Startup သည် Science Discovery အတွက် AI တီထွင်ရန် လှည့်ကွက်အသစ်ကို ကြိုးစားနေပါသည်။
Startup သည် Science Discovery အတွက် AI တီထွင်ရန် လှည့်ကွက်အသစ်ကို ကြိုးစားနေပါသည်။
သိပ္ပံရှာဖွေတွေ့ရှိမှုအတွက် ဉာဏ်ရည်တုကို တီထွင်ခြင်းသည် နည်းပညာဘီလူးကြီးများအတွက် ကြီးမားသောပန်းတိုင်တစ်ခု ဖြစ်လာသည်။ OpenAI နှင့် Anthropic ကဲ့သို့သော ကုမ္ပဏီများသည် ဆေးပညာ၊ ဇီဝဗေဒနှင့် ရူပဗေဒတို့တွင် AI အောင်မြင်မှုများ၏ ကတိများနှင့်အတူ ရန်ပုံငွေ ဘီလီယံဆယ်နှင့်ချီ၍ ရရှိခဲ့သည်။ သို့သော်လည်း၊ AI ဖြင့်မောင်းနှင်သော သိပ္ပံနည်းကျရှာဖွေတွေ့ရှိမှုသည် ခဲယဉ်းနေဆဲဖြစ်ပြီး၊ ဖယ်ရှားခံရသော ChatGPT-ထုတ်ပေးသော သင်္ချာရှာဖွေတွေ့ရှိမှုကဲ့သို့ အတိတ်ဖြစ်ရပ်များက သရုပ်ပြထားသည့်အတိုင်း၊ ကျွမ်းကျင်သူများ၏အဆိုအရ အဓိကစိန်ခေါ်မှုမှာ လက်ရှိကြီးမားသောဘာသာစကားပုံစံများ (LLMs) သည် ဆန်းသစ်သောသိပ္ပံနည်းကျအသိပညာကို အလိုအလျောက်ထုတ်လုပ်ရန် ပင်ကိုယ်စွမ်းရည်မရှိခြင်းကြောင့်ဖြစ်သည်။
AI Labs ကြီးများသည် သိပ္ပံနည်းကျရှာဖွေတွေ့ရှိမှုတွင် အဘယ်ကြောင့် ရုန်းကန်နေရသနည်း။
MIT အင်ဂျင်နီယာပါမောက္ခ Markus Buehler သည် ယနေ့ခေတ်မီသော AI တွင် အခြေခံကန့်သတ်ချက်တစ်ခုကို ဖော်ထုတ်ခဲ့သည်။ OpenAI နှင့် Anthropic တို့မှ မော်ဒယ်များ ပါဝါသုံးစနစ်များသည် စစ်မှန်သောရှာဖွေတွေ့ရှိမှုအတွက် ဒီဇိုင်းထုတ်ထားခြင်းမဟုတ်ကြောင်း ၎င်းက စောဒကတက်သည်။ ၎င်းတို့၏ ဗိသုကာလက်ရာများသည် သီအိုရီအသစ်များ သို့မဟုတ် သီအိုရီအသစ်များဖန်တီးခြင်းအပေါ်မဟုတ်ဘဲ ရှိရင်းစွဲဒေတာမှ ပုံစံအသိအမှတ်ပြုမှုအပေါ် အခြေခံထားသည်။
ChatGPT မှ သင်္ချာရှာဖွေတွေ့ရှိမှုအား လျင်မြန်စွာ ပယ်ဖျက်လိုက်သောအခါ ပြီးခဲ့သောဆောင်းဦးရာသီတွင် ၎င်းကို ပြတ်ပြတ်သားသား သရုပ်ဖော်ထားသည်။ အပိုင်းသည် AI ၏ ခွဲခြမ်းစိတ်ဖြာမှုစွမ်းအားနှင့် ၎င်း၏ဖန်တီးမှု၊ ရှာဖွေတွေ့ရှိမှု ဦးတည်တွေးခေါ်မှုကြား ကွာဟချက်ကို မီးမောင်းထိုးပြထားသည်။ AI 'သရုပ်ဆောင်' Tilly Norwood ၏ဝေဖန်မှုများကဲ့သို့ပင် နည်းပညာသည် မူလမူလနှင့် ရုန်းကန်နေရသည့် အခြား AI ကြိုးပမ်းမှုများကို သတိရသည့် စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။
