Citat:
Ursprungligen postat av
Cyborg2030
Förstår inte din invänding. Vad är det som hindrar de här modellerna från att utföra virtuella experiment men även fysiska om vi ger de möjligheten att göra det? Visst, de har inte händer och fötter ännu så de kan inte blanda två vätskor i ett provrör men just den funktionaliteten har man löst i testmiljöer, de kan lösa det om vi promptar rätt och har en bra robotarm inkopplad. Det som krävs för att de testerna ska fungera är iofs att någon människa har levererat materialet dit och satt upp den fysiska miljön, men den delen är ju inte "rocket science". Det är ju en barnlek jämfört med att lösa de matematiska problemen som ingen människa har löst.
Det skiljer sig mellan olika vetenskapliga fält.
Mänsklig medicin är ett område som det kommer ta extremt lång tid att ens nudda på.
Du kan inte göra "virtuella experiment" i medicin, om det rör tester på människor.
Skapandet av en ny medicin kräver prekliniska studier, fas 1, 2 och 3 och sen kontinuerlig uppföljning med fas 4 och det måste testas i människor.
I vissa prekliniska studier gör man det på djur först till och med, innan det ens testas på människor.
AI kan komma på vissa förslag till en molekyl som kan potentiellt bli en medicin, men medicinen måste ändå gå igenom alla dessa faser, som kan ta 10-15 år. De olika faserna genererar i sin tur data som AIn då behöver.
Flaskhalsen rörande hur snabbt AI utvecklas och kan destilleras i denna frågeställning:
Hur snabbt kan en AI kan ta fram en förbättring, kontrollera att den fungerar och använda resultatet för att göra nästa förbättring?
I medicin går det extremt långsamt.
Du har också andra unika problem i medicin, det finns vissa kategorier av preparat som det är mycket svårt att ens få tillstånd att forska om. Klassificeringen av narkotika enligt klass 1, 2 och 3 utgör forskningshinder ofta som kom med narkotikakonventionerna.
Hur ska vi ha testa hypoteser och få ut data kring dessa om det finns byråkratiska hinder att utföra vetenskapliga experiment?
Ja, medicin är mycket komplicerat.
Samma är det väl inom kemin, det finns ämnen som anses vara såpass farliga att möjligheten att forska om dem är starkt begränsad och fylld av byråkratiska hinder.
Det i sin tur gör att vi har ännu mindre data att träna AIn på.
Rangordningen hur snabbt en AI kan ta fram en förbättring skiljer sig kraftigt mellan de olika vetenskapliga fälten, just för att det tar olika lång tid från att pröva en hypotes och få feedback ifall hypotesen fungerar eller inte i verkligheten.
Matematik är unikt, då du har Lean, samma är det med programmering som går snabbt att verifiera, alltså kommer utvecklingen gå extremt snabbt här, och kan anta singularitetesliknande proportioner.
Flaskhalsen blir snarare hur långsamma vi människor är på att verifiera resultatet i Lean som producerats av en AI.
Kemi är också ett område som kan lösas, men det kräver fortfarande en kedja av:
Hypotes --> Förberedelse och anförskaffning av material för att pröva hypotesen --> exekvering av hypotesen --> data insamling --> AI får materialet.
Denna kedja är mycket långsammare i kemi än matematik, för att länkarna från att ha producerat en idé/hypotes till att pröva idén och att få data om man ska förkasta eller gå vidare med idén är betydligt längre i tid.
Så det finns olika rangordning mellan olika vetenskapliga fält i vad som generar snabbast en bekräftelse eller en förkastning av en hypotes:
Snabbast
1) Matematik (Lean)
2) Programmering
3) Maskin-inlärning (Alltså att AI själva ändrar sina egna vikter i transformer-modeller såsom GPT, då det bara är kod)
Långsammare
1) Fysik, du kan ha en teori, men du behöver testa den i verkligheten genom experiment.
2) Kemi, samma problematik
3) Jordbruk, fältekologi och miljöteknik, du behöver göra fältdata som kan ta X lång tid.
4) Flyg, fordon, byggteknik och avancerad tillverkning. Konstruktionen kan förbättras snabbt i en simulator. Slitage, underhållsbehov och tillförlitlighet under ovanliga förhållanden måste också mätas (vilket tar tid)
Man behöver inte hålla med mig om min lista är korrekt, eller om man anser att vissa vetenskapliga fält ska vara på en annan plats i rangordningen.
Det här är mer ämnat som en illustrerande bild på att det finns en rangordning i hur snabbt vi människor kan omsätta föreslagna idéer och hypoteser av en AI i verkligheten och få kritisk data för att igen kunna spinna vidare med AIn.