Jeg er ikke sikker på om det faktisk stemmer, men tilpasning av peptider har lenge vært vanlig blant avanserte brukere. Jeg har brukt litt tid på å lære både AI for vitenskap og vitenskap for AI i det siste. Begge er fascinerende retninger. Jeg planlegger å skrive flere blogger om det jeg har lært etter hvert som jeg får mer innsikt. Noen få perspektiver: 1. Grunnlagsmodeller for vitenskap vil oppstå, og de vil være forskjellige fra dagens LLM-er. Modeller for celler, proteiner, materialer og kjemi som lærer strukturerte representasjoner av fysiske systemer. I motsetning til LLM-er inneholder vitenskapelige data sterke begrensninger (symmetri, geometri, bevaringslover) og høy støy, noe som krever fundamentalt forskjellige modelldesign. (For biografi, finn noe arbeid fra @BoWang87, @arcinstitute interessant) 2. Vitenskapelig forskning vil akselerere dramatisk og ha stor innvirkning på menneskesamfunnet. Forvent en langt mer datadrevet tilnærming: AI-medforskere som hjelper til med resonnement og hypotesegenerering, kombinert med robotlaboratorier som kan kontrollere detaljert detaljert. Eksperimentet → analyse → hypotesesløyfen vil bli mye raskere, selv om noen former for verifisering fortsatt vil ta tid. 3. Vitenskap for AI vil være avgjørende for AGI. I bunn og grunn er dette problemet med tolkbarhet. Å utvikle intuisjon om hvordan modeller fungerer kan hjelpe oss å forstå hvordan vi kan styre og designe fremtidige systemer mot mer generell intelligens. (Lærer fortsatt, men finner noe arbeid fra @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu nyttig)