Kan en AI-forskare vara framtiden för forskning?

Sakana AI Labs har skickat chockvågor genom den vetenskapliga gemenskapen med sitt senaste tillkännagivande. Företaget har slutfört skapandet och lanseringen av världens första helt autonoma AI-forskare. Den nya algoritmen kan formulera teorier, testa och mer. Här är vad du behöver veta.

När du tänker på AI-system som ersätter arbetare inom fältet, finns det många yrken du kan föreställa dig som är i riskzonen. Men de flesta förväntade sig aldrig att forskare skulle ersättas. Även om den senaste AI-forskaralgoritmen som presenterats av Sakana ännu inte kan ersätta forskare helt, levererar den ändå några unika egenskaper som kan få många yrkesverksamma att följa dess utveckling noggrant.

Den nuvarande metoden för att skapa vetenskapliga teorier

Att skapa vetenskapliga teorier och testa dem är en av de grundläggande komponenterna i forskning och utveckling. Dagens forskare spenderar år på att undersöka frågor och skapa experiment för att testa sina koncept genom experimentering. Slutligen publiceras resultaten och granskas av kollegor innan de blir offentliga. Denna process har varit densamma i över ett sekel.

Enligt Sakan AI Labs offentliga uttalanden är deras nya AI-system kapabelt att helt automatisera dessa uppgifter. Systemet kan sålla igenom aktuella vetenskapliga artiklar, koppla samman teorier eller koncept som kan ha oupptäckta resultat, skapa nya algoritmer för att testa dessa teorier och detaljera all experimentering för senare kollegial granskning. Noterbart är att teamet fokuserade på beräkningsforskning som sitt primära område eftersom det möjliggjorde att experimenten kunde genomföras virtuellt.

AI-användning av forskare

Det är ingen hemlighet att AI har hittat ett bekvämt hem inom vetenskapssamfundet. Denna teknik kan ses integrerad i olika system som forskare använder idag. Ursprungligen användes AI-system för att lösa komplexa ekvationer och simuleringar. Idag används AI över hela branschen, där den fyller ännu viktigare roller.

En viktig användning av AI idag är att sortera igenom alla aktuella artiklar för att hitta relevant forskning. Hundratals forskningsartiklar släpps varje vecka, och den enorma volymen av dessa släpp betyder att majoriteten av banbrytande forskning kan ta år att upptäcka. Verktyg som Elicit, Research Rabbit, Scite, och Consensus hjälper forskare att koppla ihop dessa artiklar på ett relevant sätt för att bygga vidare på tidigare data.

Det finns också AI-verktyg i bruk idag som kan skanna och identifiera specifika intressepunkter inom artiklar. Till exempel kan du ha ett team av ingenjörer som söker efter genetiska mutationer som orsakar sjukdom. Verktyg som PubTator kan samla liknande teman för att belysa kopplade forskningsämnen och experiment.

AI-forskare studie

Dessa tidigare interaktioner med AI har hjälpt den vetenskapliga gemenskapen att bredda sina horisonter och har varit avgörande i många av de senaste genombrotten. Introduktionen av en helt automatiserad algoritm som kan forska och publicera sina artiklar är dock en stor spelväxlare. Detta system har potential att avslöja likheter och andra svårupptäckta kopplingsfaktorer mellan studier som kan leda till genombrott inom beräkningsforskning.

Hur fungerar en AI-forskare?

AI-forskaren integrerar några vanliga AI-system som stora språkmodeller (Large Language Models) som en del av sin metod. Systemet skannar kontinuerligt de mängder av vetenskapliga forskningsartiklar som finns online i arkiv som arXiv och PubMed. Här användes miljontals vetenskapliga forskningsartiklar för att programmera LLM för en ny AI-algoritm. Detta steg säkerställde att systemet kunde tala det vetenskapliga språket och producera liknande resultat.

