विज्ञान शोधासाठी एआय विकसित करण्यासाठी स्टार्टअप नवीन युक्ती वापरत आहे
विज्ञान शोधासाठी एआय विकसित करण्यासाठी स्टार्टअप नवीन युक्ती वापरत आहे
विज्ञान शोधासाठी कृत्रिम बुद्धिमत्ता विकसित करणे हे तंत्रज्ञान क्षेत्रातील दिग्गजांसाठी एक मोठे ध्येय बनले आहे. ओपनएआय आणि अँथ्रोपिक सारख्या कंपन्यांनी औषध, जीवशास्त्र आणि भौतिकशास्त्रात एआय प्रगतीच्या आश्वासनांसह कोट्यवधींचा निधी मिळवला आहे. तथापि, खरा AI-चालित वैज्ञानिक शोध अस्पष्ट राहिला आहे, जसे की चॅटजीपीटी-व्युत्पन्न गणित शोध यांसारख्या भूतकाळातील घटनांनी दाखवून दिले आहे. तज्ञांच्या मते, मुख्य आव्हान हे आहे की सध्याच्या मोठ्या भाषा मॉडेल्समध्ये (LLMs) नवीन वैज्ञानिक ज्ञान स्वायत्तपणे निर्माण करण्याची आंतरिक क्षमता नाही.
बिग एआय लॅब वैज्ञानिक शोधाशी का संघर्ष करत आहेत
मार्कस बुएलर, एमआयटी अभियांत्रिकी प्राध्यापक, आजच्या प्रगत AI मध्ये मूलभूत मर्यादा ओळखतात. तो असा युक्तिवाद करतो की ओपनएआय आणि अँथ्रोपिक मधील मॉडेल्स पॉवरिंग सिस्टम वास्तविक शोधासाठी डिझाइन केलेले नाहीत. त्यांचे आर्किटेक्चर नवीन सिद्धांत किंवा गृहितके तयार करण्यावर नव्हे तर विद्यमान डेटामधून नमुना ओळखण्यावर आधारित आहे.
चॅटजीपीटी द्वारे कथित गणितीय शोध त्वरीत डिबंक करण्यात आला तेव्हा गेल्या शरद ऋतूतील हे स्पष्टपणे स्पष्ट झाले. एपिसोडने AI ची विश्लेषणात्मक शक्ती आणि त्याची सर्जनशील, शोध-केंद्रित विचारसरणी यांच्यातील अंतर अधोरेखित केले. हे इतर AI प्रयत्नांची आठवण करून देणारे एक आव्हान आहे जिथे तंत्रज्ञान मौलिकतेशी संघर्ष करत आहे, जसे की AI 'अभिनेता' टिली नॉरवुडने अस्सल सर्जनशीलतेच्या अभावासाठी केलेल्या टीकेप्रमाणे.
सध्याच्या AI मॉडेल्सची मुख्य समस्या
मोठ्या भाषेतील मॉडेल्स माहितीवर प्रक्रिया आणि पुनर्गठन करण्यात उत्कृष्ट आहेत. ते त्यांच्या प्रशिक्षण डेटावर आधारित मजकूर सारांशित करू शकतात, प्रश्नांची उत्तरे देऊ शकतात आणि कोड देखील लिहू शकतात. तथापि, ते आधीच शिकलेल्या गोष्टींच्या मर्यादेत कार्य करतात.
वैज्ञानिक शोध, त्याच्या स्वभावानुसार, अज्ञातामध्ये पाऊल टाकणे आवश्यक आहे. यामध्ये भिन्न फील्डमध्ये नवीन कनेक्शन तयार करणे आणि कोणत्याही प्रशिक्षण डेटासेटमध्ये नसलेल्या कल्पनांचा समावेश आहे. ही एक झेप आहे जी सध्याची जनरेटिव्ह एआय, सामग्री निर्मिती आणि ऑटोमेशनवर केंद्रित आहे, तयार करण्यासाठी तयार केलेली नाही. वर्डप्रेस गुटेनबर्ग अपडेटने एआय प्रकाशनासाठी पाया घालणे यासारख्या घडामोडींसह उद्योग विकसित होत आहे, परंतु शोधासाठी मुख्य आव्हान कायम आहे.
अवास्तव प्रयोगशाळा सादर करत आहे: विज्ञानासाठी एआयकडे एक नवीन दृष्टीकोन
ही तफावत दूर करण्यासाठी, प्रोफेसर बुहेलर यांनी Google DeepMind मधील माजी वरिष्ठ कर्मचारी संशोधन शास्त्रज्ञ युआन काओ यांच्यासोबत Unreasonable Labs ची सह-स्थापना केली. स्टार्टअपचे उद्दिष्ट वैज्ञानिक शोधासाठी AI विकसित करण्यासाठी मूलभूतपणे भिन्न दृष्टीकोन आणण्याचे आहे. केवळ मोठ्या प्रमाणात डेटा अंतर्ग्रहणावर अवलंबून राहण्याऐवजी, ते अंतःविषय तर्क करण्यास सक्षम प्रणाली तयार करत आहेत.
अवास्तव लॅबने अलीकडेच प्लेग्राउंड ग्लोबलच्या नेतृत्वाखालील निधी फेरीत $13.5 दशलक्ष मिळवले. या फेरीत AIX Ventures, E14 Fund आणि MS&AD Ventures यांचा सहभाग होता. ही महत्त्वपूर्ण गुंतवणूक त्यांच्या कादंबरी पद्धतीवरील बाजाराचा विश्वास अधोरेखित करते.
