전 Google CEO, OpenAI 목표 달성을 위한 AI+Science Moonshot 계획 개시

전 Google CEO인 Eric Schmidt는 과학 연구에 직면한 과제를 해결하기 위해 인공 지능을 사용하는 것을 목표로 하는 대규모 AI+과학 비영리 스타트업을 시작하고 있습니다.

Pictures

그는 이 비영리 이니셔티브를 이끄는 두 명의 뛰어난 과학자를 초대했습니다. :

Francis Crick Institute의 응용 생명공학 연구소 설립자인 Samuel Rodriguez와 로체스터 대학교 교수이자 화학 분야 인공 지능 활용의 선구자인 Andrew ·White. 그들은 모두 각자의 분야에서 이미 뛰어난 업적을 이룬 상대적으로 젊은 학문적 스타들이다.

슈미트, 로드리게스, 화이트는 모두 인공지능이 과학 연구의 미래를 바꿀 것이라고 믿는다

"MIT"라는 제목의 기사에서 " AI가 과학이 이루어지는 방식을 어떻게 변화시킬 것인가?"라는 글을 Technology Review에 게재하면서 슈미트는 자신의 비전을 밝혔습니다

인공지능의 출현으로 과학은 더욱 흥미진진해질 것이며 어떤 면에서는 읽을 수 없게 될 것입니다. 이러한 변화의 결과는 실험실의 범위를 훨씬 넘어 우리 모두에게 영향을 미칠 것입니다.

Pictures

반면에 Rodriques와 White는 자신의 실험 웹사이트나 공개 강의에서 제안합니다. 인공 지능이 과학을 전복시킬 것이라는 가정

Rodriques은 다음과 같이 말했습니다. “첨단 기술을 활용할 수 있는 시스템을 구축하기 위해 협력하고 빠른 반복 주기를 채택할 핵심 AI 연구원과 핵심 과학자로 구성된 팀이 필요합니다. 과학자들에게 실질적인 가치가 있는 도구를 제공합니다.”

Jim Fan은 이 회사가 엄청난 잠재력을 가지고 있다고 믿습니다. LLM과 지능형 로봇이 미래 과학 연구의 인프라가 된다면 LK-99와 같은 실험은 더 이상 수동 연금술 수준에 머무르지 않을 것입니다

Pictures

이 문제에 정통한 사람들에 따르면 Schmidt는 다음과 같은 작업을 진행하고 있습니다. 수행 중인 작업은 OpenAI를 템플릿으로 기반으로 하지만 자금은 Schmidt가 그의 아내 Wendy와 공동 창립한 Schmidt Futures에서 제공됩니다. 기본적으로 활동 자금은 슈미트가 개인적으로 지불했습니다

짐도 슈미트의 조직이 지속될 수 있을지에 대한 우려를 표시했습니다

AI+과학 달 착륙 계획

과학적 통찰력과 이론을 형성하기로 결정했습니다. 데이터를 수집하고 변환하고 이해하는 방법

그 중 데이터의 수집과 분석은 과학적 이해와 발견의 기초입니다.

1950년대 디지털 기술의 도입으로 과학 연구에 컴퓨터가 널리 사용될 수 있는 기반이 마련되었습니다.

2010년 이후 딥 러닝의 등장으로 인공 지능이 대규모 데이터 세트에서 과학적으로 관련 있는 정보를 식별할 수 있게 되었습니다. 유용한 지침을 제공하는 패턴입니다. 이는 과학적 발견 과정의 범위와 야망을 크게 확장합니다.

과학적 발견은 가설 수립, 실험 설계, 데이터 수집 및 분석을 포함하여 여러 상호 연관된 단계를 포함하는 다면적인 과정입니다.

