讓 AI 負(fù)責(zé)實(shí)驗(yàn)操作，科學(xué)家負(fù)責(zé)思考。

人工智能以及自主實(shí)驗(yàn)?zāi)壳爸饕?Python 等語(yǔ)言編寫，但并非所有實(shí)驗(yàn)科學(xué)工作者都擅長(zhǎng)這類編程語(yǔ)言，在真實(shí)世界實(shí)驗(yàn)中的影響力還是比較有限。

不過(guò)，基于 OpenAI 最近發(fā)布的 ChatGPT API 函數(shù)調(diào)用功能 ，現(xiàn)有的技術(shù)已經(jīng)足夠支撐打造一個(gè)曾經(jīng)只能在鋼鐵俠電影中看到的賈維斯智能助手。

近日，MIT 李巨教授組開(kāi)發(fā)了一個(gè)實(shí)驗(yàn)科學(xué)家的人工智能助手 CRESt，其后端是用 ChatGPT 作為核心串聯(lián)起:

1. 真實(shí)世界的機(jī)械臂進(jìn)行自動(dòng)化實(shí)驗(yàn)

2. 本地或網(wǎng)上專業(yè)的材料數(shù)據(jù)庫(kù)

3. 優(yōu)化材料配方的主動(dòng)學(xué)習(xí)算法

目前 CRESt 的前端已經(jīng)實(shí)現(xiàn)了 voice-in voice-out，AI 生成語(yǔ)音，以及多平臺(tái)無(wú)縫切換。

有了 CRESt 之后，即使沒(méi)有任何代碼經(jīng)驗(yàn)，科研工作者都能通過(guò)與其口頭對(duì)話來(lái)利用自動(dòng)化實(shí)驗(yàn)平臺(tái)幫自己做實(shí)驗(yàn)。

項(xiàng)目介紹

「CRESt 操作系統(tǒng)」主要由四部分組成:用戶界面，ChatGPT 后端，主動(dòng)學(xué)習(xí)和末端執(zhí)行器。

其中用戶界面基于一個(gè)支持語(yǔ)音轉(zhuǎn)文本和文本轉(zhuǎn)語(yǔ)音交互的 Github 項(xiàng)目 chatgpt-voice 。其便捷的網(wǎng)絡(luò)框架使得用戶可以在離開(kāi)實(shí)驗(yàn)室后在他們的手機(jī)上無(wú)縫地繼續(xù)對(duì)話。

并且后端是獨(dú)立運(yùn)行的，即使前端改變也不會(huì)受到影響。

此外，作者還將可以實(shí)時(shí)生成非常逼真的人聲的 ElevenLabs AI 語(yǔ)音集成到了前端中

從前端收到的文本消息隨后將被傳輸?shù)浇⒃?CallingGPT 基礎(chǔ)之上的 ChatGPT 后端。

CallingGPT 是另一個(gè) Github 項(xiàng)目，其能將 Google docstring 樣式記錄的 Python 函數(shù)轉(zhuǎn)換成 ChatGPT API 可以識(shí)別的 JSON 格式，以供在 ChatGPT 認(rèn)為需要時(shí)調(diào)用。

此外，它在 ChatGPT 和本地 Python 函數(shù)庫(kù)之間閉合了一個(gè)反饋回路:ChatGPT 所建議調(diào)用的函數(shù)將立即在本地執(zhí)行，并且其返回值將被發(fā)送回 ChatGPT。

除此之外，作者還在 CRESt 中嵌入了主動(dòng)學(xué)習(xí)算法，得益于在小數(shù)據(jù)集上不錯(cuò)的性能，主動(dòng)學(xué)習(xí)被認(rèn)為是最適合實(shí)驗(yàn)科學(xué)的機(jī)器學(xué)習(xí)算法之一 。

在涉及真實(shí)物理世界實(shí)驗(yàn)的機(jī)器學(xué)習(xí)項(xiàng)目中，數(shù)據(jù)采集往往是最大的挑戰(zhàn)。

