AI voor de Wetenschap Heeft Redeneren Nodig, Niet Alleen Data
Google DeepMind
AI-agenten die het menselijke onderzoeksproces modelleren, zullen wetenschappelijke ontdekkingen versnellen, in tegenstelling tot datahongerige modellen zoals AlphaFold. Deze agenten kunnen redeneren onder onzekerheid, logboekregistratie automatiseren en experimenten versnellen, en bieden zo een weg vooruit voor vakgebieden die geen enorme datasets hebben.
AlphaFold, ontwikkeld door Google DeepMind, loste na een halve eeuw inspanning de structuurvoorspelling van eiwitten op, maar de omstandigheden die dit succes mogelijk maakten—de enorme Protein Data Bank en betrouwbare experimentele gegevens—zijn zeldzaam en kostbaar om in de meeste vakgebieden te repliceren. In plaats daarvan komen AI-agenten, aangedreven door grote taalmodellen, naar voren als een meer algemeen hulpmiddel voor de wetenschap. Agenten zoals Google's AI Co-Scientist kunnen redeneren, plannen en hypothesen testen; een dergelijke agent stelde correct een hypothese op over hoe antibioticaresistentie zich verspreidt, een conclusie waar onderzoekers van Imperial College tien jaar over deden. Deze agenten kunnen elke actie loggen, wat de reproduceerbaarheidscrisis aanpakt, institutionele kennis behoudt en onderzoek aanzienlijk versnelt door de kosten van experimenten te verlagen. Hoewel uitdagingen zoals hallucinaties en geheugenbeperkingen blijven bestaan, vertegenwoordigen agenten een fundamentele verschuiving, vergelijkbaar met de calculus of de computer, die de wetenschap op alle gebieden transformeert.
Bron: MIT Technology Review —
origineel