Стартап пробує новий трюк для розробки ШІ для наукових відкриттів
Стартап пробує новий трюк для розробки ШІ для наукових відкриттів
Розробка штучного інтелекту для наукових відкриттів стала монументальною метою для технічних гігантів. Такі компанії, як OpenAI і Anthropic, забезпечили десятки мільярдів фінансування завдяки обіцянкам прориву ШІ в медицині, біології та фізиці. Однак справжні наукові відкриття, керовані штучним інтелектом, залишаються недосяжними, як показали минулі випадки, як-от розвінчаний математичний висновок, згенерований ChatGPT. Основна проблема, на думку експертів, полягає в тому, що нинішні великі мовні моделі (LLM) не мають внутрішньої здатності генерувати нові наукові знання автономно.
Чому великі лабораторії ШІ борються з науковими відкриттями
Маркус Бюлер, професор техніки Массачусетського технологічного інституту, визначає фундаментальне обмеження сучасного передового ШІ. Він стверджує, що моделі, які живлять системи OpenAI і Anthropic, не призначені для справжнього відкриття. Їхня архітектура базується на розпізнаванні шаблонів із наявних даних, а не на створенні нових теорій чи гіпотез.
Це було яскраво продемонстровано минулої осені, коли передбачуване математичне відкриття ChatGPT було швидко розвінчано. Цей епізод підкреслив розрив між аналітичною потужністю штучного інтелекту та його творчим мисленням, орієнтованим на відкриття. Це виклик, який нагадує інші спроби штучного інтелекту, де технологія бореться з оригінальністю, подібно до критики, з якою зіткнувся «актор» ШІ Тіллі Норвуд за відсутність справжньої творчості.
Основна проблема сучасних моделей ШІ
Великі мовні моделі відмінно справляються з обробкою та перетворенням інформації. Вони можуть узагальнювати тексти, відповідати на запитання та навіть писати код на основі своїх навчальних даних. Однак вони діють у межах того, чого вже навчилися.
Наукове відкриття за своєю природою вимагає кроку в невідоме. Це передбачає створення нових зв’язків між різними сферами та пропонування ідей, яких немає в жодному навчальному наборі даних. Це стрибок, для якого не створений сучасний генеративний штучний інтелект, орієнтований на створення й автоматизацію вмісту. Галузь розвивається, як видно з таких розробок, як оновлення WordPress Gutenberg, яке закладає основу для публікацій штучного інтелекту, але основна проблема відкриття залишається.
Представляємо Unreasonable Labs: новий підхід до ШІ для науки
Щоб усунути цю прогалину, професор Бюлер разом із Юань Цао, колишнім старшим науковим співробітником Google DeepMind, заснував Unreasonable Labs. Стартап має на меті започаткувати принципово інший підхід до розробки ШІ для наукових відкриттів. Замість того, щоб покладатися виключно на масове надходження даних, вони створюють системи, здатні до міждисциплінарних міркувань.
Unreasonable Labs нещодавно залучила 13,5 мільйонів доларів у раунді фінансування під керівництвом Playground Global. The round saw participation from AIX Ventures, E14 Fund, and MS&AD Ventures. Ці значні інвестиції підкреслюють віру ринку в їх нову методологію.
Вчимося з "Ага" моментів в історії науки
Гіпотеза Бюлера полягає в тому, що багато великих відкриттів виникають через моменти «ага». Це випадки, коли вчений застосовує теорію чи концепцію з однієї галузі для вирішення проблеми в зовсім іншій області. Це перехресне запилення ідей є ключовим для прориву.
Класичним прикладом є робота Джона Хопфілда в 1982 році. Він застосував концепції фізики конденсованих середовищ до галузі штучного інтелекту, що тоді зароджувалася. Це призвело до розробки мереж Хопфілда, типу нейронної мережі, здатної навчатися та відтворювати спогади. Це була революційна ідея, яка народилася завдяки об’єднанню неспоріднених дисциплін.
Чим штучний інтелект Unreasonable Labs відрізняється від стандартних моделей
Штучний інтелект, який розробляється в Unreasonable Labs, розроблений, щоб імітувати людську здатність до міждисциплінарного розуміння. Їхня мета полягає не в тому, щоб створити більшу мовну модель, а в тому, щоб побудувати систему, яка може міркувати в різних наукових областях.
Міждисциплінарні графіки знань: замість навчання лише на тексті їхній штучний інтелект об’єднує структуровані знання з багатьох наукових галузей, від біології до фізики. Механізми аналогічного міркування: основна технологія зосереджена на пошуку аналогій і паралелей між, здавалося б, непов’язаними концепціями, що є ключовим рушієм наукових інновацій. Створення гіпотез: система розроблена, щоб пропонувати перевірені наукові гіпотези, а не просто аналізувати наявні дані.
Цей підхід є значним відхиленням від стратегій придбання більших компанійтехнологічні фірми, як-от придбання Zendesk стартапу Forethought у галузі штучного інтелекту, які часто зосереджуються на вдосконаленні існуючих програм обслуговування клієнтів, а не на розробці нових форм відкриття.
Майбутнє відкриттів, керованих ШІ
У разі успіху технологія Unreasonable Labs може прискорити дослідження в критичних областях. Уявіть собі штучний інтелект, який може запропонувати нову лікарську сполуку, поєднуючи принципи хімії та генетики. Або модель, яка пропонує новий матеріал для стійкої енергетики шляхом поєднання концепцій нанотехнологій і термодинаміки.
Потенційні можливості застосування величезні, від прискорення медичних досліджень до вирішення складних екологічних проблем. Це являє собою наступний рубіж для ШІ, який виходить за межі автоматизації, щоб стати справжнім партнером людської винахідливості.
Висновок: наступна хвиля інновацій ШІ
Гонка за розробкою штучного інтелекту для наукових відкриттів набирає обертів, але справжній успіх може бути досягнутий спеціалізованими стартапами, такими як Unreasonable Labs. Їхня зосередженість на міждисциплінарному міркуванні пропонує багатообіцяючий шлях за межі обмежень сучасних великих мовних моделей. Шлях до створення штучного інтелекту, здатного справді відкривати, тільки починається.
Будьте в курсі останніх інновацій у сфері ШІ та технологій. Щоб отримати більше інформації та легко поділитися цією статтею, створіть свою безкоштовну сторінку з посиланням у біографії на Seemless, щоб курувати свій улюблений вміст.
