Luka między teorią a praktyką
Dzisiaj przesłałem całą moją bibliotekę badawczą do sztucznej inteligencji. 6576 artykułów naukowych. Zadałem pytanie, które boleśnie rozważałem od lat.
Czy oficjalne słowniki przeznaczone do kodowania terminów w mojej dziedzinie odzwierciedlają to, jak naprawdę myślą praktycy?
Zajmuję się odzwierzęcym przeskokiem infekcji — sposobem, w jaki choroby przechodzą od zwierząt do ludzi. Podobnie jak w przypadku większości dyscyplin naukowych, mamy formalne ontologie — wyselekcjonowane katalogi pojęć, których celem jest uporządkowanie. Podejrzewałem, że są zbyt powierzchowne.
Więc przestałem się kłócić i postanowiłem zrobić test.
System przeanalizował 490 z tych artykułów poświęconych właśnie przeskokowi i pojawieniu się nowych patogenów. Wyciągnęła stwierdzenia przyczynowe z tekstu, zebrała słownictwo “oddolne” i porównała je z oficjalnym standardem.
Różnica okazała się ogromna.
Spośród 915 powiązań, o których wielokrotnie wspominano w literaturze, 864 nie miało odpowiedników w schemacie referencyjnym. 1200 kategorii koncepcyjnych było obecnych w mojej małej próbce, ale brakowało ich w formalnych schematach. Dotyczyło to głównie kierowców środowiskowych i ekologii. Rzeczywisty język roboczy tylko niewielkiej części mojej dziedziny jest czterokrotnie bogatszy niż język oficjalny.
Ten eksperyment kosztował mnie 26 dolarów za grosze.
Narzędzie, a nie Model
To była próba Claude Science, którą Anthropic uruchomił dzisiaj. Ich cel? Zrobić dla badań laboratoryjnych to, co Claude Code zrobił dla programistów.
To odważny zakład. Sześć miesięcy temu Zubair Jandali argumentował, że sztuczna inteligencja może pomóc w cyfrowych zadaniach w naukach przyrodniczych. Dzisiaj zmieniło się skupienie: sztuczna inteligencja może wykonać samą pracę.
Oto haczyk. Claude Science nie jest nowym modelem.
Anthropic otwarcie o tym mówi. System działa na bazie Claude Opus 4. Ten sam “silnik”, który wynajmują wszyscy inni. Żadnych tajnych wag. Brak specjalnego dostępu. Inteligencja jest identyczna.
To, co się zmienia, to * interfejs * (lub “uzdy”).
W kategoriach sztucznej inteligencji interfejs jest szkieletem. Zamienia uniwersalny model w narzędzie. Połączenia danych, wykonanie kodu, pamięć, kontrole bezpieczeństwa. “Nagi” model może mówić o białku. Model wyposażony w interfejs pobiera dane strukturalne, fałduje wariant białka w klastrze GPU, wizualizuje wynik i loguje każdy krok, aby zapewnić powtarzalność.
Claude Science to poważny interfejs.
- Jest połączona z ponad sześćdziesięcioma naukowymi bazami danych.
- Wbudowane gotowe umiejętności dla genomiki, chemii i biologii strukturalnej.
- Zarządzanie zadaniami odbywa się zarówno na laptopie, jak i na wynajętym GPU w chmurze.
- Każdemu wnioskowi towarzyszy pełne wskazanie pochodzenia: kod, środowisko i Historia konwersacji są pakowane w celu późniejszej regeneracji wyników.
Czy to czyni model mądrzejszym?
Nie. To sprawia, że jest przydatna. Co jest o wiele cenniejsze.
Biolog obliczeniowy mógłby samodzielnie zbudować połowę tej funkcjonalności za pomocą Claude Code i GitHub po spędzeniu kilku tygodni. Zakłada jednak, że każde laboratorium ma zasoby, aby zbudować swój instrument od podstaw. Anthropic stawia na to, że kuratorstwo jest ważniejsze niż powielanie wysiłków. Przekształcenie surowej mocy obliczeniowej w solidną naukę.
