Nu sunt sigur dacă este cu adevărat adevărat, dar personalizarea peptidelor a existat de mult timp printre utilizatorii avansați. Am petrecut ceva timp învățând atât AI pentru știință, cât și știință pentru AI recent. Ambele sunt direcții fascinante. Plănuiesc să scriu mai multe bloguri despre ce am învățat pe măsură ce voi dobândi mai multe perspective. Câteva perspective: 1. Vor apărea modele de bază pentru știință și vor fi diferite de LLM-urile de astăzi. Modele pentru celule, proteine, materiale și chimie care învață reprezentări structurate ale sistemelor fizice. Spre deosebire de LLM-uri, datele științifice conțin constrângeri puternice (simetrie, geometrie, legi de conservare) și zgomot ridicat, necesitând designuri de modele fundamental diferite. (Pentru biografie, găsește niște lucrări de la @BoWang87, @arcinstitute interesant) 2. Cercetarea științifică va accelera dramatic, având un impact uriaș asupra societății umane. Așteptați-vă la o abordare mult mai bazată pe date: co-cercetători AI care ajută la raționament și generarea de ipoteze, combinate cu laboratoare robotice capabile de control detaliat. Experimentul → analiza → bucla de ipoteze va deveni mult mai rapidă, chiar dacă unele forme de verificare vor necesita totuși timp. 3. Știința pentru AI va fi crucială pentru AGI. În esență, aceasta este problema interpretabilității. Dezvoltarea intuiției despre modul în care funcționează modelele ne poate ajuta să înțelegem cum să direcționăm și să proiectăm sistemele viitoare către o inteligență mai generală. (Încă învăț, dar găsesc ceva de la @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu util)