Nevím, jestli je to pravda, ale přizpůsobení peptidů je mezi pokročilými uživateli už dlouho běžné. V poslední době jsem strávil nějaký čas učením se jak AI pro vědu, tak vědu pro AI. Oba směry jsou fascinující. Plánuji psát více blogů o tom, co jsem se naučil, až získám další vhled. Několik pohledů: 1. Vzniknou základní modely vědy, které se budou lišit od dnešních LLM. Modely buněk, proteinů, materiálů a chemie, které se učí strukturovaným reprezentacím fyzikálních systémů. Na rozdíl od LLM obsahují vědecká data silná omezení (symetrie, geometrie, zákony zachování) a vysoký šum, což vyžaduje zásadně odlišné návrhy modelů. (Co se týče biologie, najdi nějakou práci od @BoWang87, @arcinstitute zajímavé) 2. Vědecký výzkum se dramaticky zrychlí a přinese obrovský dopad na lidskou společnost. Očekávejte mnohem více datově orientovaný přístup: AI spoluvědci, kteří pomáhají s uvažováním a generováním hypotéz, v kombinaci s robotickými laboratořemi schopnými detailního řízení. Experimentální → analýza → hypotézová smyčka se výrazně zrychlí, i když některé formy ověřování budou stále trvat. 3. Věda pro AI bude pro AGI klíčová. V jádru je to problém interpretovatelnosti. Rozvíjení intuice o tom, jak modely fungují, nám může pomoci pochopit, jak řídit a navrhovat budoucí systémy směrem k obecnější inteligenci. (Stále se učím, ale našel jsem nějakou práci @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu užitečnou)