No estoy seguro de si es realmente cierto, pero personalizar péptidos ha sido durante mucho tiempo una práctica entre los usuarios avanzados. He pasado un tiempo aprendiendo tanto sobre IA para la ciencia como sobre ciencia para la IA recientemente. Ambas son direcciones fascinantes. Planeo escribir más blogs sobre lo que he aprendido a medida que obtenga más información. Algunas perspectivas: 1. Los modelos de base para la ciencia emergerán, y serán diferentes de los LLM actuales. Modelos para células, proteínas, materiales y química que aprenden representaciones estructuradas de sistemas físicos. A diferencia de los LLM, los datos científicos contienen fuertes restricciones (simetría, geometría, leyes de conservación) y alto ruido, lo que requiere diseños de modelos fundamentalmente diferentes. (Para biología, encuentra interesante algún trabajo de @BoWang87, @arcinstitute) 2. La investigación científica se acelerará drásticamente, lo que tendrá un gran impacto en la sociedad humana. Espera un enfoque mucho más basado en datos: IA como co-científicos que asisten con el razonamiento y la generación de hipótesis, combinados con laboratorios robóticos capaces de control fino. El ciclo de experimento → análisis → hipótesis se volverá mucho más rápido, aunque algunas formas de verificación aún llevarán tiempo. 3. La ciencia para la IA será crucial para la AGI. En su esencia, este es el problema de la interpretabilidad. Desarrollar intuición sobre cómo funcionan los modelos puede ayudarnos a entender cómo dirigir y diseñar sistemas futuros hacia una inteligencia más general. (Aún aprendiendo, pero encuentro útil algún trabajo de @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu)