Dypsinnsynet vekkjast i vitskapssamfunnet med Alphafold 3 frå Deepmind
Deepminds nyaste iterasjon av deira AI-modell, Alphafold 3, har betydeleg fremskritt i nøyaktig spådom av proteinstrukturar. Dette har potensial til å effektivisere legemiddelutvikling ved å forstå korleis protein interagerer med andre molekyl. Likevel har Deepminds motvilje mot å dele kjeldekoden til Alphafold 3 vekt ein bølge av misnøye blant global forskarfellesskap.
Framstegsrik men privat – Alphafold 3 sitt gjennombrot med eit vilkår
Som eit gjennombrot for biokjemisk forsking, excellerer Alphafold 3 i å spå reaksjonane til protein når dei møter ulike biologiske og kjemiske molekyl. Ein slik evne overglansar tidlegare metodar. Deepmind skryt av desse framstega i ein nyleg artikkel i tidsskriftet «Nature.» Likevel blir det å nekte å frigi den fulle programkoden sett på som ein hindring for vitskapleg validering og anvending, noko som gjer at mange forskarar ønskjer meir.
Begrensa tilgang utfordrar akademisk verifisering og innovasjon
Ved å ynskje å offentleggjøre berre ein pseudokode som skisserer modellens logikk, har Deepmind gitt akademikarar berre avgrensa modelltilgang via ein nettjener med ei øvre grense på tjue spørringar per dag. Dette er restriktivt for grundig undersøking eller implementering av Alphafold 3, spesielt når interaksjonar med små kjemiske molekyl ikkje kan spørjast om i det heile.
Åpen brev uttrykker frustrasjon med Deepmind og Nature
Misnøya med Deepmind har kulminert i eit opent brev til «Nature,» skrive av forskarar frå ulike institusjonar, inkludert Pedro Beltrao frå ETH Zurich. Brevet blir støtta av over 600 forskarar, som kritiserer den delvise kodedisklasjeringa og argumenterer for at full åpenheit er grunnlaget for vitskapleg framgang. Forskarane presiserer at ein slik transparens er forventa i ei fagfellevurdert tidsskriftpublikasjon, ikkje berre i ein bedriftsinngjerdande kunngjering.
Økonomisk resonnering versus vitskapeleg deling
Frå eit kommersielt synspunkt, er Deepminds tilnærming forståeleg. Alphafold 3 sine spådomar kan vere uvurderlege for farmasøytiske selskap, og tilby betydelege kostnads- og tidsreduksjonar i legemiddelutviklinga. På den andre sida kunne tilgang til legemiddeldata raffinere Alphafold 3 sine evner ytterlegare.
Framsteg og akademisk AI-forsking på spel
Deepmind har antyda at modellen kan bli gjort offentleg tilgjengeleg om seks månader på grunn av press frå akademisk verden. Forskarar har allereie byrja med å byggje opp Alphafold 3 frå pseudokoden. Denne situasjonen speglar eit større problem i AI-forsking, der betydelege framsteg skjer i det private domenet, og etterlet akademiet med avgrensa ressursar og aukande avhengighet av privatisert framgang.
Om du ynskjer meir informasjon om Deepmind og deira arbeid, kan du besøke deira nettside via følgjande lenke: Deepmind.
The source of the article is from the blog reporterosdelsur.com.mx