The Startup Trying a New Trick to Develop AI For Science Discovery
The Startup Trying a New Trick to Develop AI For Science Discovery
Ang pagbuo ng artificial intelligence para sa pagtuklas ng agham ay naging isang napakalaking layunin para sa mga tech giant. Ang mga kumpanya tulad ng OpenAI at Anthropic ay nakakuha ng sampu-sampung bilyon sa pagpopondo na may mga pangako ng AI breakthroughs sa medisina, biology, at physics. Gayunpaman, ang totoong AI-driven na siyentipikong pagtuklas ay nananatiling mailap, gaya ng ipinakita ng mga nakaraang insidente tulad ng isang na-debunk na paghahanap sa matematika na binuo ng ChatGPT. Ang pangunahing hamon, ayon sa mga eksperto, ay ang kasalukuyang malalaking modelo ng wika (LLMs) ay kulang sa intrinsic na kakayahan upang makabuo ng nobelang siyentipikong kaalaman nang awtonomiya.
Bakit Nahihirapan ang Malaking AI Labs sa Scientific Discovery
Tinukoy ni Markus Buehler, isang propesor sa engineering ng MIT, ang isang pangunahing limitasyon sa advanced AI ngayon. Ipinapangatuwiran niya na ang mga modelong nagpapagana ng mga system mula sa OpenAI at Anthropic ay hindi idinisenyo para sa tunay na pagtuklas. Ang kanilang arkitektura ay batay sa pagkilala ng pattern mula sa umiiral na data, hindi sa paglikha ng mga bagong teorya o hypotheses.
Ito ay malinaw na inilarawan noong nakaraang taglagas nang ang isang sinasabing pagtuklas sa matematika ng ChatGPT ay mabilis na na-debunk. Itinampok ng episode ang agwat sa pagitan ng analytical power ng AI at ang malikhaing pag-iisip na nakatuon sa pagtuklas. Ito ay isang hamon na nakapagpapaalaala sa iba pang mga pagsusumikap ng AI kung saan ang teknolohiya ay nakikipagpunyagi sa pagka-orihinal, katulad ng pagpuna na kinakaharap ng AI 'actor' na si Tilly Norwood para sa kawalan ng tunay na pagkamalikhain.
Ang Pangunahing Problema sa Kasalukuyang Mga Modelo ng AI
Ang malalaking modelo ng wika ay mahusay sa pagproseso at pag-regurgitate ng impormasyon. Maaari nilang ibuod ang mga teksto, sagutin ang mga tanong, at magsulat pa ng code batay sa kanilang data ng pagsasanay. Gayunpaman, nagpapatakbo sila sa loob ng mga limitasyon ng kanilang natutunan na.
Ang pagtuklas sa siyensya, ayon sa likas na katangian nito, ay nangangailangan ng paghakbang sa hindi alam. Kabilang dito ang pagbuo ng mga bagong koneksyon sa pagitan ng magkakaibang mga field at pagmumungkahi ng mga ideya na wala sa anumang dataset ng pagsasanay. Ito ay isang hakbang na hindi ginawa ng kasalukuyang generative AI, na nakatuon sa paggawa ng content at automation. Ang industriya ay umuunlad, tulad ng nakikita sa mga pag-unlad tulad ng pag-update ng WordPress Gutenberg na naglalagay ng batayan para sa pag-publish ng AI, ngunit nananatili ang pangunahing hamon para sa pagtuklas.
Ipinapakilala ang Mga Hindi Makatwirang Lab: Isang Bagong Diskarte sa AI para sa Agham
Upang matugunan ang agwat na ito, itinatag ni Propesor Buehler ang Unreasonable Labs kasama si Yuan Cao, isang dating senior staff research scientist sa Google DeepMind. Nilalayon ng startup na pasimulan ang isang pangunahing naiibang diskarte sa pagbuo ng AI para sa pagtuklas ng siyentipiko. Sa halip na umasa lamang sa napakalaking pag-ingestion ng data, gumagawa sila ng mga system na may kakayahang interdisciplinary na pangangatwiran.
Ang Unreasonable Labs kamakailan ay nakakuha ng $13.5 milyon sa isang round ng pagpopondo na pinangunahan ng Playground Global. Ang round ay nagkaroon ng partisipasyon mula sa AIX Ventures, E14 Fund, at MS&AD Ventures. Binibigyang-diin ng makabuluhang pamumuhunan na ito ang paniniwala ng merkado sa kanilang nobelang pamamaraan.
