Tidak yakin apakah itu benar, tetapi menyesuaikan peptida telah lama menjadi hal di kalangan pengguna yang kuat. Saya telah menghabiskan beberapa waktu mempelajari AI untuk sains dan sains untuk AI baru-baru ini. Keduanya adalah arah yang menarik. Saya berencana untuk menulis lebih banyak blog tentang apa yang telah saya pelajari saat saya mendapatkan lebih banyak wawasan. Beberapa perspektif: 1. Model dasar untuk sains akan muncul, dan mereka akan berbeda dari LLM saat ini. Model untuk sel, protein, bahan, dan kimia yang mempelajari representasi terstruktur dari sistem fisik. Tidak seperti LLM, data ilmiah mengandung kendala yang kuat (simetri, geometri, hukum konservasi) dan kebisingan tinggi, yang membutuhkan desain model yang berbeda secara fundamental. (Untuk bio, temukan beberapa karya dari @BoWang87, @arcinstitute menarik) 2. Penelitian ilmiah akan dipercepat secara dramatis, membawa dampak besar bagi masyarakat manusia. Harapkan pendekatan yang jauh lebih berbasis data: rekan ilmuwan AI yang membantu penalaran dan pembuatan hipotesis, dikombinasikan dengan laboratorium robot yang mampu melakukan kontrol yang terperinci. Percobaan → analisis → lingkaran hipotesis akan menjadi jauh lebih cepat, meskipun beberapa bentuk verifikasi masih akan memakan waktu. 3. Sains untuk AI akan sangat penting bagi AGI. Pada intinya, ini adalah masalah interpretabilitas. Mengembangkan intuisi tentang cara kerja model dapat membantu kita memahami bagaimana mengarahkan dan merancang sistem masa depan menuju kecerdasan yang lebih umum. (Masih belajar, tetapi temukan beberapa karya dari @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu berguna)