สตาร์ทอัพพยายามใช้เคล็ดลับใหม่ในการพัฒนา AI เพื่อการค้นพบทางวิทยาศาสตร์
สตาร์ทอัพพยายามใช้เคล็ดลับใหม่ในการพัฒนา AI เพื่อการค้นพบทางวิทยาศาสตร์
การพัฒนาปัญญาประดิษฐ์เพื่อการค้นพบทางวิทยาศาสตร์ได้กลายเป็นเป้าหมายที่ยิ่งใหญ่สำหรับยักษ์ใหญ่ด้านเทคโนโลยี บริษัทต่างๆ เช่น OpenAI และ Anthropic ได้รับเงินทุนนับหมื่นล้านพร้อมคำสัญญาว่าจะพัฒนา AI ในด้านการแพทย์ ชีววิทยา และฟิสิกส์ อย่างไรก็ตาม การค้นพบทางวิทยาศาสตร์ที่ขับเคลื่อนด้วย AI ที่แท้จริงยังคงเป็นเรื่องยาก ดังที่เห็นได้จากเหตุการณ์ในอดีต เช่น การค้นพบทางคณิตศาสตร์ที่สร้างโดย ChatGPT ที่หักล้าง ความท้าทายหลักตามที่ผู้เชี่ยวชาญระบุคือ แบบจำลองภาษาขนาดใหญ่ในปัจจุบัน (LLM) ขาดความสามารถที่แท้จริงในการสร้างความรู้ทางวิทยาศาสตร์ใหม่ๆ ด้วยตนเอง
เหตุใดห้องทดลอง AI ขนาดใหญ่จึงประสบปัญหากับการค้นพบทางวิทยาศาสตร์
Markus Buehler ศาสตราจารย์ด้านวิศวกรรมของ MIT ระบุข้อจำกัดพื้นฐานใน AI ขั้นสูงในปัจจุบัน เขาแย้งว่าโมเดลที่ขับเคลื่อนระบบจาก OpenAI และ Anthropic ไม่ได้ออกแบบมาเพื่อการค้นพบที่แท้จริง สถาปัตยกรรมของพวกเขาขึ้นอยู่กับการจดจำรูปแบบจากข้อมูลที่มีอยู่ ไม่ใช่การสร้างทฤษฎีหรือสมมติฐานใหม่
นี่เป็นตัวอย่างที่ชัดเจนในฤดูใบไม้ร่วงปีที่แล้วเมื่อ ChatGPT อ้างว่าการค้นพบทางคณิตศาสตร์ถูกหักล้างอย่างรวดเร็ว ในตอนนี้เน้นย้ำถึงช่องว่างระหว่างพลังในการวิเคราะห์ของ AI และความคิดสร้างสรรค์ที่มุ่งเน้นการค้นพบ มันเป็นความท้าทายที่ชวนให้นึกถึงความพยายามของ AI อื่นๆ ที่เทคโนโลยีต่อสู้กับความคิดริเริ่ม เช่นเดียวกับคำวิจารณ์ที่ Tilly Norwood 'นักแสดง' AI เผชิญเนื่องจากขาดความคิดสร้างสรรค์ที่แท้จริง
ปัญหาหลักของโมเดล AI ในปัจจุบัน
โมเดลภาษาขนาดใหญ่เก่งในการประมวลผลและการสำรอกข้อมูล พวกเขาสามารถสรุปข้อความ ตอบคำถาม และแม้กระทั่งเขียนโค้ดตามข้อมูลการฝึกอบรมของพวกเขา อย่างไรก็ตาม พวกเขาดำเนินการภายในขอบเขตของสิ่งที่พวกเขาได้เรียนรู้ไปแล้ว
