目标OpenAI!前谷歌CEO发起AI+Science登月计划
共 2709字,需浏览 6分钟
·
2023-08-30 23:30
![](https://filescdn.proginn.com/132eccd7864c2c709fc6698673addd9d/2d3ec466e32a45c932a9895c351119b6.webp)
新智元报道
新智元报道
【新智元导读】谷歌前CEO自掏腰包建立AI+Science非营利组织,豪赌科学研究的未来。
谷歌前CEO Eric Schmidt正在建立一家大型的AI+Science非营利性创业公司,期望通过AI来应对科学研究中的挑战。
他聘请了两位卓越的科学家来领导这项非营利计划:
弗朗西斯·克里克研究所应用生物技术实验室的创始人Samuel Rodriques,以及罗切斯特大学教授、在化学中使用AI的先驱Andrew White。他们都是各自领域中相对年轻但却已功勋卓著的学术明星。
Schmidt、Rodriques和White都相信,AI将改变未来的科学研究。
上个月,Schmidt在《麻省理工科技评论》(MIT Technology Review)上发表的一篇题为《这就是AI将如何改变科学完成方式》的文章中表述了他的愿景:
「随着AI的出现,科学将变得更加令人兴奋——而且在某些方面将变得难以辨认。这种转变的影响将远远超出实验室的范围,它们将会影响我们所有人。」
另一边,Rodriques和White在自己的实验网站或公开演讲中做出了AI将颠覆科学的预言和设想。
Rodriques表示:「我们将需要由核心AI研究人员和核心科学家组成的团队一起工作,并采用快速迭代周期,以构建能够利用前沿技术并为科学家带来实际价值的工具。」
Jim Fan认为这个公司的潜力十分巨大,如果LLM和智能体机器人成为未来的科学研究中基础设施,那么像LK-99这样的实验将不再停留在手工炼金术的水平上。
但也有知情人士透露,Schmidt正在进行的这项工作以OpenAI为蓝本,但资金来源于Schmidt与妻子Wendy共同创立的Schmidt Futures。基本上,活动资金都是由Schmidt自付的。
Jim也表示了对Schmidt的组织能否持续的担忧。
其中,数据的收集和分析是科学理解和发现的基础。
20世纪50年代,数字化的引入为计算在科学研究中的普遍使用铺平了道路。
而从2010年以来,深度学习的兴起使AI能够通过从大型数据集中识别科学相关模式来提供有价值的指导。这极大地扩展了科学发现过程的范围和雄心:
科学发现是一个多方面的过程,涉及几个相互关联的阶段,包括假设提出、实验设计、数据收集和分析。
尽管科学实践和程序在科学研究的各个阶段都各不相同,但人工智能算法能够跨越传统上孤立的学科。
AI 越来越多地用于跨学科跨领域的海量数据集的整合、细化测量、指导实验、探索与数据兼容的理论空间,并为自主发现提供与科学工作流程集成的可操作和可靠的模型等。
AI可以增强科学研究的设计和执行。通过优化参数和函数,自动化程序来收集、可视化和处理数据,探索大量候选假设以形成理论点,并生成假设并估计其不确定性以建议相关实验。
![](https://filescdn.proginn.com/c3189c112781833354f712c1242e3672/cd0ec02aaf690ae6e4be8ed543a706cd.webp)
AI时代的科学
但使用AI进行科学研究也并不意味着轻松随意。
最大的挑战之一是科学问题中假设空间的巨大,使得系统探索变得不可行。
例如,在生物化学中,估计需要探索的药物分子存在有10的60次方个。
尽管人工智能系统能通过加速过程和提供接近实验精度的预测来彻底改变科学工作流程。
但人工智能模型获得可靠注释的数据集是相当浩大的工程,这可能涉及耗时和资源密集型的实验和模拟。
但在最近的进展中,谷歌DeepMind开发的AlphaFold成功解决了长达50年的蛋白质折叠问题。
由AI驱动的AlphaFold的数百万个粒子16的分子系统模拟证明了人工智能解决具有挑战性的科学问题的潜力。
另一个问题是AI内部运行时的黑箱会降低人们对预测的信任度,也导致了一些领域的适用性有限。
例如在要求模型的输出在实际应用前必须有对应的现实条件,如人类的太空探索,以及预测为政策提供信息的领域,如气候科学等。
首先是即将从AI的应用中受益的领域,如自动驾驶。其次,AI智能工具的引入将会提升最先进的技术并创造新的机会,如生物、化学或物理过程,如利用AI研究核聚变反应等。
在这两股力量的基础上,未来研究团队的组成将发生变化,包括 Al 专家、软件和硬件工程师,以及涉及各级政府、教育机构和企业的新型合作形式。
如最先进的模型规模不断扩大,导致能源消耗大、计算成本高昂。因此,大型科技公司大量将投资于计算基础设施和云服务,不断挑战规模和效率的极限。
这意味着营利性组织和非学术性组织会使用规模庞大的计算基础设施。
但高等教育机构可以更好地整合多个学科。此外,学术机构往往拥有独特的历史数据库和测量技术,而这些技术在其他地方可能并不存在,但却是 Al+Science 所必需的。
这些互补性资产将会促进产学合作的新模式,从而影响研究问题的选择。
![](https://filescdn.proginn.com/b7680b97342c1cd7f4dfa2858d9aa5ca/fe4c5f39f30791d28db960a8af8c092f.webp)
![](https://filescdn.proginn.com/9ac4d71238efc4934c6546361d89267e/939fa018568fe91847f92547a0720f15.webp)