@robertnishihara: 这个演讲现已上传! https://youtube.com/watch?v=Sv0wfbPp5LI…
摘要
Lila Sciences 正在开发一个集成的 AI 驱动平台,以自动化科学实验,使用 AI 模型和机器人技术来解决科学中不可验证的假设,愿景是创建科学智能的缩放定律。
查看缓存全文
缓存时间: 2026/09/18 16:49
这个演讲现已上线! https://youtube.com/watch?v=Sv0wfbPp5LI…
摘要: Lila Sciences 正在构建一个集成的AI科学工厂——结合统一AI模型、定制软件和自动化机器人——旨在攻克科学中庞大且高度依赖实验的领域,致力于建立科学智能的扩展定律。
核心问题:超越可验证领域的扩展
人工智能领域主要通过两个阶段实现规模扩展:在互联网数据上进行预训练,以及近期在数学和编程等可验证奖励领域进行强化学习。然而,演讲者指出了一个关键瓶颈:大多数科学发现涉及的假设,难以通过模拟进行低成本或快速验证。据估计,公开文献中仅约5%的科学假设可以通过这种方式验证。其余95%则需要物理实验,这为强化学习构成了“暗物质”。Lila 旨在解决的核心挑战是:如何为现实世界的科学构建大规模验证器。
AI科学工厂:一个垂直整合平台
Lila 的解决方案是一个“AI科学工厂”,这是一个垂直整合平台,融合了三个关键层次:
- 智能层: 一个统一的AI模型(稍后讨论)。
- 定制软件层: 环绕实验室构建,用于捕获数据、接收模型输入并提供反馈。
- 机器人与自动化层: 管理物理实验室设备。演讲者指出,自动化简单的人类任务(如“打开试管盖”)出人意料地复杂,但至关重要。
这种方法将实验室视为训练AI模型的数据中心,而非传统的科研空间。该平台旨在覆盖广泛的科学学科,因为过于专注的领域可能无法催生出广泛训练中出现的涌现能力。
当前设施与愿景
Lila 目前在波士顿地区(马萨诸塞州剑桥市)运营着一个15,000平方英尺的全自动化实验室,能够运行端到端的AI控制工作流。一次重大扩建正在计划中:一个100,000平方英尺的设施将于2027年初启用,被描述为首批专门为训练AI模型而设计的大型自动化实验室之一。
案例研究:闭环量子点设计
本次演讲通过量子点的自动化合成展示了系统的能力——量子点是紫外线下能发出特定颜色光的纳米晶体,其颜色由尺寸和形状决定。
- 任务: 一个AI模型负责设计能发射特定波长光(例如650nm的红光,500nm以下的蓝光)的量子点。
- 工作流程: 模型选择化学前驱体,然后由自动化实验室设备(包括液体处理仪和振荡器)进行混合和处理。生成的量子点会进行发射特性测试。
- 自动化展示: 一段视频展示了一个全自动化的90分钟流程。一个机械臂管理多孔板、执行液体处理并振荡板材以促进纳米晶体生长。整个过程可远程控制。
- 结果: 在开源基础模型上进行训练后,性能显著提升,在此特定科学任务上超越了前沿模型。
展示平台通用性:从CAR-T到催化剂
演讲者强调,底层平台是通用的,不仅限于材料科学。示例包括:
- 体内CAR-T疗法: 利用自动化平台,Lila 在6个月内以几百万美元的成本,取得了体内细胞疗法(在体内重编程T细胞以对抗疾病)的临床前成果——这一过程传统上需要数年时间和超过1亿美元。
- 改进的mRNA疗法: 他们设计了具有更好临床特性的mRNA,所需剂量更低,引起的免疫反应更小。
- 绿氢催化剂: 他们开发了用于高效水分解的非贵金属电催化剂,旨在以远低于传统铂基催化剂的成本生产绿氢。与铂族金属相比,成本降低了10,000倍。
统一模型:“Iris”与扩展定律
一个关键原则是,所有生成的科学数据——从量子点到催化剂——都必须用于训练一个名为 “Iris” 的统一AI模型。目标是促进跨科学领域的知识融合与涌现能力,这通过独立的、孤立的模型是不可能实现的。
Lila 正在探索科学智能的一个潜在 扩展定律。内部基准测试(衡量数千个科学任务的平均性能,每个任务有100到100,000个提示)显示,训练后计算量(范围从10^19到10^23次浮点运算)与模型性能之间存在明确关联。这表明,在此集成实验框架内,扩展计算资源能够可靠地提升科学AI能力。
结论
Lila Sciences 正押注于规模和垂直整合,以克服科学中的验证瓶颈。通过创建一个自动化、数据丰富的环境来驱动一个强大统一的AI模型,他们旨在加速科学发现的步伐。
来源:YouTube视频 - @robertnishihara:这个演讲现已上线! (https://www.youtube.com/watch?v=Sv0wfbPp5LI)
Robert Nishihara (@robertnishihara): 今天在Ray Summit上非常喜欢@LilaSciences 的@AndrewLBeam 关于实现自动化科研路径的演讲:智能、软件和机器人。
相似文章
我观看了Ray Summit上的许多现场演讲,Priunsh Syen和Tyler Titsworth在@LilaSciences的这个关于…的演讲
Lila Sciences在Ray Summit上介绍了他们的内部自助式AI研究平台,该平台使用Flight、Ray和GitOps来支持通过优化的构建-测试-学习循环实现自动化科学发现。
当你让人工智能运行科学实验室会发生什么 - 与 Ant Rowstron 的播客
这期播客节目探讨了人工智能科学家的概念,它们将大语言模型与自动化实验室结合起来,设计并进行实验。来自 ARIA 的 Ant Rowstron 讨论了该领域中新兴的架构和持续的研究。
Stanford/Princeton AI4S 发布 LabOS²——这款从干实验室规划到湿实验室执行的自主AI系统,利用物理AI辅助科学家,现已能够执行完全自主的细胞培养工作流程。
斯坦福大学和普林斯顿大学的 AI4S 项目发布 LabOS²,这是一款能够执行完全自主细胞培养工作流程的智能体AI系统,涵盖从干实验室规划到湿实验室执行的全过程。
@codewithimanshu:斯坦福教授刚刚免费公开了AI智能体与自动化的全部底层逻辑,1小时讲座。T…
斯坦福教授发布免费1小时讲座,系统讲解AI智能体、工具调用、多步工作流、规划与反思的核心原理。
@lillian_ma_: 值得关注的自动化研究实验室:@AutoScienceAI(@eliot_cowan)——最纯粹的“AI构建AI”之一:智能体……
一则推特串强调了新兴的自动化研究实验室,它们正在构建AI系统来全自动化研究循环,从提出假设到进行实验。