과학적 연구에는 차이가 있지만 그러나 인공 지능 알고리즘은 전통적으로 고립된 분야를 포괄할 수 있는 능력을 가지고 있습니다

인공 지능(AI)은 분야와 분야 전반에 걸쳐 방대한 데이터 세트, 정확한 측정 및 실험 지침을 통합하여 호환 가능한 이론적 공간을 탐색합니다. 데이터를 활용하는 동시에 자율적 발견을 위한 실행 가능하고 신뢰할 수 있는 모델을 제공하고 과학적 워크플로우와 통합

AI를 적용하면 과학 연구 구현의 설계와 설계를 향상할 수 있습니다. 매개변수와 기능을 최적화하고, 절차를 자동화하여 수많은 후보 가설을 탐색하여 이론적 관점을 형성하고, 가설을 생성하고 불확실성을 추정하여 관련 실험에 대한 권장 사항을 제시함으로써 데이터를 수집, 시각화 및 처리할 수 있습니다

Pictures

AI 시대의 과학

그러나 인공지능을 활용해 과학 연구를 한다고 해서 아무렇게나 할 수 있는 것은 아닙니다

가장 큰 과제 중 하나는 과학 문제에서 거대한 가설 공간으로 인해 체계적인 탐구가 불가능하다는 점입니다

현장에서 생화학 분야에서 탐색할 약물 분자의 예상 수는 약 10의 60승입니다

인공 지능 시스템은 프로세스 속도를 높이고 거의 실험적 정확도로 예측을 제공하여 과학적 작업 흐름에 혁명을 일으킬 수 있습니다

안정적으로 주석을 달 수 있습니다 데이터 세트는 인공 지능 모델을 위한 다소 대규모 작업이며 실험 및 시뮬레이션에 많은 시간과 리소스가 필요할 수 있습니다.

최근 개발에서 AlphaFold는 Google DeepMind의 개발로 성공적으로 해결되었습니다. 50년 된 단백질을 해결 접이식 퍼즐

AI 기반 AlphaFold가 수행한 수백만 개의 입자 16에 대한 분자 시스템 시뮬레이션은 까다로운 과학적 문제를 해결하는 데 인공 지능의 잠재력을 보여줍니다.

한 가지 문제는 AI의 내부 작동에 대한 사람들의 불투명성이 신뢰를 감소시킬 것이라는 점입니다. 예측 결과에 영향을 미치고 특정 분야에서의 적용 가능성도 제한됩니다

예를 들어, 실제 적용에 앞서 모델의 출력은 현실적인 조건을 준수해야 합니다. 예를 들어, 인간 우주 탐사와 기후 과학 등 정책 결정을 알리는 분야

미래 과학 연구

미래를 내다보는 AI 전문 지식에 대한 수요는 두 가지 힘에 의해 영향을 받을 것입니다

첫 번째 무엇보다도 AI 애플리케이션의 혜택을 누릴 분야 중 하나는 자율주행이다. 둘째, AI 지능형 도구의 도입은 최첨단 기술을 향상시키고 AI를 사용하여 핵융합 반응을 연구하는 등 생물학적, 화학적 또는 물리적 공정에 적용하는 등 새로운 기회를 창출할 것입니다.

미래 연구팀의 구성은 다음과 같습니다. AI 전문가, 소프트웨어 및 하드웨어 엔지니어 등 이 두 세력을 기반으로 변화가 일어나고 있으며, 모든 수준의 정부, 교육 기관 및 기업이 참여하는 새로운 형태의 협력이 이루어지고 있습니다

첨단 모델의 규모가 지속적으로 증가함에 따라 에너지 소비도 증가하고 컴퓨팅 비용도 점점 더 높아지고 있습니다. 결과적으로 대규모 기술 기업은 컴퓨팅 인프라와 클라우드 서비스에 투자하고 끊임없이 규모와 효율성의 한계에 도전하고 있습니다

이는 영리 조직과 비학술 조직 모두 대규모 컴퓨팅 인프라를 사용하게 될 것임을 의미합니다

고등 교육 기관은 여러 학문 분야를 더 잘 통합하는 것이 필요합니다. 또한 학술 기관은 다른 곳에는 없지만 Al+Science

에 필수적인 고유한 역사적 데이터베이스 및 측정 기술을 보유하는 경우가 많습니다. 이러한 보완 자산은 새로운 수준의 산학 협력 모델을 주도하고 연구 선택에 영향을 미칠 것입니다. 질문

참고자료: //m.sbmmt.com/link/db261d4f615f0e982983be499e57ccda

위 내용은 전 Google CEO, OpenAI 목표 달성을 위한 AI+Science Moonshot 계획 개시의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!