Farmacja-najpierw, reszta-później
W wersji demo nacisk położono na odkrywanie nowych leków.
Według jednego wniosku w formie zapytania Claude zaplanował kampanię stabilizacji enzymu związanego z fenyloketonurią. Przeskanowała 2200 cząsteczek na 80 GPU. Zmniejszyła listę do czterech kandydatów. Sporządziła memorandum z zaleceniem “tak / nie”.
Następnie przeprowadziła ten sam proces dla 100 rzadkich chorób jednocześnie.
“Po co się nad tym zatrzymywać?”- zapytał mówca. “Można przetworzyć 10 000”.
Imponujące? Tak.
Ograniczony molekularnie? Absolutny.
Każda baza danych i model partnerski koncentruje się na naukach farmaceutycznych. Geny, białka, małe struktury. Tam, gdzie są pieniądze. OpenAI i Google celowo pracują w tym samym kierunku.
Ale reszta nauki pozostaje otwarta.
Nauki o Ziemi. Dane atmosferyczne. Skrzyżowanie. Nauki społeczne. Znaczna część epidemiologii.
Żaden z tych kierunków nie jest skonfigurowany w fazie uruchamiania. Dane, na których opierają się te obszary — zapisy bioróżnorodności z GBIF, reanaliza klimatyczna, dane spisowe, teledetekcja — są nieobecne w początkowych sześćdziesięciu bazach danych. “Sucha” praca laboratoryjna w ekologii terenowej i dynamice populacji pozostaje niewykorzystanym obszarem.
Łatwo sobie wyobrazić, jak to może działać.
Wyobraź sobie interfejs mający na celu badanie chorób odzwierzęcych. Pobiera dane o występowaniu gatunków. Narzuca reanalizę klimatyczną. Wybiera model dystrybucji. Wskazuje hrabstwa, w których przenoszony przez kleszcze patogen (przenoszony przez kleszcze) z dużym prawdopodobieństwem zacznie się rozprzestrzeniać w następnym sezonie.
Sporządza raport do nadzoru epidemiologicznego. Generuje wykresy.
Kompresuje tygodnie rutynowego gromadzenia danych w jeden afternoon dla Departamentu Zdrowia Publicznego. Potencjał intelektualny już istnieje. Brakuje tylko “okablowania”. Łącznik. Mój eksperyment za 26 USD to mały dowód koncepcji.
Sąd, a nie generowanie
Technologia porusza się szybko. Przyspieszą wszystkie procesy.
Ale wyraźnie pokazują również, gdzie niezbędni są ludzcy naukowcy.
Kiedy generowanie staje się Tanie, * osąd * staje się wąskim gardłem. Audyt, Walidacja, korekta. Są to czynniki ograniczające każdą pracę przechodzącą przez ekran.
To po prostu dobra, bona fide nauka.
Claude Science jest dostarczany z agentem “recenzentem”, który-flaguje złe cytaty i niedopasowane liczby. W tej chwili jest to ten sam model testujący własne wyjście, a nie niezależną wyrocznię. Ale kierunek wydaje się słuszny.
Prawdziwym niebezpieczeństwem jest regresja do przeciętności.
Modele wyszkolone na istniejącej literaturze doskonale odzwierciedlają tę literaturę. “Rozmawiają ze sobą”.
Ale to samo narzędzie, które wyświetla konsensus, może również wyświetlać spacje. Połączenia, których nikt nie sprawdził. Pojęcia, które są używane wszędzie, ale nigdzie nie są zdefiniowane.
Wydałem 26 USD na znalezienie granic tego, co już napisałem. A znalezienie czegoś, czego * jeszcze nie było * wyobrażone? To trudniejsze zadanie.
I wygląda na jedyny pozostały problem do rozwiązania.
