Deepmind піднімає брови в науковій спільноті з Alphafold 3
Найновіша ітерація моделі штучного інтелекту Deepmind – Alphafold 3 – значно продвинулася у прогнозуванні структур білків. Цей стрибок має потенціал спростити розробку ліків, розуміючи, як білки взаємодіють з іншими молекулами. Однак небажання Deepmind поділитися вихідним кодом Alphafold 3 призвело до хвилі незадоволення серед глобальної наукової громадськості.
Першовідкривацький, але приватний – прорив Alphafold 3 з чимось вибірковим
Представляючи прорив для біохімічних досліджень, Alphafold 3 вирізняється у передбаченні реакцій білків при зустрічі з різними біологічними та хімічними молекулами. Такі можливості перевершують попередні методики. Deepmind хвалиться цими досягненнями в останній статті у журналі “Nature.” Однак відмова від випуску повного програмного коду сприймається як перешкода для наукової перевірки й застосування, залишаючи багатьох дослідників з бажанням дізнатися більше.
Обмежений доступ ставить під сумнів наукову перевірку та інновації
Віддаючи перевагу публікації лише псевдокоду, що розкриває логіку моделі, Deepmind надає вченим обмежений доступ до моделі через веб-сервер з обмеженням у двадцять запитів на день. Ця обмеженість ускладнює ретельне обстеження або впровадження Alphafold 3, особливо коли взаємодії з малими хімічними молекулами взагалі не можуть бути запитані.
Відкритий лист висловлює незадоволення Deepmind та Nature
Нещасливість з Deepmind сягнула свого піку у відкритому листі до “Nature,” авторами якого є вчені з різних установ, включаючи Педро Бельтрао з ETH Zurich. Цей лист підтримується понад 600 дослідниками, критикуючи часткову публікацію коду та стверджуючи, що повна відкритість є основою наукового прогресу. Вчені уточнюють, що така прозорість очікується у публікації у журналі з рецензією, а не просто в корпоративному оголошенні.
Економічне обґрунтування порівняно з науковим спільнодією
З комерційної точки зору, підхід Deepmind розумний. Прогнози Alphafold 3 можуть бути безцінними для фармацевтичних компаній, які пропонують значне зниження витрат і часу на розробку ліків. Навпаки, доступ до фармацевтичних даних може ще більше вдосконалити здатності Alphafold 3.
Прогрес та академічні дослідження штучного інтелекту під загрозою
Deepmind намекнула на можливість зробити модель доступною для громадськості через шість місяців під тиском від академічного світу. Дослідники вже почали реконструювати Alphafold 3 з псевдокоду. Ця ситуація відображає більш широкий проблем у дослідженнях штучного інтелекту, де важливі прориви відбуваються у приватному секторі, залишаючи академію боротися з обмеженими ресурсами та зростаючою залежністю від приватизованого прогресу.
Якщо ви хочете отримати більше інформації про Deepmind та їхню роботу, ви можете відвідати їхній вебсайт за наступним посиланням: Deepmind.
The source of the article is from the blog myshopsguide.com