လက်ရှိ AI Models များနှင့် Core ပြဿနာ
ကြီးမားသော ဘာသာစကားမော်ဒယ်များသည် အချက်အလက်များကို စီမံဆောင်ရွက်ပေးခြင်းနှင့် ပြန်လည်စုစည်းခြင်းတွင် ထူးချွန်သည်။ ၎င်းတို့သည် စာသားများကို အကျဉ်းချုပ်၊ မေးခွန်းများ ဖြေဆိုနိုင်ပြီး ၎င်းတို့၏ လေ့ကျင့်မှုဒေတာကို အခြေခံ၍ ကုဒ်ရေးနိုင်သည်။ သို့သော် ၎င်းတို့သည် သင်ယူပြီးသော ကန့်သတ်ချက်များအတွင်း လုပ်ကိုင်ကြသည်။
သိပ္ပံနည်းကျ ရှာဖွေတွေ့ရှိမှုသည် ၎င်း၏သဘောသဘာဝအရ အမည်မသိအရာသို့ လှမ်းရန် လိုအပ်သည်။ ၎င်းတွင် မတူညီသောနယ်ပယ်များကြား ချိတ်ဆက်မှုအသစ်များဖွဲ့စည်းခြင်းနှင့် မည်သည့်လေ့ကျင့်ရေးဒေတာအတွဲတွင်မဆို မပါဝင်သည့် အကြံဥာဏ်များ အဆိုပြုခြင်းတို့ ပါဝင်ပါသည်။ ၎င်းသည် အကြောင်းအရာဖန်တီးမှုနှင့် အလိုအလျောက်လုပ်ဆောင်ခြင်းအပေါ် အာရုံစိုက်ထားသည့် လက်ရှိမျိုးဆက်သစ် AI သည် ဖန်တီးရန်အတွက် ခုန်ပျံကျော်လွှားမှုတစ်ခုဖြစ်သည်။ AI ထုတ်ဝေမှုအတွက် အခြေခံအုတ်မြစ်ချသည့် WordPress Gutenberg အပ်ဒိတ်ကဲ့သို့ ဖွံ့ဖြိုးတိုးတက်မှုများနှင့်အတူ မြင်တွေ့ရသည့်အတိုင်း စက်မှုလုပ်ငန်းသည် တိုးတက်ပြောင်းလဲနေသော်လည်း ရှာဖွေတွေ့ရှိမှုအတွက် အဓိကစိန်ခေါ်မှုမှာ ကျန်ရှိနေဆဲဖြစ်သည်။
အကြောင်းပြချက်မရှိသော ဓာတ်ခွဲခန်းများကို မိတ်ဆက်ခြင်း- သိပ္ပံအတွက် AI အတွက် ချဉ်းကပ်မှုအသစ်
ဤကွာဟချက်ကို ဖြေရှင်းရန်အတွက် ပါမောက္ခ Buehler သည် Google DeepMind မှ အကြီးတန်း ဝန်ထမ်းဟောင်း သုတေသနပညာရှင် Yuan Cao နှင့် Unreasonable Labs တို့ကို ပူးတွဲတည်ထောင်ခဲ့သည်။ အဆိုပါ startup သည် သိပ္ပံနည်းကျရှာဖွေတွေ့ရှိမှုအတွက် AI တီထွင်ခြင်းအတွက် အခြေခံကွဲပြားသောချဉ်းကပ်မှုတစ်ခုကို ရှေ့ဆောင်ရန် ရည်ရွယ်သည်။ ကြီးမားသော ဒေတာထည့်သွင်းခြင်းအပေါ် တစ်ခုတည်းကိုသာ အားကိုးမည့်အစား၊ ၎င်းတို့သည် အပြန်အလှန် ဆင်ခြင်သုံးသပ်နိုင်သော စနစ်များကို တည်ဆောက်နေပါသည်။
Unreasonable Labs သည် Playground Global ဦးဆောင်သော ရန်ပုံငွေဝိုင်းတွင် မကြာသေးမီက ဒေါ်လာ ၁၃.၅ သန်း ရရှိခဲ့သည်။ AIX Ventures၊ E14 Fund နှင့် MS&AD Ventures တို့မှ ပူးပေါင်းပါဝင်မှုကို မြင်တွေ့ခဲ့ရသည်။ ဤထူးခြားသော ရင်းနှီးမြှုပ်နှံမှုသည် ၎င်းတို့၏ ဆန်းသစ်သော နည်းစနစ်အပေါ် စျေးကွက်၏ယုံကြည်မှုကို အလေးပေးသည်။