Källa – Sakana AI Labs

Därifrån söker systemet efter mönster, återkommande forskning eller kopplade teman. Varje artikel genomgår flera kontroller för att säkerställa dess kvalitet, peer‑review‑status, publiceringstid och ämne. Noterbart är att systemet även korsrefererar vetenskapliga artiklar med hjälp av webbplatser som openreview.net. Detta steg fyller flera funktioner, inklusive att säkerställa kvalitetsinnehåll. Dessutom hjälper detta steg till att programmera AI:s interna peer‑review‑system.

Sekundär AI-modell

När AI:n har skannat arkiven för att hitta intressanta experiment och teorier att testa, poängsätts varje artikel baserat på flera faktorer. Poängen speglar exempelvis artikelns likhet med andra projekt, professionalitet, layout, resultat och forskare. Därefter undersöker AI-systemet konceptets unikhet och andra avgörande faktorer som hjälper systemet att avgöra om det finns ytterligare forskning som bör utforskas eller andra artiklar som kopplar till en liknande teori.

Formulering av vetenskapliga teorier

Dessa steg gör det möjligt för AI-forskaren att samla forskning och föreslå kopplade koncept som bygger på den insamlade datan. Det fantastiska med processen är att den är helt automatiserad. Ingen mänsklig interaktion krävs för att denna algoritm ska producera forskningsartiklar. Noterbart är att AI:n fokuserar på beräkningsforskning, vilket gör att den kan köra simuleringar av experiment utan några fysiska testkrav, vilket ytterligare förstärker dess förmågor. Således utförs alla tester med kodsimuleringar. Detta innebär att testerna kostar mycket mindre att genomföra och kan göras i högre takt.

Oro kring AI-forskare

Konceptet med en AI-forskare har väckt oro i branschen. För det första ser vissa detta tillvägagångssätt som ett lat sätt att ersätta forskare. De hävdar att systemet fortfarande är för nytt och att AI inte är tillräckligt konsekvent. Deras argument har viss grund, eftersom det har förekommit återkommande fall av AI‑fel. Den senaste algoritmen innehåller dock många kontroller och balanser, vilket kommer att hjälpa till att minska dessa problem framöver.

AI‑återkopplingsslinga

En av de största orosmomenten som fortsätter att dyka upp i gemenskapen är risken för att skapa en AI‑återkopplingsslinga. Denna risk är mycket verklig när ett AI‑system automatiskt skapar, kontrollerar och bygger nya datamodeller från andra AI‑system. Denna slinga kan leda till fel, tunnelvision och en ignorering av mänskliga krav. För att undvika detta tror många att en människa måste vara med i slingan.

Ren volym

Det finns så många vetenskapliga artiklar som publiceras varje vecka att det nästan är omöjligt att gå igenom arkiven för att hitta den mest relevanta datan. För närvarande spelar AI en avgörande roll för att hjälpa forskare att utföra denna uppgift. Men om en AI‑återkopplingsslinga skapas, kommer för många artiklar att introduceras för snabbt, vilket resulterar i att de nuvarande AI‑sök systemen blir ogiltiga.

Fördelar med AI-forskare

Flera fördelar har gjort många på marknaden entusiastiska över utsikterna för en AI-forskare som arbetar dygnet runt och söker efter upptäckter. Potentialen för detta system att låsa upp nya vetenskapliga teorier är oändlig. När mer forskning läggs till AI‑modellen kommer systemet att experimentera med nya koncept och utöka sina förmågor. Således kommer dagens AI-forskare att vara obetydlig jämfört med framtida iterationer.

Stora kostnadsbesparingar

En av huvudorsakerna till att AI-forskaren kommer att bli en viktig komponent på marknaden framöver är dess stora kostnadsbesparingar. Enligt forskarteamet kan deras AI skapa, testa, publicera och granska en vetenskaplig artikel för endast $15. Den låga kostnaden innebär en enorm minskning av kostnaderna för forskning och utveckling som är omöjlig att förneka. Således kan AI-forskare bli det föredragna alternativet för dem som vill maximera sin budget.

Den stora bilden

En av huvudorsakerna till att detta projekt har många ingenjörer entusiastiska är att det låter forskare enkelt koppla ihop punkter över flera vetenskapliga studier. Det kan ofta verka som att vetenskapliga fält utvecklas i en bubbla. Men så är det inte. I de flesta fall leder genombrott inom ett vetenskapligt område till nya möjligheter i andra områden.

