Startup próbuje nowego triku, aby opracować sztuczną inteligencję do celów odkryć naukowych
Startup próbuje nowego triku, aby opracować sztuczną inteligencję do celów odkryć naukowych
Rozwój sztucznej inteligencji na potrzeby odkryć naukowych stał się monumentalnym celem gigantów technologicznych. Firmy takie jak OpenAI i Anthropic zapewniły sobie dziesiątki miliardów finansowania, obiecując przełomowe rozwiązania w zakresie sztucznej inteligencji w medycynie, biologii i fizyce. Jednak prawdziwe odkrycia naukowe oparte na sztucznej inteligencji pozostają nieuchwytne, o czym świadczą przeszłe incydenty, takie jak obalone wyniki matematyczne wygenerowane przez ChatGPT. Zdaniem ekspertów głównym wyzwaniem jest to, że obecnym modelom dużych języków (LLM) brakuje wewnętrznej zdolności do samodzielnego generowania nowej wiedzy naukowej.
Dlaczego duże laboratoria AI zmagają się z odkryciami naukowymi
Markus Buehler, profesor inżynierii w MIT, identyfikuje podstawowe ograniczenia współczesnej zaawansowanej sztucznej inteligencji. Twierdzi, że modele zasilające systemy OpenAI i Anthropic nie są przeznaczone do prawdziwych odkryć. Ich architektura opiera się na rozpoznawaniu wzorców na podstawie istniejących danych, a nie na tworzeniu nowych teorii czy hipotez.
Zostało to wyraźnie zilustrowane jesienią ubiegłego roku, kiedy rzekome odkrycie matematyczne dokonane przez ChatGPT zostało szybko zdemaskowane. W tym odcinku uwydatniono przepaść między analityczną mocą sztucznej inteligencji a jej kreatywnym myśleniem zorientowanym na odkrycia. Jest to wyzwanie przypominające inne przedsięwzięcia związane ze sztuczną inteligencją, w których technologia zmaga się z oryginalnością, podobnie jak krytyka, z jaką spotyka się „aktorka” AI Tilly Norwood za brak prawdziwej kreatywności.
Podstawowy problem z obecnymi modelami AI
Duże modele językowe przodują w przetwarzaniu i zwracaniu informacji. Mogą podsumowywać teksty, odpowiadać na pytania, a nawet pisać kod na podstawie swoich danych szkoleniowych. Działają jednak w ramach tego, czego się już nauczyli.
Odkrycia naukowe ze swej natury wymagają wkroczenia w nieznane. Polega na tworzeniu nowych powiązań między różnymi dziedzinami i proponowaniu pomysłów, których nie ma w żadnym zbiorze danych szkoleniowych. Jest to krok, do którego nie jest przystosowana obecna generatywna sztuczna inteligencja, skupiona na tworzeniu treści i automatyzacji. Branża ewoluuje, co widać po zmianach takich jak aktualizacja WordPressa Gutenberga, która kładzie podwaliny pod publikowanie sztucznej inteligencji, ale głównym wyzwaniem w zakresie odkrywania pozostaje.
Przedstawiamy nierozsądne laboratoria: nowe podejście do sztucznej inteligencji w nauce
Aby wypełnić tę lukę, profesor Buehler założył Unreasonable Labs wraz z Yuanem Cao, byłym starszym pracownikiem naukowym w Google DeepMind. Celem startupu jest pionierskie zasadniczo odmienne podejście do rozwoju sztucznej inteligencji na potrzeby odkryć naukowych. Zamiast polegać wyłącznie na masowym przetwarzaniu danych, budują systemy zdolne do interdyscyplinarnego rozumowania.
Unreasonable Labs zabezpieczyło niedawno 13,5 miliona dolarów w rundzie finansowania prowadzonej przez Playground Global. W rundzie udział wzięły firmy AIX Ventures, E14 Fund i MS&AD Ventures. Ta znacząca inwestycja podkreśla wiarę rynku w nowatorską metodologię.
