Nie jestem pewien, czy to prawda, ale dostosowywanie peptydów od dawna jest popularne wśród zaawansowanych użytkowników. Ostatnio spędziłem trochę czasu na nauce zarówno AI dla nauki, jak i nauki dla AI. Oba kierunki są fascynujące. Planuję napisać więcej blogów na temat tego, czego się nauczyłem, gdy zdobędę więcej wiedzy. Kilka perspektyw: 1. Modele podstawowe dla nauki pojawią się i będą różne od dzisiejszych LLM-ów. Modele dla komórek, białek, materiałów i chemii, które uczą się strukturalnych reprezentacji systemów fizycznych. W przeciwieństwie do LLM-ów, dane naukowe zawierają silne ograniczenia (symetria, geometria, zasady zachowania) i duży szum, co wymaga zasadniczo różnych projektów modeli. (Dla biologii, znajdź ciekawe prace od @BoWang87, @arcinstitute) 2. Badania naukowe przyspieszą dramatycznie, przynosząc ogromny wpływ na społeczeństwo. Oczekuj znacznie bardziej opartego na danych podejścia: AI jako współnaukowcy, którzy pomagają w rozumowaniu i generowaniu hipotez, w połączeniu z robotycznymi laboratoriami zdolnymi do precyzyjnej kontroli. Pętla eksperyment → analiza → hipoteza stanie się znacznie szybsza, chociaż niektóre formy weryfikacji nadal będą wymagały czasu. 3. Nauka dla AI będzie kluczowa dla AGI. W swojej istocie jest to problem interpretowalności. Rozwijanie intuicji na temat tego, jak działają modele, może pomóc nam zrozumieć, jak kierować i projektować przyszłe systemy w kierunku bardziej ogólnej inteligencji. (Wciąż się uczę, ale uważam, że niektóre prace od @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu są przydatne)