Je ne suis pas sûr que ce soit vraiment vrai, mais la personnalisation des peptides est depuis longtemps une pratique courante parmi les utilisateurs avancés. J'ai passé du temps à apprendre à la fois l'IA pour la science et la science pour l'IA récemment. Les deux sont des directions fascinantes. Je prévois d'écrire plus de blogs sur ce que j'ai appris à mesure que j'acquiers plus de connaissances. Quelques perspectives : 1. Des modèles fondamentaux pour la science émergeront, et ils seront différents des LLM d'aujourd'hui. Des modèles pour les cellules, les protéines, les matériaux et la chimie qui apprennent des représentations structurées des systèmes physiques. Contrairement aux LLM, les données scientifiques contiennent de fortes contraintes (symétrie, géométrie, lois de conservation) et un bruit élevé, nécessitant des conceptions de modèles fondamentalement différentes. (Pour la biologie, trouvez des travaux de @BoWang87, @arcinstitute intéressants) 2. La recherche scientifique s'accélérera de manière spectaculaire, ayant un impact énorme sur la société humaine. Attendez-vous à une approche beaucoup plus axée sur les données : des IA co-scientifiques qui assistent dans le raisonnement et la génération d'hypothèses, combinées à des laboratoires robotiques capables d'un contrôle précis. La boucle expérience → analyse → hypothèse deviendra beaucoup plus rapide, même si certaines formes de vérification prendront encore du temps. 3. La science pour l'IA sera cruciale pour l'AGI. Au cœur de cela, il s'agit du problème de l'interprétabilité. Développer une intuition sur le fonctionnement des modèles peut nous aider à comprendre comment orienter et concevoir des systèmes futurs vers une intelligence plus générale. (J'apprends encore, mais je trouve certains travaux de @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu utiles)