En ole varma, onko se totta, mutta peptidien räätälöinti on ollut pitkään yleistä tehokäyttäjien keskuudessa. Olen viime aikoina käyttänyt aikaa opiskelemalla sekä tekoälyä että tiedettä tekoälyä varten. Molemmat ovat kiehtovia suuntia. Aion kirjoittaa lisää blogeja siitä, mitä olen oppinut, kun saan lisää ymmärrystä. Muutama näkökulma: 1. Tieteen perustamalleja syntyy, ja ne eroavat nykyisistä LLM-malleista. Malleja soluille, proteiineille, materiaaleille ja kemialle, jotka oppivat fysikaalisten järjestelmien rakenteellisia esityksiä. Toisin kuin LLM:issä, tieteellisessä datassa on vahvoja rajoitteita (symmetria, geometria, säilymislait) ja korkea kohina, mikä vaatii perustavanlaatuisesti erilaisia mallisuunnitelmia. (Biologian osalta etsi töitä @BoWang87:lta, @arcinstitute mielenkiintoista) 2. Tieteellinen tutkimus kiihtyy huomattavasti, tuo valtavan vaikutuksen ihmiskuntaan. Odotettavissa on paljon datalähtöisempi lähestymistapa: tekoälytutkijat, jotka auttavat päättelyssä ja hypoteesien luomisessa, yhdistettynä robottilaboratorioihin, jotka pystyvät tarkkaan ohjaukseen. Koe → analyysi → hypoteesisilmukka nopeutuu huomattavasti, vaikka jotkin varmistusmuodot vievätkin aikaa. 3. Tiede tekoälylle tulee olemaan ratkaisevan tärkeää AGI:lle. Pohjimmiltaan kyse on tulkittavuuden ongelmasta. Intuition kehittäminen mallien toiminnasta voi auttaa meitä ymmärtämään, miten ohjata ja suunnitella tulevia järjestelmiä kohti yleisempää älykkyyttä. (Opiskelen vielä, mutta löydän @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu hyödyllistä työtä)