การค้นพบทางวิทยาศาสตร์โดยธรรมชาติแล้วจำเป็นต้องก้าวเข้าสู่สิ่งที่ไม่รู้ โดยเกี่ยวข้องกับการสร้างการเชื่อมต่อใหม่ระหว่างสาขาที่แตกต่างกันและการเสนอแนวคิดที่ไม่มีอยู่ในชุดข้อมูลการฝึกอบรมใดๆ นี่เป็นการก้าวกระโดดที่ AI เจนเนอเรชั่นในปัจจุบัน ซึ่งมุ่งเน้นไปที่การสร้างเนื้อหาและระบบอัตโนมัติ ไม่ได้ถูกสร้างขึ้นมาเพื่อสร้างขึ้นมา อุตสาหกรรมกำลังพัฒนา ดังที่เห็นได้จากการพัฒนาเช่นการอัปเดต WordPress Gutenberg ที่วางรากฐานสำหรับการเผยแพร่ด้วย AI แต่ความท้าทายหลักในการค้นพบยังคงอยู่
Introducing Unreasonable Labs: A New Approach to AI for Science
เพื่อแก้ไขช่องว่างนี้ ศาสตราจารย์ Buehler ได้ร่วมก่อตั้ง Unreasonable Labs ร่วมกับ Yuan Cao อดีตนักวิทยาศาสตร์วิจัยอาวุโสของ Google DeepMind สตาร์ทอัพมีเป้าหมายที่จะบุกเบิกแนวทางที่แตกต่างโดยพื้นฐานในการพัฒนา AI เพื่อการค้นพบทางวิทยาศาสตร์ แทนที่จะพึ่งพาการนำเข้าข้อมูลจำนวนมากเพียงอย่างเดียว พวกเขากำลังสร้างระบบที่มีความสามารถในการให้เหตุผลแบบสหวิทยาการ
เมื่อเร็วๆ นี้ Unreasonable Labs ได้รับเงินทุน 13.5 ล้านดอลลาร์สหรัฐฯ ในรอบการระดมทุนที่นำโดย Playground Global รอบนี้มีผู้เข้าร่วมจาก AIX Ventures, E14 Fund และ MS&AD Ventures การลงทุนครั้งสำคัญนี้ตอกย้ำความเชื่อของตลาดต่อวิธีการใหม่
เรียนรู้จากช่วงเวลา “อะฮะ” ในประวัติศาสตร์วิทยาศาสตร์
Buehler's hypothesis is that many great discoveries arise from "aha" moments. นี่เป็นกรณีที่นักวิทยาศาสตร์ใช้ทฤษฎีหรือแนวคิดจากสาขาหนึ่งเพื่อแก้ปัญหาในขอบเขตที่ต่างออกไปโดยสิ้นเชิง การผสมเกสรข้ามแนวความคิดนี้เป็นกุญแจสำคัญสู่ความก้าวหน้า
ตัวอย่างคลาสสิกคือผลงานของ John Hopfield ในปี 1982 เขาประยุกต์แนวคิดจากฟิสิกส์สสารควบแน่นกับสาขาปัญญาประดิษฐ์ที่เพิ่งเกิดขึ้นในขณะนั้น สิ่งนี้นำไปสู่การพัฒนาเครือข่ายฮอปฟิลด์ ซึ่งเป็นโครงข่ายประสาทเทียมประเภทหนึ่งที่สามารถเรียนรู้และเรียกคืนความทรงจำได้ เป็นแนวคิดปฏิวัติที่เกิดจากการเชื่อมโยงสาขาวิชาที่ไม่เกี่ยวข้องกัน
AI ของ Labs ที่ไม่สมเหตุสมผลแตกต่างจากโมเดลกระแสหลักอย่างไร
AI ที่ได้รับการพัฒนาที่ Unreasonable Labs ได้รับการออกแบบมาเพื่อเลียนแบบความสามารถของมนุษย์ในด้านความเข้าใจแบบสหวิทยาการ เป้าหมายของพวกเขาไม่ใช่การสร้างแบบจำลองภาษาที่ใหญ่กว่า แต่เพื่อสร้างระบบที่สามารถให้เหตุผลในขอบเขตทางวิทยาศาสตร์