與虛擬世界不同，真實(shí)物理世界中的每一個(gè)數(shù)據(jù)點(diǎn)可能都需要花費(fèi)大量的時(shí)間和金錢。

一般來(lái)說(shuō)，1000 個(gè)點(diǎn)的數(shù)據(jù)集就已經(jīng)是相當(dāng)不錯(cuò)的了，在這樣的條件下，如何對(duì)設(shè)計(jì)空間進(jìn)行高效取樣變得至關(guān)重要。

主動(dòng)學(xué)習(xí)的主要功能是交互式地建議在下一批實(shí)驗(yàn)中測(cè)試的參數(shù)組合，比如在視頻中展示的合金配方推薦。

在 CRESt 中內(nèi)嵌的是由 Meta 團(tuán)隊(duì)開(kāi)發(fā)的基于 BoTorch 的 Ax 平臺(tái) ，Ax 有著優(yōu)秀的 SQL 存儲(chǔ)功能:即使 GPT 后端重置，也可以通過(guò)調(diào)取數(shù)據(jù)庫(kù)中存儲(chǔ)的記錄來(lái)繼續(xù)之前的主動(dòng)學(xué)習(xí)。

這些設(shè)備的自動(dòng)化主要由 PyAutoGUI 實(shí)現(xiàn)，一個(gè)可以模擬人類鼠標(biāo)和鍵盤動(dòng)作的 Python 庫(kù) 。

然而，作者預(yù)期這個(gè)冗余步驟最終將失去其必要性，因?yàn)樵诓痪玫膶?lái)大多數(shù)實(shí)驗(yàn)室設(shè)備都應(yīng)該會(huì)在人類交互界面之外提供一個(gè)專用的 AI 通信接口。

展望

大語(yǔ)言模型可以為科學(xué)和工程領(lǐng)域帶來(lái)什么？

這是作者團(tuán)隊(duì)自 ChatGPT 問(wèn)世以來(lái)一直在思考的問(wèn)題。毫無(wú)疑問(wèn)，大語(yǔ)言模型已經(jīng)展示了其作為文獻(xiàn)整理員的超凡潛力，我們需要做的只是在預(yù)訓(xùn)練過(guò)程中向其提供更多的文獻(xiàn)全文。

除此之外還有哪些可能性呢？除了我們以 CRESt 形式開(kāi)發(fā)的實(shí)驗(yàn)員助手的角色，我們?cè)O(shè)想大語(yǔ)言模型至少還會(huì)在以下三個(gè)維度發(fā)揮革命性的作用:

儀器技術(shù)指導(dǎo)員

目前，研究人員必須理解他們希望利用的任何技術(shù)的理論基礎(chǔ)，以及個(gè)別儀器的具體操作，而這些操作可能會(huì)因制造商而異。

后者往往意味著不可忽視的時(shí)間成本，例如一個(gè)公共儀器的一系列培訓(xùn)課程，或者閱讀一個(gè)組內(nèi)儀器的 200 頁(yè)說(shuō)明書(shū)，以及上百小時(shí)的實(shí)操練習(xí)。

但我們冷靜下來(lái)思考一下，這些步驟真的是必要的嗎？

我們預(yù)見(jiàn)，在不久的將來(lái)，研究人員只需要清楚地用自然語(yǔ)言表達(dá)他們的需求，大語(yǔ)言模型就能夠?qū)⑦@些需求翻譯成最佳的參數(shù)設(shè)置。

當(dāng)必要時(shí)，大語(yǔ)言模型也可以將說(shuō)明書(shū)中的對(duì)應(yīng)部分提供給用戶以便用戶了解詳情。

從技術(shù)上來(lái)說(shuō)，儀器制造商只需要適當(dāng)?shù)匚⒄{(diào)一個(gè)大語(yǔ)言基礎(chǔ)模型，讓其學(xué)習(xí)公司內(nèi)高級(jí)技術(shù)員所掌握的儀器操作經(jīng)驗(yàn)即可，這件事從今天就能開(kāi)始做。

流水線診斷師

結(jié)合了多傳感器的機(jī)器人或無(wú)人機(jī)后，大語(yǔ)言模型可以幫助確定實(shí)驗(yàn)可重復(fù)性不佳的根本原因。

在未來(lái)，最理想的實(shí)驗(yàn)范式是記錄每個(gè)樣品整個(gè)生命周期中的所有元數(shù)據(jù)。當(dāng)出現(xiàn)無(wú)法解釋的現(xiàn)象時(shí)，所有相關(guān)的日志數(shù)據(jù)都將被輸入到多模態(tài)大語(yǔ)言模型進(jìn)行分析。

