരു സമീപനത്തിന് തുടക്കമിടുകയാണ് സ്റ്റാർട്ടപ്പ് ലക്ഷ്യമിടുന്നത്. വൻതോതിലുള്ള ഡാറ്റ ഉൾപ്പെടുത്തലിനെ മാത്രം ആശ്രയിക്കുന്നതിനുപകരം, അവർ ഇൻ്റർ ഡിസിപ്ലിനറി യുക്തിസഹമായ സംവിധാനങ്ങൾ നിർമ്മിക്കുകയാണ്.
പ്ലേഗ്രൗണ്ട് ഗ്ലോബലിൻ്റെ നേതൃത്വത്തിൽ നടന്ന ഫണ്ടിംഗ് റൗണ്ടിൽ യുക്തിരഹിതമായ ലാബ്സ് അടുത്തിടെ $13.5 മില്യൺ നേടി. AIX വെഞ്ചേഴ്സ്, E14 ഫണ്ട്, MS&AD വെഞ്ചേഴ്സ് എന്നിവയിൽ നിന്നുള്ള പങ്കാളിത്തം റൗണ്ടിൽ കണ്ടു. ഈ സുപ്രധാന നിക്ഷേപം അവരുടെ പുതിയ രീതിശാസ്ത്രത്തിലുള്ള വിപണിയുടെ വിശ്വാസത്തെ അടിവരയിടുന്നു.
ശാസ്ത്ര ചരിത്രത്തിലെ "ആഹാ" നിമിഷങ്ങളിൽ നിന്ന് പഠിക്കുന്നു
ബ്യൂലറുടെ അനുമാനം "ആഹാ" നിമിഷങ്ങളിൽ നിന്നാണ് പല മഹത്തായ കണ്ടെത്തലുകളും ഉണ്ടാകുന്നത്. തികച്ചും വ്യത്യസ്തമായ ഒരു ഡൊമെയ്നിൽ ഒരു പ്രശ്നം പരിഹരിക്കുന്നതിന് ഒരു ശാസ്ത്രജ്ഞൻ ഒരു ഫീൽഡിൽ നിന്ന് ഒരു സിദ്ധാന്തമോ ആശയമോ പ്രയോഗിക്കുന്ന സന്ദർഭങ്ങളാണിവ. ആശയങ്ങളുടെ ഈ ക്രോസ്-പരാഗണമാണ് മുന്നേറ്റങ്ങളുടെ താക്കോൽ.
1982-ൽ ജോൺ ഹോപ്ഫീൽഡിൻ്റെ കൃതിയാണ് ഒരു മികച്ച ഉദാഹരണം. അദ്ദേഹം ഘനീഭവിച്ച ദ്രവ്യ ഭൗതികശാസ്ത്രത്തിൽ നിന്നുള്ള ആശയങ്ങൾ കൃത്രിമ ബുദ്ധിയുടെ അന്നത്തെ നവീന മേഖലയിലേക്ക് പ്രയോഗിച്ചു. ഇത് ഹോപ്ഫീൽഡ് നെറ്റ്വർക്കുകളുടെ വികാസത്തിലേക്ക് നയിച്ചു, ഒരു തരം ന്യൂറൽ നെറ്റ്വർക്ക് ഓർമ്മകൾ പഠിക്കാനും ഓർമ്മിപ്പിക്കാനും പ്രാപ്തമാണ്. ബന്ധമില്ലാത്ത വിഷയങ്ങളെ കൂട്ടിയിണക്കുന്നതിൽ നിന്ന് ജനിച്ച വിപ്ലവകരമായ ആശയമായിരുന്നു അത്.
യുക്തിരഹിതമായ ലാബുകളുടെ AI മുഖ്യധാരാ മോഡലുകളിൽ നിന്ന് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു
യുക്തിരഹിതമായ ലാബുകളിൽ വികസിപ്പിച്ചെടുക്കുന്ന AI, ഇൻ്റർ ഡിസിപ്ലിനറി ഉൾക്കാഴ്ചയ്ക്കുള്ള മനുഷ്യൻ്റെ ഈ കഴിവിനെ അനുകരിക്കുന്നതിനാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. അവരുടെ ലക്ഷ്യം ഒരു വലിയ ഭാഷാ മാതൃക സൃഷ്ടിക്കുകയല്ല, മറിച്ച് ശാസ്ത്രീയ മേഖലകളിൽ യുക്തിസഹമായ ഒരു സംവിധാനം നിർമ്മിക്കുക എന്നതാണ്.
