Ich bin mir nicht sicher, ob es tatsächlich wahr ist, aber die Anpassung von Peptiden ist schon lange ein Thema unter Power-Usern. Ich habe in letzter Zeit etwas Zeit damit verbracht, sowohl KI für Wissenschaft als auch Wissenschaft für KI zu lernen. Beide sind faszinierende Richtungen. Ich plane, mehr Blogs über das zu schreiben, was ich gelernt habe, während ich mehr Einblicke gewinne. Einige Perspektiven: 1. Fundamentale Modelle für die Wissenschaft werden entstehen, und sie werden sich von den heutigen LLMs unterscheiden. Modelle für Zellen, Proteine, Materialien und Chemie, die strukturierte Darstellungen physikalischer Systeme lernen. Im Gegensatz zu LLMs enthält wissenschaftliche Daten starke Einschränkungen (Symmetrie, Geometrie, Erhaltungsgesetze) und viel Rauschen, was grundlegend andere Modellgestaltungen erfordert. (Für Bio, finde einige Arbeiten von @BoWang87, @arcinstitute interessant) 2. Wissenschaftliche Forschung wird dramatisch beschleunigt, was enorme Auswirkungen auf die menschliche Gesellschaft hat. Erwarten Sie einen viel datengetriebenen Ansatz: KI-Co-Wissenschaftler, die bei der Argumentation und Hypothesenbildung helfen, kombiniert mit robotergestützten Laboren, die eine feinkörnige Kontrolle ermöglichen. Der Experiment → Analyse → Hypothesen-Zyklus wird viel schneller werden, auch wenn einige Formen der Verifizierung weiterhin Zeit in Anspruch nehmen werden. 3. Wissenschaft für KI wird entscheidend für AGI sein. Im Kern ist dies das Problem der Interpretierbarkeit. Intuition darüber zu entwickeln, wie Modelle funktionieren, kann uns helfen zu verstehen, wie wir zukünftige Systeme in Richtung allgemeinerer Intelligenz steuern und gestalten können. (Lerne immer noch, finde aber einige Arbeiten von @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu nützlich)