利用其優(yōu)秀的假說(shuō)生成能力，大語(yǔ)言模型可以提出一系列潛在的原因，以供人類專家進(jìn)一步調(diào)查他們認(rèn)為最有可能的幾個(gè)假說(shuō)。

這種方法也可以應(yīng)用于工業(yè)流水線 —— 如果注意到生產(chǎn)產(chǎn)量 / 良品率大幅下降，大語(yǔ)言模型可以通過(guò)對(duì)比流水線歷史記錄來(lái)識(shí)別「罪魁禍?zhǔn)住埂?/p>

只有需要復(fù)雜的現(xiàn)實(shí)世界操作時(shí)，人類工程師才需要介入，除此以外大語(yǔ)言模型可以直接對(duì)大概率出了問(wèn)題的子環(huán)節(jié)進(jìn)行參數(shù)微調(diào)。

實(shí)現(xiàn)這個(gè)角色的前提條件是大語(yǔ)言模型可以處理大量的圖像，且其性能取決于多模態(tài)信息(樣品元數(shù)據(jù)，視覺(jué)信息，聲音信息等)的對(duì)齊程度。

機(jī)理猜想者

我們預(yù)期大語(yǔ)言模型十分擅長(zhǎng)將已建立的科學(xué)原理用于解釋新的實(shí)驗(yàn)現(xiàn)象?？茖W(xué)機(jī)理探索階段的很大一部分工作都是模式匹配型工作，這些都在大語(yǔ)言模型的能力范圍內(nèi)。

在不久的將來(lái)，這個(gè)工作流將會(huì)變的非常簡(jiǎn)單直接，我們只需要問(wèn)大語(yǔ)言模型:我們制備并測(cè)試了一個(gè)樣品，它的成分是 xxx，處理工藝和參數(shù)是 xxx，其性能是 xxx。

這是所有的表征結(jié)果，請(qǐng)給出 10 個(gè)理由詳細(xì)表述為什么這個(gè)樣品的性能這么好。

人類研究者可以從大語(yǔ)言模型生成的一系列敘述中篩選出最合理的解釋，并以此為基礎(chǔ)完善整個(gè)機(jī)理解釋。

然而，這個(gè)任務(wù)是所有我們預(yù)想的大語(yǔ)言模型的角色中最具有挑戰(zhàn)性的，其實(shí)現(xiàn)的前提條件包括:

1. 圖像輸入和與科學(xué)術(shù)語(yǔ)的對(duì)齊，

2. 從專業(yè)物理科學(xué)數(shù)據(jù)庫(kù)中檢索特定信息的能力，

3. 大語(yǔ)言模型在科學(xué)期刊正文和附錄的預(yù)訓(xùn)練，

4. 大語(yǔ)言模型有能力調(diào)用一系列前沿的子領(lǐng)域的機(jī)器學(xué)習(xí)模型或是仿真模型。

總結(jié)

CRESt 只是大語(yǔ)言模型協(xié)助科學(xué)家的一個(gè)起點(diǎn)，我們相信大語(yǔ)言模型的真正潛力在于其假說(shuō)生成能力 。

人類擁有相對(duì)有限的知識(shí)庫(kù)，但出色的因果推理能力使得我們能夠給出雖然數(shù)量不多但一針見(jiàn)血的假說(shuō)。

相比之下，人工智能有著廣泛的知識(shí)庫(kù)以及從大數(shù)據(jù)中提取統(tǒng)計(jì)信息的能力 ，因此它們可以在短時(shí)間內(nèi)生成大量的，沒(méi)那么精準(zhǔn)的假說(shuō)。

因此，這不是一個(gè)人工智能與人類競(jìng)爭(zhēng)的故事，而是人工智能補(bǔ)足人類短板的故事。

在「AI suggests, humans select」的合作模式下，雙方都能發(fā)揮出各自的優(yōu)勢(shì)，「各盡其才」。

參考資料:

廣告聲明:文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接，用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。