谷歌DeepMind首席研究员凯文·墨菲推出了模型发现代理(MDA)系统——一种自主人工智能工具,从根本上改变了科学发现的方式。MDA并非被动分析数据,而是积极参与研究循环:生成现象潜在机制、确定信息量最大的下一个实验,并根据获得的结果修正其假设。
该代理的架构基于闭环原则构建。系统从一组观测开始,提出竞争性模型,然后选择能最大程度降低不确定性的实验。在虚拟或真实测试之后,MDA更新其假设并重复该过程。这使其能够在中间阶段无需人工干预的情况下快速收敛到真实规律。
跨学科交叉领域的效率
测试在物理、化学和生物学任务中进行。结果表明,MDA在实验数据上训练模型的效率方面显著优于现有的机器学习方法。特别是,该代理成功减少了达到指定精度所需的实验数量,这在每个实验都需要大量资源的领域中至关重要。
例如,在化学任务中,MDA成功识别了反应的隐藏参数,而在生物模拟中,它发现了传统统计方法遗漏的非线性关系。关键优势在于处理小样本的能力,而经典算法在小样本上容易过拟合或产生高方差。
这一步标志着从AI作为分析工具向AI作为科学探索中全面合作伙伴的转变。将此类代理引入实验室实践,能够将新材料、药物和工艺技术的发现速度提升数倍,同时自动化研究工作中的常规部分。
我的观点:MDA不仅仅是又一个算法,而是一种范式转变。在未来几年,我们将看到此类代理集成到商业研发平台中,这将推动科学的民主化:小型初创企业将能够通过访问“数字科研人员”与巨头竞争。然而,保持人类对结果解释的控制至关重要,以避免AI将虚假相关性误认为因果关系。