विज्ञान इतिहासातील "अहा" क्षणांपासून शिकणे
बुएलरची गृहीतक अशी आहे की अनेक महान शोध "अहा" क्षणांपासून उद्भवतात. ही अशी उदाहरणे आहेत जिथे एक वैज्ञानिक पूर्णपणे भिन्न डोमेनमधील समस्येचे निराकरण करण्यासाठी एका क्षेत्रातील सिद्धांत किंवा संकल्पना लागू करतो. कल्पनांचे हे क्रॉस-परागीकरण यशाची गुरुकिल्ली आहे.
1982 मध्ये जॉन हॉपफिल्डचे काम हे त्याचे उत्कृष्ट उदाहरण आहे. त्यांनी कंडेन्स्ड मॅटर फिजिक्सपासून कृत्रिम बुद्धिमत्तेच्या तत्कालीन नवीन क्षेत्रापर्यंत संकल्पना लागू केल्या. यामुळे हॉपफिल्ड नेटवर्कचा विकास झाला, एक प्रकारचे न्यूरल नेटवर्क जे आठवणी शिकण्यास आणि आठवण्यास सक्षम आहे. असंबंधित विषयांना जोडून जन्माला आलेली ही एक क्रांतिकारी कल्पना होती.
अवास्तव लॅबचे एआय मुख्य प्रवाहातील मॉडेल्सपेक्षा कसे वेगळे आहे
अवास्तव लॅबमध्ये विकसित केले जाणारे AI हे आंतरविद्याशाखीय अंतर्दृष्टीसाठी मानवी क्षमतेची नक्कल करण्यासाठी डिझाइन केलेले आहे. त्यांचे उद्दिष्ट एक मोठे भाषा मॉडेल तयार करणे नाही तर एक प्रणाली तयार करणे आहे जी वैज्ञानिक डोमेनवर तर्क करू शकेल.
आंतरविद्याशाखीय ज्ञान आलेख: केवळ मजकूरावर प्रशिक्षण देण्याऐवजी, त्यांचे AI अनेक वैज्ञानिक क्षेत्रांमधील संरचित ज्ञान एकत्रित करते, जीवशास्त्रापासून भौतिकशास्त्रापर्यंत. ॲनालॉगिकल रिझनिंग इंजिने: मूळ तंत्रज्ञान वैज्ञानिक नवोपक्रमाचे प्रमुख चालक, दिसणाऱ्या असंबंधित संकल्पनांमधील समानता आणि समांतरता शोधण्यावर लक्ष केंद्रित करते. गृहीतक निर्मिती: प्रणाली केवळ विद्यमान डेटाचे विश्लेषण न करता, चाचणी करण्यायोग्य वैज्ञानिक गृहीतके प्रस्तावित करण्यासाठी तयार केली जात आहे.
हा दृष्टिकोन मोठ्यांच्या संपादन धोरणांपासून महत्त्वपूर्ण निर्गमन दर्शवितोटेक फर्म्स, जसे की एआय स्टार्टअप फोरथॉटचे झेंडेस्क अधिग्रहण, जे अनेकदा नवीन प्रकार शोधण्याऐवजी विद्यमान ग्राहक सेवा अनुप्रयोग सुधारण्यावर लक्ष केंद्रित करतात.
एआय-चालित शोधाचे भविष्य
यशस्वी झाल्यास, अवास्तव प्रयोगशाळेचे तंत्रज्ञान गंभीर क्षेत्रात संशोधनाला गती देऊ शकते. रसायनशास्त्र आणि अनुवंशशास्त्रातील तत्त्वे एकत्र करून नवीन औषध कंपाऊंड सुचवू शकणाऱ्या एआयची कल्पना करा. किंवा नॅनोटेक्नॉलॉजी आणि थर्मोडायनामिक्समधील संकल्पनांना जोडून शाश्वत ऊर्जेसाठी नवीन सामग्री प्रस्तावित करणारे मॉडेल.
वैद्यकीय संशोधनाला गती देण्यापासून ते जटिल पर्यावरणीय आव्हाने सोडवण्यापर्यंत संभाव्य अनुप्रयोग अफाट आहेत. मानवी कल्पकतेचा खरा भागीदार होण्यासाठी ऑटोमेशनच्या पलीकडे जाऊन हे AI साठी पुढील सीमारेषा दर्शवते.
निष्कर्ष: एआय इनोव्हेशनची पुढील लहर
विज्ञान शोधासाठी AI विकसित करण्याची शर्यत जोरात सुरू आहे, परंतु खरे यश अवास्तव लॅब्स सारख्या विशेष स्टार्टअप्समध्ये असू शकते. आंतरविद्याशाखीय तर्कांवर त्यांचे लक्ष सध्याच्या मोठ्या भाषा मॉडेल्सच्या मर्यादांच्या पलीकडे एक आशादायक मार्ग प्रदान करते. खऱ्या अर्थाने शोधू शकणारे एआय तयार करण्याचा प्रवास नुकताच सुरू झाला आहे.
एआय आणि तंत्रज्ञानातील नवीनतम नवकल्पनांवर अद्यतनित रहा. अधिक अंतर्दृष्टीसाठी आणि हा लेख सहजपणे सामायिक करण्यासाठी, तुमची आवडती सामग्री क्युरेट करण्यासाठी सीमलेस वर तुमचे विनामूल्य लिंक-इन-बायो पेज तयार करा.
