Startupen försöker ett nytt trick för att utveckla AI för vetenskapsupptäckt
Startupen försöker ett nytt trick för att utveckla AI för vetenskapsupptäckt
Att utveckla artificiell intelligens för vetenskapliga upptäckter har blivit ett monumentalt mål för teknikjättar. Företag som OpenAI och Anthropic har säkrat tiotals miljarder i finansiering med löften om AI-genombrott inom medicin, biologi och fysik. Äkta AI-drivna vetenskapliga upptäckter förblir dock svårfångade, vilket framgår av tidigare incidenter som en avslöjad ChatGPT-genererad matematisk upptäckt. Kärnutmaningen, enligt experter, är att nuvarande stora språkmodeller (LLM) saknar den inneboende förmågan att generera ny vetenskaplig kunskap autonomt.
Varför stora AI-labb kämpar med vetenskaplig upptäckt
Markus Buehler, en ingenjörsprofessor vid MIT, identifierar en grundläggande begränsning i dagens avancerade AI. Han hävdar att modellerna som driver systemen från OpenAI och Anthropic inte är designade för äkta upptäckt. Deras arkitektur är baserad på mönsterigenkänning från befintliga data, inte på att skapa nya teorier eller hypoteser.
Detta illustrerades starkt i höstas när en påstådd matematisk upptäckt av ChatGPT snabbt avslöjades. Avsnittet belyste klyftan mellan AI:s analytiska kraft och dess kreativa, upptäcktsorienterade tänkande. Det är en utmaning som påminner om andra AI-strävanden där tekniken kämpar med originalitet, ungefär som kritiken som AI-skådespelaren Tilly Norwood möter för att sakna genuin kreativitet.
Kärnproblemet med nuvarande AI-modeller
Stora språkmodeller utmärker sig på att bearbeta och återuppliva information. De kan sammanfatta texter, svara på frågor och till och med skriva kod baserat på deras träningsdata. Men de verkar inom gränserna för vad de redan har lärt sig.
Vetenskapliga upptäckter kräver till sin natur att kliva in i det okända. Det handlar om att skapa nya kopplingar mellan olika fält och att föreslå idéer som inte finns i någon utbildningsdatauppsättning. Detta är ett språng som nuvarande generativa AI, fokuserad på innehållsskapande och automatisering, inte är byggd för att göra. Branschen utvecklas, som sett med utveckling som WordPress Gutenberg-uppdateringen som lägger grunden för AI-publicering, men kärnutmaningen för upptäckt kvarstår.
Introducing Unreasonable Labs: A New Approach to AI for Science
För att komma till rätta med denna lucka grundade professor Buehler Unreasonable Labs tillsammans med Yuan Cao, en tidigare senior forskare vid Google DeepMind. Startupen syftar till att vara pionjär med ett fundamentalt annorlunda tillvägagångssätt för att utveckla AI för vetenskaplig upptäckt. Istället för att enbart förlita sig på massiv dataintag bygger de system som är kapabla till tvärvetenskapliga resonemang.
Unreasonable Labs säkrade nyligen 13,5 miljoner dollar i en finansieringsrunda ledd av Playground Global. I omgången deltog AIX Ventures, E14 Fund och MS&AD Ventures. Denna betydande investering understryker marknadens tro på deras nya metodik.
Att lära sig av "Aha"-ögonblick i vetenskapshistoria
Buehlers hypotes är att många stora upptäckter uppstår från "aha"-ögonblick. Det här är tillfällen där en vetenskapsman tillämpar en teori eller ett koncept från ett område för att lösa ett problem inom en helt annan domän. Denna korspollinering av idéer är nyckeln till genombrott.
Ett klassiskt exempel är John Hopfields arbete 1982. Han tillämpade begrepp från den kondenserade materiens fysik till det då begynnande området artificiell intelligens. Detta ledde till utvecklingen av Hopfield-nätverk, en typ av neurala nätverk som kan lära sig och återkalla minnen. Det var en revolutionerande idé som föddes från att koppla samman orelaterade discipliner.
Hur orimligt labbs AI skiljer sig från vanliga modeller
Den AI som utvecklas på Unreasonable Labs är utformad för att efterlikna denna mänskliga förmåga till tvärvetenskaplig insikt. Deras mål är inte att skapa en större språkmodell utan att bygga ett system som kan resonera över vetenskapliga domäner.
Tvärvetenskapliga kunskapsdiagram: Istället för att träna på enbart text, integrerar deras AI strukturerad kunskap från flera vetenskapliga områden, från biologi till fysik. Analogiska resonemangsmotorer: Kärntekniken fokuserar på att hitta analogier och paralleller mellan till synes orelaterade begrepp, en viktig drivkraft för vetenskaplig innovation. Hypotesgenerering: Systemet designas för att föreslå testbara vetenskapliga hypoteser, inte bara analysera befintliga data.
Detta tillvägagångssätt innebär en betydande avvikelse från förvärvsstrategierna för störretekniska företag, som Zendesks förvärv av AI-startupen Forethought, som ofta fokuserar på att förfina befintliga kundtjänstapplikationer snarare än banbrytande nya former av upptäckt.
Framtiden för AI-driven upptäckt
Om det lyckas kan Unreasonable Labs teknologi påskynda forskningen inom kritiska områden. Föreställ dig en AI som kan föreslå en ny läkemedelsförening genom att kombinera principer från kemi och genetik. Eller en modell som föreslår ett nytt material för hållbar energi genom att koppla begrepp från nanoteknik och termodynamik.
De potentiella tillämpningarna är enorma, från accelererande medicinsk forskning till att lösa komplexa miljöutmaningar. Detta representerar nästa gräns för AI, som går bortom automatisering för att bli en sann partner i mänsklig uppfinningsrikedom.
Slutsats: Nästa våg av AI-innovation
Kapplöpet om att utveckla AI för vetenskapsupptäckt håller på att hårdna, men sann framgång kan ligga hos specialiserade startups som Unreasonable Labs. Deras fokus på tvärvetenskapliga resonemang erbjuder en lovande väg bortom begränsningarna för nuvarande stora språkmodeller. Resan till att skapa en AI som verkligen kan upptäcka har bara börjat.
Håll dig uppdaterad om de senaste innovationerna inom AI och teknik. För mer insikter och för att enkelt dela den här artikeln, skapa din gratis länk-i-bio-sida på Seemless för att kurera ditt favoritinnehåll.
