Souhrn
OpenAI spustilo v říjnu tým OpenAI for Science, který vede viceprezident Kevin Weil a zaměřuje se na podporu vědců pomocí umělé inteligence. Weil v rozhovoru pro MIT Technology Review uvedl, že velké jazykové modely jako GPT-5 zatím nedokážou produkovat nové vědecké objevy, ale excelují v propojování existujících znalostí. Podle něj taková akcelerace vědy nevyžaduje radikální přehodnocení celých oborů.
Klíčové body
- OpenAI for Science je nový tým zaměřený na zvýšení produktivity vědců, ne na autonomní objevy.
- Kevin Weil přiznává, že LLM kombinují stávající výsledky, často s chybami, ale neinovují.
- Statistik Nikita Zhivotovskiy z UC Berkeley potvrzuje, že modely zatím nevytvářejí nové přístupy.
- GPT-5 zpracoval téměř všechny vědecké práce z posledních 30 let a hledá analogy mezi obory.
- Cílem je pomáhat vědcům vyhnout se řešení již známých problémů.
Podrobnosti
OpenAI, společnost specializující se na vývoj velkých jazykových modelů jako GPT série, oznámila v říjnu založení týmu OpenAI for Science. Tento tým vede Kevin Weil, viceprezident pro produkty, který má za sebou zkušenosti z firem jako Twitter (nyní X) a Instagram, kde se zabýval růstem uživatelské základny a vývojem funkcí. Cílem iniciativy není nahradit vědce, ale zefektivnit jejich práci – například rychlejším hledáním relevantních dat, generováním hypotéz na základě existujících dat nebo identifikací spojitostí mezi zdánlivě nesouvisejícími obory.
V rozhovoru pro MIT Technology Review Weil otevřeně přiznal limity současných LLM. “Nevím, jestli se modely dostanou na úroveň nových objevů, ale jsem optimista, že ano,” řekl. Statistik Nikita Zhivotovskiy z University of California v Berkeley, který pracuje s LLM od prvních verzí ChatGPT, dodává: “Zatím se zdá, že hlavně kombinují existující výsledky, někdy nesprávně, místo aby vytvářely opravdu nové přístupy.”
Weil zdůrazňuje silné stránky těchto modelů: GPT-5, nejnovější iterace od OpenAI, prošel tréninkem na obrovském korpusu dat, který zahrnuje téměř všechny vědecké publikace z posledních 30 let. To umožňuje modelu rychle najít zapomenuté řešení problému nebo navrhnout analogii z jiného oboru – například aplikovat principy z biologie na materiálový výzkum. Takové funkce slouží k tomu, aby vědci netrávili čas opakováním již vyřešených úkolů, což samo o sobě urychluje výzkum. Například v chemii může model navrhnout syntézu látky na základě historických dat, aniž by vynalézl novou chemii od nuly.
Toto přiznání je realistické v kontextu současného stavu AI. Velké jazykové modely jsou prediktivní systémy trénované na statistických korelacích z masivních datových sad, což je činí výbornými v interpolaci, ale špatnými v extrapolaci mimo tréninková data. Chyby v kombinacích výsledků, jak zmínil Zhivotovskiy, často vedou k halucinacím – vymýšleným faktům prezentovaným jako pravdivé. OpenAI for Science tedy staví na praktických aplikacích, jako je integrace LLM do nástrojů pro analýzu dat nebo automatizaci rutinních úkolů v laboratořích.
Proč je to důležité
Tato iniciativa OpenAI ukazuje posun od přehnaných slibů k pragmatickému nasazení AI ve vědě. V širším ekosystému umělé inteligence, kde soutěží firmy jako Anthropic (Claude) nebo Google (Gemini), nastavuje OpenAI realističtější očekávání: LLM akcelerují rutinu, ale inovace zůstává lidská doména. Pro průmysl to znamená rychlejší vývoj léků, materiálů nebo klimatických modelů díky lepšímu přístupu k znalostem. Pro vědce to otevíře nástroje jako rozšířené vyhledávače literatury nebo generátory hypotéz, což může zkrátit výzkumné cykly o měsíce. Kriticky řečeno, toto přiznání brání naivním nadějím na AGI jako univerzálního vynálezce a zaměřuje zdroje na měřitelné zisky, což posiluje důvěryhodnost OpenAI v akademickém prostředí.
Zdroj: 📰 Slashdot.org