Discovery Foundation Models, ИИ, который учится делать научные открытия
Авторы вводят понятие Discovery Intelligence (интеллект открытия), способность не просто решать заданные человеком задачи, а участвовать в самом процессе появления новых задач, представлений, объяснений и знания. По их формулировке это следующий фронтир в развитии базовых моделей: раньше модели учились на существующих знаниях, затем, через действия, использование инструментов и обратную связь от результата, а теперь, как утверждают авторы, наступает участие в построении, проверке и пересмотре самих структур, через которые открывается новое знание. Для этого предлагается архитектура Discovery Foundation Models (DFM, базовые модели открытий), модели общего назначения для открытого, не ограниченного заранее заданной задачей поиска.
DFM работает с пересматриваемым «состоянием исследования» и поддерживает семь связанных возможностей: поиск проблем, их формулировку, построение представлений, выдвижение гипотез, вмешательство (постановку экспериментов), пересмотр на основе доказательств и непрерывное совершенствование самого процесса открытия.
Авторы реализуют эту рамку в системе Zetema, которая сочетает явную динамику состояния исследования, проверку и «экспериментальные шлюзы» (контрольные точки перед тем, как двигаться дальше), привязку к внешним фактам и перенос наработанных «исследовательских навыков» между задачами. Дальше рамку демонстрируют на GALILEO, реальной системе поиска терапевтических соединений (лекарств), где вычислительное рассуждение (Dry-Lab) соединено с роботизированными и «ручными» экспериментами в физической лаборатории (Wet-Lab), внешними биологическими данными и итеративным пересмотром гипотез и дизайна экспериментов; вместе это образует замкнутый физический цикл открытия.
Отдельно авторы предлагают единый подход к формированию способностей и к «процесс-ориентированной» оценке, так, чтобы поведение при открытии можно было тренировать, улучшать и измерять не только по итоговому ответу. При этом в самой статье не приведено ни экспериментальных результатов, ни бенчмарков, ни метрик, ни для DFM в целом, ни для Zetema, ни для GALILEO: это концептуальная рамка и код (репозиторий Gen-Verse/DFM-Plans на GitHub), а не отчёт об измеренных достижениях.
Ключевые факты
- Авторы вводят понятие Discovery Intelligence и архитектуру DFM, базовые модели, которые не просто решают заданные задачи, а участвуют в создании новых проблем, гипотез и знания.
- DFM работает с пересматриваемым состоянием исследования и поддерживает семь возможностей: от поиска и формулировки проблем до выдвижения гипотез, экспериментов и пересмотра выводов на основе новых данных.
- Систему Zetema авторы описывают как реализацию подхода, с явной динамикой состояния, проверкой, привязкой к внешним фактам и переносом «исследовательских навыков» между задачами.
- На примере GALILEO, реальной системы поиска лекарств, показано, как вычислительное рассуждение сочетается с роботизированными экспериментами в физической лаборатории, образуя замкнутый цикл открытия.
- Работа концептуальная: экспериментальных результатов, бенчмарков или метрик для DFM, Zetema и GALILEO в ней не приведено; код опубликован на GitHub.
Почему это важно
Авторы формулируют то, что называют Discovery Intelligence, способность не просто решать заданные человеком задачи, а участвовать в самом процессе появления новых задач, представлений, объяснений и знания. По их логике это следующий шаг в развитии базовых моделей: сначала модели учились на существующих знаниях, затем, через действия, использование инструментов и обратную связь от результата, а дальше, как утверждают авторы, наступает участие в построении, проверке и пересмотре самих структур, через которые открывается новое знание. Иными словами, речь не о более сильном решателе задач, а о модели, которая сама формулирует, что стоит исследовать.
Кому это важно
В первую очередь, исследователям в области ИИ, которые строят агентные системы для науки, и командам в фармацевтике и биотехе, где поиск терапевтических соединений требует именно такого цикла «гипотеза, эксперимент, пересмотр». Показательный пример из статьи, GALILEO, система поиска лекарств, где вычислительное рассуждение сочетается с роботизированными и «ручными» экспериментами в физической лаборатории. Тем, кто проектирует ИИ-агентов для длинных исследовательских циклов, а не для разовых ответов, рамка DFM даёт словарь и структуру для обсуждения того, какие возможности такой системе нужны.
Как это применить
Практического продукта или готового API статья не даёт, это концептуальная рамка с реализацией-примером Zetema и демонстрацией на GALILEO. Авторы описывают Zetema как систему, которая сочетает явную динамику состояния исследования, проверку и «экспериментальные шлюзы» (контрольные точки перед тем, как двигаться дальше), привязку к внешним фактам и перенос наработанных «исследовательских навыков» между задачами. Код опубликован в открытом репозитории (Gen-Verse/DFM-Plans на GitHub), поэтому практическое применение сейчас, это скорее база для исследовательских групп, которые хотят собирать похожие циклы «открытия» сами, чем готовое решение под конкретную задачу.
Можно ли доверять
С осторожностью: в самой работе не приведено ни экспериментальных результатов, ни бенчмарков, ни метрик, ни для DFM в целом, ни для Zetema, ни для GALILEO. Авторы не заявляют, что GALILEO или Zetema уже привели к реальному терапевтическому открытию, GALILEO описан как система, в которой работает такой цикл, а не как источник уже полученного результата. Это скорее программная статья, закладывающая рамку и терминологию, чем отчёт об измеренных достижениях, и оценивать её стоит соответственно.
Риски и подводные камни
Главный риск, разрыв между амбициозной формулировкой (модель, которая сама создаёт новые задачи и знание) и отсутствием подтверждающих измерений в самой статье: пока неясно, насколько предложенные семь возможностей реализуемы за пределами демонстрационного примера. Отдельный вопрос, автоматизация физических экспериментов: GALILEO включает роботизированную работу в реальной лаборатории, а значит, ошибки на этапе формирования гипотез или проверки могут переноситься в реальные лабораторные эксперименты, а не оставаться в вычислительной среде. Как именно контролируются такие риски, в тексте источника не раскрыто.