这家初创公司尝试开发人工智能以促进科学发现的新技巧
这家初创公司尝试开发人工智能以促进科学发现的新技巧
为科学发现开发人工智能已成为科技巨头的一个宏伟目标。 OpenAI 和 Anthropic 等公司已获得数百亿美元的资金，并承诺人工智能将在医学、生物学和物理学领域取得突破。然而，真正的人工智能驱动的科学发现仍然难以捉摸，过去的事件（例如被揭穿的 ChatGPT 生成的数学发现）就证明了这一点。专家认为，核心挑战是当前的大型语言模型（LLM）缺乏自主生成新颖科学知识的内在能力。
为什么大型人工智能实验室在科学发现方面举步维艰
麻省理工学院工程学教授马库斯·布勒 (Markus Buehler) 指出了当今先进人工智能的一个根本局限性。他认为，为 OpenAI 和 Anthropic 系统提供动力的模型并不是为真正的发现而设计的。他们的架构基于现有数据的模式识别，而不是创建新的理论或假设。
去年秋天，当 ChatGPT 所谓的数学发现很快被揭穿时，这一点就得到了鲜明的说明。这一集凸显了人工智能的分析能力与其创造性、以发现为导向的思维之间的差距。这是一个挑战，让人想起其他人工智能领域的技术与原创性的斗争，就像人工智能“演员”蒂莉·诺伍德因缺乏真正的创造力而面临的批评一样。
当前人工智能模型的核心问题
大型语言模型擅长处理和反刍信息。他们可以总结文本、回答问题，甚至根据训练数据编写代码。然而，他们的运作是在他们已经学到的范围内进行的。
科学发现就其本质而言，需要步入未知世界。它涉及在不同领域之间形成新的联系，并提出任何训练数据集中不存在的想法。当前专注于内容创建和自动化的生成式人工智能并不是为了实现这一飞跃而设计的。这个行业正在不断发展，正如 WordPress Gutenberg 更新等发展为人工智能出版奠定了基础一样，但发现的核心挑战仍然存在。
引入不合理的实验室：科学人工智能的新方法
为了解决这一差距，Buehler 教授与 Google DeepMind 前高级研究科学家 Yuan Cao 共同创立了 Unreasonable Labs。该初创公司旨在开创一种完全不同的方法来开发用于科学发现的人工智能。他们不再仅仅依赖海量数据摄取，而是构建能够进行跨学科推理的系统。
Unreasonable Labs 最近在 Playground Global 领投的一轮融资中获得了 1350 万美元。 AIX Ventures、E14 Fund 和 MS&AD Ventures 参与了本轮融资。这项重大投资凸显了市场对其新颖方法的信心。
从科学史上的“顿悟”时刻中学习
布勒的假设是，许多伟大的发现都源于“顿悟”时刻。在这些例子中，科学家应用一个领域的理论或概念来解决完全不同领域的问题。这种思想的交叉授粉是突破的关键。
一个典型的例子是约翰·霍普菲尔德 (John Hopfield) 1982 年的工作。他将凝聚态物理学的概念应用到了当时新兴的人工智能领域。这导致了霍普菲尔德网络的发展，这是一种能够学习和回忆记忆的神经网络。这是一个革命性的想法，诞生于连接不相关的学科。
Unreasonable Labs 的人工智能与主流模型有何不同
Unreasonable Labs 正在开发的人工智能旨在模仿人类的跨学科洞察力。他们的目标不是创建一个更大的语言模型，而是构建一个可以跨科学领域进行推理的系统。
跨学科知识图：他们的人工智能不是单独进行文本训练，而是集成了从生物学到物理学等多个科学领域的结构化知识。 类比推理引擎：核心技术专注于寻找看似不相关的概念之间的类比和相似之处，这是科学创新的关键驱动力。 假设生成：该系统旨在提出可检验的科学假设，而不仅仅是分析现有数据。
这种方法与大型企业的收购策略截然不同。科技公司，例如 Zendesk 收购人工智能初创公司 Forethought，通常专注于完善现有的客户服务应用程序，而不是开拓新的发现形式。
人工智能驱动的发现的未来
如果成功，Unreasonable Labs 的技术可以加速关键领域的研究。想象一下，人工智能可以结合化学和遗传学的原理来推荐一种新的药物化合物。或者通过连接纳米技术和热力学概念提出一种可持续能源新材料的模型。
潜在的应用非常广泛，从加速医学研究到解决复杂的环境挑战。这代表了人工智能的下一个前沿领域，超越自动化，成为人类创造力的真正合作伙伴。
结论：下一波人工智能创新浪潮
为科学发现而开发人工智能的竞赛正在升温，但真正的成功可能取决于像 Unreasonable Labs 这样的专业初创公司。他们对跨学科推理的关注为超越当前大型语言模型的局限性提供了一条有希望的道路。创建具有真正发现能力的人工智能的旅程才刚刚开始。
随时了解人工智能和技术的最新创新。要获得更多见解并轻松分享本文，请在 Seemless 上创建免费的个人简介页面来策划您最喜爱的内容。