ഇൻ്റർ ഡിസിപ്ലിനറി നോളജ് ഗ്രാഫുകൾ: വാചകത്തിൽ മാത്രമുള്ള പരിശീലനത്തിനുപകരം, ബയോളജി മുതൽ ഭൗതികശാസ്ത്രം വരെയുള്ള ഒന്നിലധികം ശാസ്ത്ര മേഖലകളിൽ നിന്നുള്ള ഘടനാപരമായ അറിവ് അവരുടെ AI സമന്വയിപ്പിക്കുന്നു. അനലോഗിക്കൽ റീസണിംഗ് എഞ്ചിനുകൾ: ശാസ്ത്രീയ നവീകരണത്തിൻ്റെ ഒരു പ്രധാന ചാലകമായ, ബന്ധമില്ലാത്ത ആശയങ്ങൾ തമ്മിലുള്ള സാമ്യങ്ങളും സമാന്തരങ്ങളും കണ്ടെത്തുന്നതിൽ പ്രധാന സാങ്കേതികവിദ്യ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. പരികല്പന ജനറേഷൻ: നിലവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യാതെ, പരീക്ഷിക്കാവുന്ന ശാസ്ത്രീയ സിദ്ധാന്തങ്ങൾ നിർദ്ദേശിക്കുന്നതിനാണ് സിസ്റ്റം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.
This approach represents a significant departure from the acquisition strategies of largerAI സ്റ്റാർട്ടപ്പ് ഫോർത്തോട്ടിൻ്റെ Zendesk ഏറ്റെടുക്കൽ പോലെയുള്ള സാങ്കേതിക സ്ഥാപനങ്ങൾ, പുതിയ കണ്ടുപിടിത്തങ്ങൾക്ക് തുടക്കമിടുന്നതിനുപകരം നിലവിലുള്ള ഉപഭോക്തൃ സേവന ആപ്ലിക്കേഷനുകൾ പരിഷ്കരിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
AI-ഡ്രൈവൻ ഡിസ്കവറിയുടെ ഭാവി
വിജയിക്കുകയാണെങ്കിൽ, യുക്തിരഹിത ലാബുകളുടെ സാങ്കേതികവിദ്യ നിർണായക മേഖലകളിലെ ഗവേഷണം ത്വരിതപ്പെടുത്തും. രസതന്ത്രം, ജനിതകശാസ്ത്രം എന്നിവയിൽ നിന്നുള്ള തത്വങ്ങൾ സംയോജിപ്പിച്ച് ഒരു പുതിയ മയക്കുമരുന്ന് സംയുക്തം നിർദ്ദേശിക്കാൻ കഴിയുന്ന ഒരു AI സങ്കൽപ്പിക്കുക. അല്ലെങ്കിൽ നാനോടെക്നോളജിയിൽ നിന്നും തെർമോഡൈനാമിക്സിൽ നിന്നുമുള്ള ആശയങ്ങളെ ബന്ധിപ്പിച്ച് സുസ്ഥിര ഊർജ്ജത്തിനായി ഒരു പുതിയ മെറ്റീരിയൽ നിർദ്ദേശിക്കുന്ന ഒരു മാതൃക.
മെഡിക്കൽ ഗവേഷണം ത്വരിതപ്പെടുത്തുന്നത് മുതൽ സങ്കീർണ്ണമായ പാരിസ്ഥിതിക വെല്ലുവിളികൾ പരിഹരിക്കുന്നത് വരെ സാധ്യതയുള്ള ആപ്ലിക്കേഷനുകൾ വളരെ വലുതാണ്. ഇത് AI-യുടെ അടുത്ത അതിർത്തിയെ പ്രതിനിധീകരിക്കുന്നു, ഓട്ടോമേഷനും അപ്പുറം മനുഷ്യൻ്റെ ചാതുര്യത്തിൽ ഒരു യഥാർത്ഥ പങ്കാളിയാകുന്നു.
ഉപസംഹാരം: AI ഇന്നൊവേഷൻ്റെ അടുത്ത തരംഗം
ശാസ്ത്ര കണ്ടുപിടുത്തത്തിനായി AI വികസിപ്പിക്കാനുള്ള ഓട്ടം ചൂടുപിടിക്കുകയാണ്, പക്ഷേ യഥാർത്ഥ വിജയം യുക്തിരഹിതമായ ലാബുകൾ പോലെയുള്ള പ്രത്യേക സ്റ്റാർട്ടപ്പുകളിലായിരിക്കാം. നിലവിലുള്ള വലിയ ഭാഷാ മാതൃകകളുടെ പരിമിതികൾക്കപ്പുറത്തേക്ക് ഇൻ്റർ ഡിസിപ്ലിനറി യുക്തിവാദത്തിൽ അവർ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. യഥാർത്ഥത്തിൽ കണ്ടെത്താനാകുന്ന ഒരു AI സൃഷ്ടിക്കുന്നതിനുള്ള യാത്ര ആരംഭിക്കുകയാണ്.
AI-യിലെയും സാങ്കേതികവിദ്യയിലെയും ഏറ്റവും പുതിയ കണ്ടുപിടുത്തങ്ങളെക്കുറിച്ച് അപ്ഡേറ്റ് ആയി തുടരുക. കൂടുതൽ സ്ഥിതിവിവരക്കണക്കുകൾക്കും ഈ ലേഖനം എളുപ്പത്തിൽ പങ്കിടാനും, നിങ്ങളുടെ പ്രിയപ്പെട്ട ഉള്ളടക്കം ക്യൂറേറ്റ് ചെയ്യാൻ സീംലെസിൽ നിങ്ങളുടെ സൗജന്യ ലിങ്ക്-ഇൻ-ബയോ പേജ് സൃഷ്ടിക്കുക.