กราฟความรู้แบบสหวิทยาการ: แทนที่จะฝึกฝนโดยใช้ข้อความเพียงอย่างเดียว AI ของพวกเขาได้รวมเอาความรู้ที่มีโครงสร้างจากสาขาวิทยาศาสตร์หลายแขนง ตั้งแต่ชีววิทยาไปจนถึงฟิสิกส์ เครื่องมือการใช้เหตุผลแบบอะนาล็อก: เทคโนโลยีหลักมุ่งเน้นไปที่การค้นหาความคล้ายคลึงและความคล้ายคลึงระหว่างแนวคิดที่ดูเหมือนจะไม่เกี่ยวข้องกัน ซึ่งเป็นตัวขับเคลื่อนหลักของนวัตกรรมทางวิทยาศาสตร์ การสร้างสมมติฐาน: ระบบได้รับการออกแบบมาเพื่อเสนอสมมติฐานทางวิทยาศาสตร์ที่ทดสอบได้ ไม่ใช่แค่วิเคราะห์ข้อมูลที่มีอยู่เท่านั้น
วิธีการนี้แสดงให้เห็นถึงความแตกต่างที่สำคัญจากกลยุทธ์การเข้าซื้อกิจการที่มีขนาดใหญ่กว่าบริษัทเทคโนโลยี เช่น การเข้าซื้อกิจการ Zendesk ของสตาร์ทอัพด้าน AI อย่าง Fore thought ซึ่งมักมุ่งเน้นไปที่การปรับปรุงแอปพลิเคชันการบริการลูกค้าที่มีอยู่ มากกว่าการบุกเบิกการค้นพบรูปแบบใหม่
อนาคตของการค้นพบที่ขับเคลื่อนด้วย AI
หากประสบความสำเร็จ เทคโนโลยีของ Unreasonable Labs ก็สามารถเร่งการวิจัยในสาขาที่สำคัญได้ ลองจินตนาการถึง AI ที่สามารถแนะนำสารประกอบยาใหม่โดยการรวมหลักการจากเคมีและพันธุศาสตร์เข้าด้วยกัน หรือแบบจำลองที่นำเสนอวัสดุใหม่เพื่อพลังงานที่ยั่งยืนโดยการเชื่อมโยงแนวคิดจากนาโนเทคโนโลยีและอุณหพลศาสตร์
การประยุกต์ใช้งานที่มีศักยภาพมีมากมาย ตั้งแต่การเร่งการวิจัยทางการแพทย์ไปจนถึงการแก้ปัญหาความท้าทายด้านสิ่งแวดล้อมที่ซับซ้อน สิ่งนี้แสดงถึงขอบเขตถัดไปของ AI ที่ก้าวไปไกลกว่าระบบอัตโนมัติจนกลายเป็นพันธมิตรที่แท้จริงในด้านความเฉลียวฉลาดของมนุษย์
บทสรุป: คลื่นลูกใหม่ของนวัตกรรม AI
การแข่งขันเพื่อพัฒนา AI เพื่อการค้นพบทางวิทยาศาสตร์กำลังร้อนแรง แต่ความสำเร็จที่แท้จริงอาจอยู่ที่บริษัทสตาร์ทอัพที่เชี่ยวชาญ เช่น Unreasonable Labs การมุ่งเน้นไปที่การใช้เหตุผลแบบสหวิทยาการถือเป็นแนวทางที่มีแนวโน้มดีเกินกว่าข้อจำกัดของแบบจำลองภาษาขนาดใหญ่ในปัจจุบัน การเดินทางสู่การสร้าง AI ที่สามารถค้นพบได้อย่างแท้จริงนั้นเพิ่งเริ่มต้นเท่านั้น
ติดตามข่าวสารล่าสุดเกี่ยวกับนวัตกรรมล่าสุดในด้าน AI และเทคโนโลยี หากต้องการข้อมูลเชิงลึกเพิ่มเติมและแบ่งปันบทความนี้ได้อย่างง่ายดาย ให้สร้างหน้าลิงก์ในประวัติฟรีบน Seemless เพื่อดูแลจัดการเนื้อหาที่คุณชื่นชอบ
