Non sono sicuro se sia davvero vero, ma personalizzare i peptidi è da tempo una pratica comune tra gli utenti esperti. Ho trascorso del tempo a imparare sia l'AI per la scienza che la scienza per l'AI recentemente. Entrambi sono direzioni affascinanti. Ho intenzione di scrivere più blog su ciò che ho imparato man mano che acquisisco maggiore comprensione. Alcune prospettive: 1. I modelli di base per la scienza emergeranno e saranno diversi dagli attuali LLM. Modelli per cellule, proteine, materiali e chimica che apprendono rappresentazioni strutturate dei sistemi fisici. A differenza degli LLM, i dati scientifici contengono forti vincoli (simmetria, geometria, leggi di conservazione) e alto rumore, richiedendo design di modelli fondamentalmente diversi. (Per la biologia, trova interessante qualche lavoro di @BoWang87, @arcinstitute) 2. La ricerca scientifica accelererà drammaticamente, portando un enorme impatto sulla società umana. Aspettati un approccio molto più basato sui dati: AI co-scienziati che assistono nel ragionamento e nella generazione di ipotesi, combinati con laboratori robotici capaci di controllo fine. Il ciclo esperimento → analisi → ipotesi diventerà molto più veloce, anche se alcune forme di verifica richiederanno ancora tempo. 3. La scienza per l'AI sarà cruciale per l'AGI. Alla sua base, questo è il problema dell'interpretabilità. Sviluppare intuizioni su come funzionano i modelli può aiutarci a capire come orientare e progettare sistemi futuri verso un'intelligenza più generale. (Sto ancora imparando, ma trovo utili alcuni lavori di @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu)