Kan en AI-forsker være fremtiden for forskning?

Sakana AI Labs har sendt chokbølger gennem det videnskabelige samfund med sin seneste meddelelse. Firmaet har gennemført oprettelsen og lanceringen af verdens første fuldt autonome AI-forsker. Den nye algoritme er i stand til at formulere teorier, teste og mere. Her er, hvad du behøver at vide.

Den nuværende metode til at skabe videnskabelige teorier

At skabe videnskabelige teorier og teste dem er en af de grundlæggende komponenter i forskning og udvikling. Nutidens forskere bruger år på at undersøge spørgsmål og udforme eksperimenter for at teste deres koncepter gennem eksperimentering. Til sidst offentliggøres resultaterne og gennemgår fagfællebedømmelse, før de gøres offentlige. Denne proces har været den samme i over et århundrede.

Ifølge Sakan AI Labs’ offentlige udtalelser er deres nye AI-system i stand til fuldt ud at automatisere disse opgaver. Systemet kan gennemgå aktuelle videnskabelige artikler, forbinde teorier eller koncepter, der kan have uopdagede resultater, skabe nye algoritmer til at teste disse teorier og beskrive al eksperimentering til senere fagfællebedømmelse. Bemærkelsesværdigt fokuserede teamet på beregningsforskning som deres primære område, fordi det gjorde det muligt at udføre eksperimenterne virtuelt.

AI-brug af forskere

Det er ingen hemmelighed, at AI har fundet et komfortabelt hjem inden for videnskabssamfundet. Denne teknologi kan ses integreret i forskellige systemer, som forskere bruger i dag. Oprindeligt blev AI-systemer brugt til at løse komplekse ligninger og simuleringer. I dag anvendes AI på tværs af branchen, hvor den spiller endnu vigtigere roller.

En vigtig anvendelse af AI i dag er at sortere gennem alle de aktuelle artikler for at finde relevant forskning. Hundredvis af forskningsartikler udgives hver uge, og den enorme mængde af disse udgivelser betyder, at størstedelen af banebrydende forskning kan tage år at opdage. Værktøjer som Elicit, Research Rabbit, Scite og Consensus hjælper forskere med at forbinde disse artikler på en relevant måde for at bygge videre på tidligere data.

Der findes også AI-værktøjer i brug i dag, som kan scanne og identificere specifikke interessepunkter i artikler. For eksempel kan du have et hold af ingeniører, der søger at afdække genetiske mutationer, der forårsager sygdom. Værktøjer som PubTator kan indsamle lignende temaer for at kaste lys over forbundne forskningsområder og eksperimenter.

AI-forskerundersøgelse

Disse tidligere interaktioner med AI har hjulpet det videnskabelige samfund med at udvide deres horisont og har været afgørende i mange af de seneste gennembrud. Introduktionen af en fuldt automatiseret algoritme, der kan forske og offentliggøre sine artikler, er derimod en stor spilskifter. Systemet har potentialet til at afdække ligheder og andre svære at opdage forbindelsesfaktorer mellem studier, som kan føre til gennembrud inden for beregningsforskning.

Hvordan fungerer en AI-forsker?

AI-forskeren integrerer nogle almindelige AI-systemer som store sprogmodeller (Large Language Models) som en del af sin tilgang. Systemet scanner løbende de enorme mængder af videnskabelige forskningsartikler, der er tilgængelige online i arkiver som arXiv og PubMed. Her blev millioner af videnskabelige artikler brugt til at programmere LLM’en til en ny AI-algoritme. Dette trin sikrede, at systemet kunne tale det videnskabelige sprog og kunne producere lignende resultater.

Kilde – Sakana AI Labs

Derfra søger systemet efter mønstre, tilbagevendende forskning eller forbundne temaer. Hver artikel gennemgår adskillige kontroller for at sikre dens kvalitet, fagfællebedømt status, udgivelsestidspunkt og emne. Bemærkelsesværdigt vil systemet endda krydsreferere videnskabelige artikler ved hjælp af sider som openreview.net. Dette trin tjener flere formål, herunder at sikre kvalitetsindhold. Derudover hjælper dette skridt med at programmere AI’ens interne fagfællebedømmelsessystem.

Sekundær AI-model

Når AI’en har scannet arkiverne for at finde interessante eksperimenter og teorier at teste, bliver hver artikel derefter bedømt ud fra flere faktorer. Scoren afspejler elementer som artiklens lighed med andre projekter, professionalisme, layout, resultater og forskere. Derfra undersøger AI-systemet konceptets unikhed og andre afgørende faktorer, der hjælper systemet med at afgøre, om der er yderligere forskning, der bør udforskes, eller andre artikler, der forbinder til en lignende teori.

Formulering af videnskabelige teorier

Disse trin gør det muligt for AI-forskeren at indsamle forskning og fremsætte forbundne koncepter, der bygger på de indsamlede data. Det fantastiske ved processen er, at den er fuldt automatiseret. Ingen menneskelig interaktion er påkrævet for, at denne algoritme kan producere forskningsartikler. Bemærkelsesværdigt fokuserer AI’en på beregningsforskning, hvilket gør det muligt at køre simulationsforsøg uden fysiske testkrav, hvilket udvider dens kapaciteter. Derfor udføres alle tests ved hjælp af kode-simuleringer. Denne tilgang betyder, at tests koster meget mindre at gennemføre og kan udføres i et højere tempo.

Bekymringer ved AI-forsker

Konceptet med en AI-forsker har rejst bekymringer i branchen. For det første ser nogle denne tilgang som en doven måde at erstatte forskere på. De argumenterer for, at systemet stadig er for nyt, og at AI ikke er konsistent nok. Deres argumenter har noget grundlag, da der har været tilfælde af AI-ugennemsigtighed gang på gang. Dog inkluderer den nyeste algoritme mange kontrolmekanismer, som vil hjælpe med at reducere disse problemer fremover.

AI-feedbackloop

En af de største bekymringer, der fortsat dukker op i fællesskabet, er risikoen for at skabe et AI-feedbackloop. Denne risiko er meget reel, når et AI-system automatisk skaber, kontrollerer og bygger nye datamodeller udelukkende fra andre AI-systemer. Dette loop kan føre til fejl, tunnelvision og en tilsidesættelse af menneskelige krav. For at undgå denne situation mener mange, at et menneske er påkrævet i loopet.

Den enorme mængde

Der udgives så mange videnskabelige artikler hver uge, at det næsten er umuligt at gennemgå arkiverne for at finde de mest relevante data. I øjeblikket spiller AI en afgørende rolle i at hjælpe forskere med at udføre denne opgave. Men hvis et AI-feedbackloop opstår, vil der blive introduceret for mange artikler for hurtigt, hvilket vil resultere i en neutralisering af de nuværende AI-søgesystemer.

Fordele ved AI-forsker

Flere fordele har mange på markedet begejstrede for udsigten til en AI-forsker, der arbejder 24/7 med at søge efter opdagelser. Potentialet for dette system til at låse op for nye videnskabelige teorier er uendeligt. Efterhånden som mere forskning tilføjes AI-modellen, vil systemet eksperimentere med nye koncepter og udvide sine kapaciteter. Således vil dagens AI-forsker være intet i forhold til sine fremtidige iterationer.

Store omkostningsbesparelser

En af hovedårsagerne til, at AI-forskeren er på vej til at blive en vigtig komponent på markedet, er de store omkostningsbesparelser. Ifølge forskningsteamet kan deres AI skabe, teste, offentliggøre og fagfællebedømme en videnskabelig artikel for kun $15. Denne lave pris repræsenterer et enormt fald i omkostningerne til forskning og udvikling, som er umuligt at benægte. Derfor kan AI-forskere blive den foretrukne løsning for dem, der ønsker at maksimere deres budget.

Det store billede

En af hovedårsagerne til, at dette projekt har mange ingeniører begejstrede, er, at det gør det muligt for forskere nemt at forbinde punkterne på tværs af flere videnskabelige studier. Det kan ofte virke som om videnskabelige felter udvikler sig i en boble. Det er dog ikke tilfældet. I de fleste tilfælde fører gennembrud i ét videnskabeligt felt til nye muligheder i andre felter.