Uczenie się na podstawie momentów „Aha” w historii nauki
Hipoteza Buehlera głosi, że wiele wielkich odkryć powstaje w momentach „aha”. Są to przypadki, w których naukowiec stosuje teorię lub koncepcję z jednej dziedziny do rozwiązania problemu z zupełnie innej dziedziny. To wzajemne zapylanie pomysłów jest kluczem do przełomów.
Klasycznym przykładem jest praca Johna Hopfielda z 1982 roku. Zastosował on koncepcje z fizyki materii skondensowanej do rodzącej się wówczas dziedziny sztucznej inteligencji. Doprowadziło to do rozwoju sieci Hopfielda, rodzaju sieci neuronowej zdolnej do uczenia się i przywoływania wspomnień. Był to rewolucyjny pomysł zrodzony z połączenia niepowiązanych ze sobą dyscyplin.
Czym sztuczna inteligencja Unreasonable Labs różni się od modeli głównego nurtu
Sztuczna inteligencja opracowywana w Unreasonable Labs ma naśladować ludzką zdolność do interdyscyplinarnego wglądu. Ich celem nie jest stworzenie większego modelu językowego, ale zbudowanie systemu, który będzie w stanie rozumować w różnych dziedzinach nauki.
Interdyscyplinarne wykresy wiedzy: zamiast trenować wyłącznie na tekście, ich sztuczna inteligencja integruje ustrukturyzowaną wiedzę z wielu dziedzin nauki, od biologii po fizykę. Silniki rozumowania przez analogię: Podstawowa technologia koncentruje się na znajdowaniu analogii i podobieństw między pozornie niezwiązanymi koncepcjami, co jest kluczowym czynnikiem innowacji naukowych. Generowanie hipotez: System zaprojektowano tak, aby proponował sprawdzalne hipotezy naukowe, a nie tylko analizował istniejące dane.
Podejście to stanowi znaczące odejście od strategii przejęć większych przedsiębiorstwfirmy technologiczne, takie jak przejęcie przez Zendesk start-upu AI Forethought, które często koncentruje się na udoskonalaniu istniejących aplikacji do obsługi klienta, a nie na pionierskim tworzeniu nowych form odkrywania.
Przyszłość odkryć opartych na sztucznej inteligencji
Jeśli się powiedzie, technologia Unreasonable Labs może przyspieszyć badania w kluczowych obszarach. Wyobraź sobie sztuczną inteligencję, która może zasugerować nowy związek leku, łącząc zasady chemii i genetyki. Lub model, który proponuje nowy materiał na rzecz zrównoważonej energii, łącząc koncepcje nanotechnologii i termodynamiki.
Potencjalne zastosowania są ogromne, od przyspieszania badań medycznych po rozwiązywanie złożonych problemów środowiskowych. Stanowi to kolejną granicę dla sztucznej inteligencji, wykraczającą poza automatyzację i stającą się prawdziwym partnerem w ludzkiej pomysłowości.
Wniosek: Następna fala innowacji AI
Wyścig w opracowywaniu sztucznej inteligencji na potrzeby odkryć naukowych nabiera tempa, ale prawdziwy sukces mogą odnieść wyspecjalizowane start-upy, takie jak Unreasonable Labs. Ich skupienie się na rozumowaniu interdyscyplinarnym oferuje obiecującą ścieżkę wykraczającą poza ograniczenia obecnych dużych modeli językowych. Podróż do stworzenia sztucznej inteligencji, która naprawdę potrafi odkrywać, dopiero się zaczyna.
Bądź na bieżąco z najnowszymi innowacjami w dziedzinie sztucznej inteligencji i technologii. Aby uzyskać więcej informacji i łatwo udostępnić ten artykuł, utwórz bezpłatną stronę z linkiem w biografii na Seemless, aby przeglądać swoje ulubione treści.