သိပ္ပံသမိုင်းတွင် "Aha" အခိုက်အတန့်များမှ သင်ယူခြင်း။
Buehler ၏ ယူဆချက်မှာ "aha" အခိုက်အတန့်မှ ကြီးမားသော ရှာဖွေတွေ့ရှိမှုများ ပေါ်ပေါက်လာခြင်း ဖြစ်သည်။ သိပ္ပံပညာရှင်တစ်ဦးသည် နယ်ပယ်တစ်ခုမှ သီအိုရီ သို့မဟုတ် အယူအဆတစ်ခုကို လုံးဝကွဲပြားခြားနားသော နယ်ပယ်တစ်ခုတွင် ပြဿနာတစ်ခုဖြေရှင်းရန်အတွက် အသုံးချသည့် ဥပမာများဖြစ်သည်။ ဤအယူအဆများ၏ ၀တ်မှုန်ကူးမြောက်မှုသည် အောင်မြင်မှုများအတွက် သော့ချက်ဖြစ်သည်။
ဂန္ထဝင်ဥပမာတစ်ခုသည် 1982 ခုနှစ်တွင် John Hopfield ၏လက်ရာဖြစ်သည်။ သူသည် ပေါင်းစည်းထားသော ရူပဗေဒမှ အယူအဆများကို ဥာဏ်ရည်တုနယ်ပယ်သို့ ထိုအချိန်က အခြေတည်သည့်နယ်ပယ်အထိ အသုံးချခဲ့သည်။ ၎င်းသည် လေ့လာသင်ယူမှုနှင့် အမှတ်တရများကို ပြန်လည်သိမ်းဆည်းနိုင်သော အာရုံကြောကွန်ရက်အမျိုးအစားဖြစ်သည့် Hopfield ကွန်ရက်များ ဖွံ့ဖြိုးတိုးတက်လာစေခဲ့သည်။ မသက်ဆိုင်သော ပညာရပ်များ ချိတ်ဆက်ခြင်းမှ ပေါက်ဖွားလာသော တော်လှန်သော အယူအဆဖြစ်သည်။
Unreasonable Labs ၏ AI သည် Mainstream Model များနှင့် မည်ကဲ့သို့ ကွာခြားသည်
Unreasonable Labs တွင် တီထွင်ထားသည့် AI သည် နယ်ပယ်ပေါင်းစုံမှ ထိုးထွင်းသိမြင်နိုင်သော ဤလူ့စွမ်းရည်ကို အတုယူရန် ဒီဇိုင်းထုတ်ထားသည်။ ၎င်းတို့၏ ရည်မှန်းချက်မှာ ပိုမိုကြီးမားသော ဘာသာစကားပုံစံကို ဖန်တီးရန်မဟုတ်ဘဲ သိပ္ပံဆိုင်ရာ နယ်ပယ်များတစ်လျှောက် ကျိုးကြောင်းဆင်ခြင်နိုင်သော စနစ်တစ်ခုကို တည်ဆောက်ရန်ဖြစ်သည်။
Interdisciplinary Knowledge Graphs- စာသားတစ်ခုတည်းအတွက် လေ့ကျင့်ပေးမည့်အစား ၎င်းတို့၏ AI သည် ဇီဝဗေဒမှ ရူပဗေဒမှ ရူပဗေဒအထိ သိပ္ပံနည်းကျနယ်ပယ်ပေါင်းစုံမှ ဖွဲ့စည်းတည်ဆောက်ထားသော အသိပညာကို ပေါင်းစပ်ပေးပါသည်။ Analogical Reasoning Engines- သိပ္ပံနည်းကျဆန်းသစ်တီထွင်မှု၏ အဓိကမောင်းနှင်အားဖြစ်သည့် မသက်ဆိုင်ဟုထင်ရသော သဘောတရားများအကြား တူညီသော တူညီမှုများနှင့် ပြိုင်ဆိုင်မှုများကို ရှာဖွေရန် အဓိကအာရုံစိုက်ပါသည်။ Hypothesis Generation- လက်ရှိဒေတာကို ခွဲခြမ်းစိတ်ဖြာရုံသာမက စမ်းသပ်နိုင်သော သိပ္ပံနည်းကျ ယူဆချက်များကို အဆိုပြုရန်အတွက် စနစ်အား ဒီဇိုင်းထုတ်ထားပါသည်။