Pag-aaral mula sa "Aha" Moments sa Science History
Ang hypothesis ni Buehler ay ang maraming magagandang tuklas na nagmumula sa "aha" na mga sandali. Ito ay mga pagkakataon kung saan ang isang siyentipiko ay nag-aplay ng isang teorya o konsepto mula sa isang larangan upang malutas ang isang problema sa isang ganap na naiibang domain. Ang cross-pollination na ito ng mga ideya ay susi sa mga tagumpay.
Ang isang klasikong halimbawa ay ang gawa ni John Hopfield noong 1982. Inilapat niya ang mga konsepto mula sa condensed matter physics sa noon-nascent field ng artificial intelligence. Ito ay humantong sa pagbuo ng mga network ng Hopfield, isang uri ng neural network na may kakayahang matuto at maalala ang mga alaala. Ito ay isang rebolusyonaryong ideya na ipinanganak mula sa pag-uugnay ng mga hindi magkakaugnay na disiplina.
Paano Naiiba ang AI ng Hindi Makatwirang Labs sa Mga Mainstream na Modelo
Ang AI na binuo sa Unreasonable Labs ay idinisenyo upang gayahin ang kapasidad ng tao para sa interdisciplinary na insight. Ang kanilang layunin ay hindi upang lumikha ng isang mas malaking modelo ng wika ngunit upang bumuo ng isang sistema na maaaring mangatuwiran sa mga siyentipikong domain.
Mga Interdisciplinary Knowledge Graph: Sa halip na pagsasanay sa teksto lamang, isinasama ng kanilang AI ang nakabalangkas na kaalaman mula sa maraming larangang siyentipiko, mula sa biology hanggang sa pisika. Analogical Reasoning Engines: Ang pangunahing teknolohiya ay nakatutok sa paghahanap ng mga pagkakatulad at pagkakatulad sa pagitan ng tila hindi nauugnay na mga konsepto, isang pangunahing driver ng makabagong siyentipiko. Pagbuo ng Hypothesis: Ang sistema ay idinisenyo upang magmungkahi ng mga masusubok na pang-agham na hypotheses, hindi lamang pag-aralan ang umiiral na data.
Ang diskarte na ito ay kumakatawan sa isang makabuluhang pag-alis mula sa mga diskarte sa pagkuha ng mas malakimga tech na kumpanya, tulad ng pagkuha ng Zendesk ng AI startup Forethought, na kadalasang tumutuon sa pagpino sa mga umiiral nang aplikasyon sa serbisyo sa customer kaysa sa pagpapayunir ng mga bagong paraan ng pagtuklas.
Ang Hinaharap ng AI-Driven Discovery
Kung matagumpay, maaaring mapabilis ng teknolohiya ng Unreasonable Labs ang pananaliksik sa mga kritikal na lugar. Isipin ang isang AI na maaaring magmungkahi ng isang bagong tambalang gamot sa pamamagitan ng pagsasama-sama ng mga prinsipyo mula sa chemistry at genetics. O isang modelo na nagmumungkahi ng bagong materyal para sa napapanatiling enerhiya sa pamamagitan ng pag-uugnay ng mga konsepto mula sa nanotechnology at thermodynamics.
Ang mga potensyal na aplikasyon ay malawak, mula sa pagpapabilis ng medikal na pananaliksik hanggang sa paglutas ng mga kumplikadong hamon sa kapaligiran. Kinakatawan nito ang susunod na hangganan para sa AI, na lumalampas sa automation upang maging isang tunay na kasosyo sa katalinuhan ng tao.
Konklusyon: Ang Susunod na Alon ng AI Innovation
Ang karera upang bumuo ng AI para sa pagtuklas ng agham ay umiinit, ngunit ang tunay na tagumpay ay maaaring nakasalalay sa mga dalubhasang startup tulad ng Unreasonable Labs. Ang kanilang pagtuon sa interdisciplinary na pangangatwiran ay nag-aalok ng isang magandang landas na lampas sa mga limitasyon ng kasalukuyang malalaking modelo ng wika. Nagsisimula pa lang ang paglalakbay sa paglikha ng AI na tunay na makakatuklas.
Manatiling updated sa mga pinakabagong inobasyon sa AI at teknolohiya. Para sa higit pang mga insight at para madaling maibahagi ang artikulong ito, likhain ang iyong libreng link-in-bio na pahina sa Seemless para i-curate ang iyong paboritong content.
