Niet zeker of het echt waar is, maar het aanpassen van peptiden is al lang een ding onder power users. Ik heb de laatste tijd wat tijd besteed aan het leren van zowel AI voor wetenschap als wetenschap voor AI. Beide zijn fascinerende richtingen. Ik ben van plan om meer blogs te schrijven over wat ik heb geleerd naarmate ik meer inzicht krijg. Een paar perspectieven: 1. Fundamentale modellen voor wetenschap zullen ontstaan, en ze zullen anders zijn dan de huidige LLM's. Modellen voor cellen, eiwitten, materialen en chemie die gestructureerde representaties van fysieke systemen leren. In tegenstelling tot LLM's bevat wetenschappelijke data sterke beperkingen (symmetrie, geometrie, behoudswetten) en veel ruis, wat fundamenteel andere modelontwerpen vereist. (Voor bio, vind wat werk van @BoWang87, @arcinstitute interessant) 2. Wetenschappelijk onderzoek zal dramatisch versnellen, wat een enorme impact op de menselijke samenleving zal hebben. Verwacht een veel meer datagestuurde aanpak: AI co-wetenschappers die helpen bij redeneren en hypothese-generatie, gecombineerd met robotlaboratoria die in staat zijn tot fijne controle. De experiment → analyse → hypothese cyclus zal veel sneller worden, hoewel sommige vormen van verificatie nog steeds tijd zullen kosten. 3. Wetenschap voor AI zal cruciaal zijn voor AGI. In wezen is dit het probleem van interpreteerbaarheid. Intuïtie ontwikkelen over hoe modellen werken kan ons helpen begrijpen hoe we toekomstige systemen kunnen sturen en ontwerpen naar meer algemene intelligentie. (Nog steeds aan het leren, maar vind wat werk van @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu nuttig)