AI-forskere vil hjælpe med at opdage disse forbundne teorier og udvide dem, når det er muligt. Således kan du se AI-forskeren stable artikler for at skabe helt nye og mere mangfoldige koncepter, som måske er undsluppet menneskelige øjne. I det mindste vil dette system hjælpe med at samle relevant forskning, hvilket vil hjælpe nutidens forskere med at se nye fænomener.

Forskere

Sakana AI er holdet bag AI-forskeren. Firmaet er kendt for sine AI-videnskabelige modeller. Deres tidligere udviklinger inkluderer et system, der automatisk kombinerer LLM’er for at skabe mere avancerede systemer. De har også introduceret en mekanisme, der muliggør brug af LLM’er til at finjustere andre algoritmer.

To virksomheder, der kan drage fordel af AI-forskeren

Introduktionen af en AI-forsker på markedet er kun begyndelsen på, hvad der en dag kan føre til en stor AI-forskerrevolution. Der er allerede flere virksomheder, der kan udnytte denne skabelse til at sænke deres driftsomkostninger og levere bedre kvalitetstjenester til markedet. Her er to firmaer, der er klar til at udnytte denne forskning.

1. AbCellera Biologics Inc

ABCL Prisdiagram

AbCellera Biologics Inc. gik ind på markedet i 2012 med det formål at modellere menneskelige antistoffer bedre til brug i bekæmpelse af sygdomme. Virksomheden gik officielt på børsen i 2020, hvor den sikrede $555 millioner i finansiering for at fremme sine bestræbelser. I dag spiller firmaet en afgørende rolle i forskning og modellering af immunsystemet. Bemærkelsesværdigt udføres meget af denne modellering via simulationer. Derfor er AI-forskeren ideelt egnet til at assistere i disse tests.

AbCellera har en fremtrædende position i biomedicinsk sektor. Som sådan kan integrationen af AI-forskeren gøre det muligt for virksomheden bedre at lokalisere, teste og sammenligne immunantistofdata fra tidligere forskning. Dette skridt kan hjælpe med at afsløre tidligere uopdagede muligheder. Disse faktorer, kombineret med AbCellera Biologics’ position, gør den til en stærk “hold” for investorer.

2. Super Micro Computer

SMCI Prisdiagram

Super Micro Computer (SMCI ) blev grundlagt i 1993 af Charles Liang og Sara Liu og kan se positive resultater ved at integrere AI-forskere i sine processer. Firmaet er bedst kendt for sine AI-arbejdsbelastningsoptimerede højtydende servere. I øjeblikket har det hovedkontor i Californien og har flere produktionsfaciliteter i Nederlandene, Taiwan og USA.

Super Micro Computer er en af de førende leverandører af service management-systemer. Det bruger AI til at forhindre hacks, overvåge systemer og forbedre ydeevnen, hvilket har gjort virksomheden til en foretrukken partner for store firmaer, der søger pålidelige og dokumenterede leverandører. Bemærkelsesværdigt blev Super Micro Computer opført på Fortune Magazins liste over verdens hurtigst voksende IT-infrastrukturvirksomheder.

De, der søger en pålidelig AI-drevet softwareløsning som et supplement til deres portefølje, bør overveje SMCI grundigt. Virksomheden har en stærk markedsposition og har for nylig indgået en aftale om at levere servere til Elon Musks xAI og Teslas Gigafactory, som er flyttet til Texas. Alle disse faktorer har hjulpet SMCI med at modtage en “buy“-vurdering fra analytikere.

AI-forsker låser lavprisforskning

Uanset hvordan du ser på en AI-forsker, der udgiver forskningsartikler som tegneserier, giver mange fordele denne algoritme til at være en spilskifter. De enorme omkostningsbesparelser og fremtidige kapaciteter ved denne tilgang får mange på markedet til at håbe på en lysere fremtid, hvor opdagelser sker dagligt, mens nutidens forskere sover. For nu er denne udvikling værd at følge nøje, da den helt sikkert vil frigive interessant forskning fremover.

Du kan lære mere om spændende AI-projekter her.