ဤချဉ်းကပ်မှုသည် ပိုမိုကြီးမားသော ဝယ်ယူမှုဗျူဟာများမှ သိသာထင်ရှားသော ထွက်ခွာမှုကို ကိုယ်စားပြုသည်။AI startup Forethought ၏ Zendesk ကိုဝယ်ယူခြင်းကဲ့သို့သော နည်းပညာကုမ္ပဏီများသည် ရှာဖွေတွေ့ရှိမှုပုံစံသစ်များကို ရှေ့ဆောင်မည့်အစား လက်ရှိဖောက်သည်ဝန်ဆောင်မှုအက်ပ်လီကေးရှင်းများကို ပြန်လည်သန့်စင်ရန် အာရုံစိုက်လေ့ရှိသည်။
AI-Driven Discovery ၏အနာဂတ်
အောင်မြင်ပါက၊ Unreasonable Labs ၏နည်းပညာသည် အရေးကြီးသောနေရာများတွင် သုတေသနကို အရှိန်မြှင့်နိုင်မည်ဖြစ်သည်။ ဓာတုဗေဒနှင့် မျိုးရိုးဗီဇဆိုင်ရာမူများကို ပေါင်းစပ်ခြင်းဖြင့် ဆေးဒြပ်ပေါင်းအသစ်တစ်ခုကို အကြံပြုနိုင်သည့် AI ကို စိတ်ကူးကြည့်ပါ။ သို့မဟုတ် နာနိုနည်းပညာနှင့် သာမိုဒိုင်းနမစ်မှ သဘောတရားများကို ချိတ်ဆက်ခြင်းဖြင့် ရေရှည်တည်တံ့သောစွမ်းအင်အတွက် ပစ္စည်းအသစ်တစ်ခုကို အဆိုပြုသည့် မော်ဒယ်တစ်ခု။
အလားအလာရှိသောအသုံးချပရိုဂရမ်များသည် ဆေးဘက်ဆိုင်ရာသုတေသနကိုအရှိန်မြှင့်ခြင်းမှရှုပ်ထွေးသောပတ်ဝန်းကျင်ဆိုင်ရာစိန်ခေါ်မှုများကိုဖြေရှင်းခြင်းအထိကျယ်ပြန့်သည်။ ၎င်းသည် လူသား၏ဉာဏ်ရည်ဉာဏ်သွေး၌ စစ်မှန်သောမိတ်ဖက်တစ်ဦးဖြစ်လာရန် အလိုအလျောက်လုပ်ဆောင်ခြင်းထက် ကျော်လွန်သွားသည့် AI အတွက် နောက်ထပ်နယ်နိမိတ်ကို ကိုယ်စားပြုသည်။
နိဂုံး- AI ဆန်းသစ်တီထွင်မှု၏ နောက်လှိုင်း
သိပ္ပံရှာဖွေတွေ့ရှိမှုအတွက် AI ကို တီထွင်ထုတ်လုပ်ရန် အပြိုင်အဆိုင် အရှိန်မြှင့်လာသော်လည်း စစ်မှန်သောအောင်မြင်မှုသည် Unreasonable Labs ကဲ့သို့ အထူးပြုသော startups များဖြင့် တည်ရှိနေပေမည်။ ပေါင်းစည်းခြင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းအပေါ် ၎င်းတို့၏ အာရုံစိုက်မှုသည် လက်ရှိကြီးမားသော ဘာသာစကားပုံစံများ၏ ကန့်သတ်ချက်များကို ကျော်လွန်၍ အလားအလာရှိသော လမ်းကြောင်းကို ပေးဆောင်သည်။ အမှန်တကယ် ရှာဖွေတွေ့ရှိနိုင်သည့် AI ကို ဖန်တီးရန် ခရီးသည် စတင်နေပြီဖြစ်သည်။
AI နှင့် နည်းပညာဆိုင်ရာ နောက်ဆုံးပေါ် ဆန်းသစ်တီထွင်မှုများကို အပ်ဒိတ်လုပ်ပါ။ ပိုမိုထိုးထွင်းသိမြင်နိုင်စေရန်နှင့် ဤဆောင်းပါးကို အလွယ်တကူမျှဝေနိုင်ရန်၊ သင့်စိတ်ကြိုက်အကြောင်းအရာကို ပုံဖော်ရန်အတွက် Seemless တွင် သင့်အခမဲ့ link-in-bio စာမျက်နှာကို ဖန်တီးပါ။
