No estoy seguro de si es realmente cierto, pero personalizar péptidos lleva mucho tiempo siendo algo común entre usuarios avanzados. Últimamente he dedicado tiempo a aprender tanto IA para ciencia como ciencia para IA. Ambas son direcciones fascinantes. Planeo escribir más blogs sobre lo que he aprendido a medida que vaya adquiriendo más perspectiva. Algunas perspectivas: 1. Surgirán modelos fundamentales para la ciencia, y serán diferentes de los LLMs actuales. Modelos para células, proteínas, materiales y química que aprenden representaciones estructuradas de sistemas físicos. A diferencia de los LLMs, los datos científicos contienen fuertes restricciones (simetría, geometría, leyes de conservación) y alto ruido, lo que requiere diseños de modelos fundamentalmente diferentes. (Para biografía, busca algún trabajo de @BoWang87, @arcinstitute interesante) 2. La investigación científica se acelerará drásticamente, aportando un gran impacto a la sociedad humana. Espera un enfoque mucho más basado en datos: co-científicos de IA que ayudan en el razonamiento y la generación de hipótesis, combinados con laboratorios robóticos capaces de un control minucioso. El experimento → el análisis → bucle de hipótesis se acelerarán mucho, aunque algunas formas de verificación aún llevarán tiempo. 3. La ciencia para la IA será crucial para la AGI. En esencia, este es el problema de la interpretabilidad. Desarrollar la intuición sobre cómo funcionan los modelos puede ayudarnos a entender cómo orientar y diseñar sistemas futuros hacia una inteligencia más general. (Sigo aprendiendo, pero encuentro algo útil de @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu)