這家新創公司嘗試開發人工智慧以促進科學發現的新技巧
這家新創公司嘗試開發人工智慧以促進科學發現的新技巧
為科學發現開發人工智慧已成為科技巨頭的一個宏偉目標。 OpenAI 和 Anthropic 等公司已獲得數百億美元的資金，並承諾人工智慧將在醫學、生物學和物理學領域取得突破。然而，真正的人工智慧驅動的科學發現仍然難以捉摸，過去的事件（例如被揭穿的 ChatGPT 生成的數學發現）證明了這一點。專家認為，核心挑戰是目前的大型語言模型（LLM）缺乏自主生成新穎科學知識的內在能力。
為什麼大型人工智慧實驗室在科學發現方面舉步維艱
麻省理工學院工程學教授馬庫斯·布勒 (Markus Buehler) 指出了當今先進人工智慧的一個根本限制。他認為，為 OpenAI 和 Anthropic 系統提供動力的模式並不是為真正的發現而設計的。他們的架構是基於現有資料的模式識別，而不是創建新的理論或假設。
去年秋天，當 ChatGPT 所謂的數學發現很快就被揭穿時，這一點就得到了鮮明的說明。這一集凸顯了人工智慧的分析能力與其創造性、以發現為導向的思維之間的差距。這是一個挑戰，讓人想起其他人工智慧領域的技術與原創性的鬥爭，就像人工智慧「演員」蒂莉·諾伍德因缺乏真正的創造力而面臨的批評一樣。
當前人工智慧模型的核心問題
大型语言模型擅长处理和反刍信息。他們可以總結文字、回答問題，甚至根據訓練資料編寫程式碼。然而，他們的運作是在他們已經學到的範圍內進行的。
科學發現就其本質而言，需要步入未知世界。它涉及在不同領域之間形成新的聯繫，並提出任何訓練資料集中不存在的想法。目前專注於內容創建和自動化的生成式人工智慧並不是為了實現這一飛躍而設計的。這個行業正在不斷發展，正如 WordPress Gutenberg 更新等發展為人工智慧出版奠定了基礎一樣，但發現的核心挑戰仍然存在。
引入不合理的實驗室：科學人工智慧的新方法
為了解決這一差距，Buehler 教授與 Google DeepMind 前高級研究科學家 Yuan Cao 共同創立了 Unreasonable Labs。該新創公司旨在開創一種完全不同的方法來開發用於科學發現的人工智慧。他們不再僅僅依賴海量資料攝取，而是建構能夠進行跨學科推理的系統。
Unreasonable Labs 最近在 Playground Global 領投的一輪融資中獲得了 1,350 萬美元。 AIX Ventures、E14 Fund 和 MS&AD Ventures 參與了本輪融資。這項重大投資凸顯了市場對其新穎方法的信心。
從科學史上的「頓悟」時刻學習
布勒的假設是，許多偉大的發現都源自於「頓悟」時刻。在這些例子中，科學家應用一個領域的理論或概念來解決完全不同領域的問題。这种思想的交叉授粉是突破的关键。
一個典型的例子是約翰·霍普菲爾德 (John Hopfield) 1982 年的工作。他將凝聚態物理學的概念應用到了當時新興的人工智慧領域。這導致了霍普菲爾德網路的發展，這是一種能夠學習和回憶記憶的神經網路。這是一個革命性的想法，誕生於連結不相關的學科。
Unreasonable Labs 的人工智慧與主流模式有何不同
Unreasonable Labs 正在開發的人工智慧旨在模仿人類的跨學科洞察力。他們的目標不是創造一個更大的語言模型，而是建構一個可以跨科學領域進行推理的系統。
跨學科知識圖：他們的人工智慧不是單獨進行文字訓練，而是整合了從生物學到物理學等多個科學領域的結構化知識。 類比推理引擎：核心技術專注於尋找看似不相關的概念之間的類比和相似之處，這是科學創新的關鍵驅動力。 假設生成：該系統旨在提出可檢驗的科學假設，而不僅僅是分析現有數據。
這種方法與大型企業的收購策略截然不同。科技公司，例如 Zendesk 收購人工智慧新創公司 Forethought，通常專注於完善現有的客戶服務應用程序，而不是開拓新的發現形式。
人工智慧驅動的發現的未來
如果成功，Unreasonable Labs 的技術可以加速關鍵領域的研究。想像一下，人工智慧可以結合化學和遺傳學的原理來推薦一種新的藥物化合物。或透過連接奈米技術和熱力學概念提出一種可持續能源新材料的模型。
潛在的應用非常廣泛，從加速醫學研究到解決複雜的環境挑戰。這代表了人工智慧的下一個前沿領域，超越自動化，成為人類創造力的真正合作夥伴。
結論：下一波人工智慧創新浪潮
為科學發現而開發人工智慧的競賽正在升溫，但真正的成功可能取決於像 Unreasonable Labs 這樣的專業新創公司。他們對跨學科推理的關注為超越當前大型語言模型的局限性提供了一條有希望的道路。創建具有真正發現能力的人工智慧的旅程才剛開始。
隨時了解人工智慧和技術的最新創新。要獲得更多見解並輕鬆分享本文，請在 Seemless 上建立免費的個人簡介頁面來策劃您最喜愛的內容。