AI-forskare kommer att hjälpa till att upptäcka dessa kopplade teorier och utveckla dem när det är möjligt. Således kan du se AI-forskaren stapla artiklar för att skapa helt nya och mer mångsidiga koncept som kan ha gått förbi mänskliga ögon. Åtminstone kommer detta system att samla relevant forskning, vilket hjälper dagens forskare att se nya fenomen.

Forskare

Sakana AI är teamet bakom AI-forskaren. Företaget är känt för sina AI‑vetenskapsmodeller. Deras tidigare utveckling inkluderar ett system som automatiskt kombinerar LLM:er för att skapa mer avancerade system. De har också presenterat en mekanism som möjliggör användning av LLM:er för att finjustera andra algoritmer.

Två företag som kan dra nytta av AI-forskaren

Introduktionen av en AI-forskare på marknaden är bara början på vad som en dag kan leda till en stor AI‑forskarrevolution. Det finns redan flera företag som kan utnyttja denna skapelse för att sänka sina driftskostnader och erbjuda bättre kvalitetstjänster till marknaden. Här är två företag som är redo att kapitalisera på denna forskning.

1. AbCellera Biologics Inc

(ABCL )

AbCellera Biologics Inc. gick in på marknaden 2012 med avsikt att bättre modellera mänskliga antikroppar för användning i kampen mot sjukdomar. Företaget börsnoterades officiellt 2020, där det lyckades säkra 555 M$ i finansiering för att vidareutveckla sina insatser. Idag spelar företaget en avgörande roll i forskning och modellering av immunsystemet. Noterbart är att mycket av denna modellering sker via simuleringar. Därför är AI-forskaren idealisk för att assistera i dessa tester.

AbCellera har en framträdande position inom biomedicinsk sektor. Således kan integrationen av AI-forskaren göra det möjligt för företaget att bättre lokalisera, testa och jämföra data om immuna antikroppar från tidigare forskning. Detta steg kan hjälpa till att avslöja tidigare förbisedda möjligheter. Dessa faktorer, i kombination med AbCellera Biologics position, gör det till ett starkt “håll” för handlare.

2. Super Micro Computer

(SMCI )

Super Micro Computer grundades 1993 av Charles Liang och Sara Liu och kan se några positiva resultat genom att integrera AI-forskare i sina processer. Företaget är mest känt för sina AI‑arbetsbelastningsoptimerade högpresterande servrar. För närvarande har det huvudkontor i Kalifornien och flera tillverkningsanläggningar i Nederländerna, Taiwan och USA.

Super Micro Computer är en av de främsta leverantörerna av tjänstehanteringssystem. Det använder AI för att förhindra hack, övervaka system och förbättra prestanda, vilket har gjort företaget till ett förstahandsval för stora företag som söker pålitliga och beprövade leverantörer. Noterbart är att Super Micro Computer listades i Fortune Magazines lista över världens snabbast växande IT‑infrastrukturföretag.

De som söker en pålitlig AI‑driven mjukvarulösning som ett tillägg till sin portfölj kan starkt överväga SMCI. Företaget har en stark marknadsnärvaro och har nyligen tecknat ett avtal om att leverera servrar till Elon Musks xAI och Teslas Gigafactory, som flyttade till Texas. Alla dessa faktorer har hjälpt SMCI att få en “köp“‑rating från analytiker.

AI-forskare låser upp lågkostnadsforskning

Oavsett hur du känner inför att en AI-forskare spottar ut forskningsartiklar som serietidningar, så gör många fördelar denna algoritm till en spelväxlare. De enorma kostnadsbesparingarna och framtida möjligheter med detta tillvägagångssätt får många på marknaden att hoppas på en ljusare framtid där upptäckter sker dagligen medan dagens forskare sover. För närvarande är denna utveckling värd att noggrant följa, eftersom den säkert kommer att släppa intressant forskning framöver.

Du kan lära dig mer om spännande AI-projekt här.