Không chắc điều này có thực sự đúng hay không, nhưng việc tùy chỉnh peptide đã từ lâu trở thành một điều phổ biến trong số những người dùng chuyên nghiệp. Gần đây, tôi đã dành một thời gian để học cả AI cho khoa học và khoa học cho AI. Cả hai đều là những hướng đi thú vị. Tôi dự định viết nhiều blog hơn về những gì tôi đã học được khi có thêm nhiều hiểu biết. Một vài quan điểm: 1. Các mô hình nền tảng cho khoa học sẽ xuất hiện, và chúng sẽ khác với các LLM hiện tại. Các mô hình cho tế bào, protein, vật liệu và hóa học sẽ học các đại diện có cấu trúc của các hệ thống vật lý. Khác với LLM, dữ liệu khoa học chứa các ràng buộc mạnh (đối xứng, hình học, định luật bảo toàn) và độ nhiễu cao, yêu cầu thiết kế mô hình hoàn toàn khác. (Đối với sinh học, hãy tìm một số công trình từ @BoWang87, @arcinstitute thú vị) 2. Nghiên cứu khoa học sẽ tăng tốc đáng kể, mang lại tác động lớn cho xã hội loài người. Hãy mong đợi một cách tiếp cận dựa trên dữ liệu nhiều hơn: các nhà khoa học AI hỗ trợ trong việc lý luận và tạo ra giả thuyết, kết hợp với các phòng thí nghiệm robot có khả năng kiểm soát tinh vi. Vòng lặp thí nghiệm → phân tích → giả thuyết sẽ trở nên nhanh hơn nhiều, mặc dù một số hình thức xác minh vẫn sẽ mất thời gian. 3. Khoa học cho AI sẽ rất quan trọng cho AGI. Về bản chất, đây là vấn đề về khả năng giải thích. Phát triển trực giác về cách các mô hình hoạt động có thể giúp chúng ta hiểu cách điều khiển và thiết kế các hệ thống tương lai hướng tới trí thông minh tổng quát hơn. (Vẫn đang học, nhưng thấy một số công trình từ @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu hữu ích)