(بلومبرگ) — از زمانی که ChatGPT پاییز گذشته ویروسی شد، شرکتها راههای زیادی را تبلیغ کردند که هوش مصنوعی میتواند زندگی ما را آسانتر کند. آنها به دستیاران مجازی، معلمان، وکلا و پزشکان فوق بشری قول داده اند.
در مورد یک مهندس شیمی فوق بشری چطور؟
استارتاپ Orbital Materials مستقر در لندن مایل است فقط همین را ایجاد کنید این استارتاپ در حال کار بر روی استفاده از هوش مصنوعی مولد – روشی که در پشت ابزارهایی مانند ChatGPT قرار دارد – به طور صریح برای سرعت بخشیدن به توسعه فن آوری های انرژی پاک اساساً، ایده این است که مدلهای رایانهای به اندازه کافی قدرتمند و دقیق بسازیم تا بهترین فرمولها را برای محصولاتی مانند سوخت جت پایدار یا باتریهای عاری از مواد معدنی کمیاب شناسایی کنند.
جاناتان گادوین، یکی از بنیانگذاران Orbital Materials، سیستمی را تصور میکند که به اندازه مهندسین نرمافزار امروزی برای مدلسازی طرحهایی مانند بالهای هواپیما و مبلمان خانگی در دسترس و مؤثر است.
او گفت: «از نظر تاریخی، برای علم مولکولی خیلی سخت بوده است.
ChatGPT کار می کند زیرا در پیش بینی متن ماهر است – کلمه یا جمله بعدی منطقی است. برای اینکه همین ایده در شیمی کار کند، یک سیستم هوش مصنوعی باید نحوه رفتار یک مولکول جدید را نه فقط در آزمایشگاه بلکه در دنیای واقعی پیش بینی کند.
چندین محقق و شرکت از هوش مصنوعی برای جستجوی مواد جدیدتر و سبزتر استفاده کرده اند. Symyx Technologies، یک شرکت کشف مواد که در دهه 1990 تأسیس شد، پس از فروش منحل شد. شرکتهای اخیر در ساخت جایگزینهای پتروشیمی و سلولهای برنامهنویسی مورد توجه قرار گرفتهاند.
با این حال، برای بسیاری از مواد مورد نیاز برای کربن زدایی سیاره، این فناوری هنوز وجود ندارد.
ممکن است چندین دهه طول بکشد تا یک ماده پیشرفته جدید از مرحله کشف به بازار حرکت کند. این جدول زمانی برای کسبوکارها و کشورهایی که به دنبال کاهش سریع انتشار گازهای گلخانهای هستند، بسیار کند است زیرا آنها برای دستیابی به اهداف صفر خالص رقابت میکنند.
Aaike van Vugt، یکی از بنیانگذاران استارتاپ علوم مواد VSParticle، گفت: «این باید در 10 سال آینده یا زودتر اتفاق بیفتد.
محققان هوش مصنوعی فکر می کنند می توانند کمک کنند. قبل از راه اندازی Orbital Materials، گادوین سه سال را صرف تحقیق در مورد کشف مواد پیشرفته در DeepMind، آزمایشگاه هوش مصنوعی گوگل کرد. آن آزمایشگاه AlphaFold را منتشر کرد، مدلی برای پیشبینی ساختارهای پروتئینی که میتواند جستجوی داروها و واکسنهای جدید را سرعت بخشد. این، همراه با برخاستن سریع ابزارهایی مانند ChatGPT، او را متقاعد کرد که هوش مصنوعی به زودی قادر به تسخیر دنیای مادی خواهد بود.
او گفت: «آنچه که من فکر میکردم 10 سال طول میکشد، در عرض 18 ماه اتفاق میافتد. همه چیز بهتر و بهتر و بهتر می شود.»
گادوین روش خود را با Orbital Materials با مولدهای تصویر هوش مصنوعی مانند Dall-E و Stable Diffusion مقایسه میکند. این مدلها با استفاده از میلیاردها تصویر آنلاین ایجاد میشوند، به طوری که وقتی کاربران یک پیام متنی را تایپ میکنند، یک اثر واقعی واقعی ظاهر میشود. Orbital Materials قصد دارد مدل هایی را با بارهای داده در مورد ساختار مولکولی مواد آموزش دهد. برخی از ویژگی ها و مواد مورد نظر را تایپ کنید – مثلاً آلیاژی که می تواند گرمای بسیار زیاد را تحمل کند – و مدل یک فرمول مولکولی پیشنهادی را ارائه می دهد.
در تئوری، این رویکرد موثر است زیرا هر دو می تواند مولکول های جدید را تصور کند و رافائل گومز-بومبارلی، استادیار دانشگاه MIT، که به مواد مداری مشاوره میدهد، میگوید نحوه کار آنها را اندازهگیری کنید. (او گفت که سرمایه گذار نیست.)
در حال حاضر، بسیاری از سرمایهگذاران فناوری به دنبال شرکتهایی هستند که میتوانند سودآوری کنند بهبود تولید مواد سبزتر این امر به ویژه در اروپا صادق است، جایی که تنظیمکنندهها تولیدکنندگان را مجبور میکنند تا انتشار کربن را کاهش دهند یا با جریمههای سنگین مواجه شوند. بازارهای مواد پیشرفته در بخش هایی مانند انرژی های تجدیدپذیر، حمل و نقل و کشاورزی قرار است در سال های آینده ده ها میلیارد دلار رشد کنند.
برخی از محققان، مانند محققان دانشگاه تورنتو، «آزمایشگاههای خودران» را راهاندازی کردهاند که سیستمهای هوش مصنوعی را با روباتها جفت میکنند تا مواد جدید را با سرعتی بینظیر جستجو کنند. استارت آپ هلندی VSParticle ماشین آلاتی را می سازد که برای توسعه قطعات حسگرهای گاز و هیدروژن سبز استفاده می شود.
ون وگت، یکی از بنیانگذاران، گفت که این کار را مانند یک توالی یابی DNA در یک آزمایشگاه ژنومیک در نظر بگیرید، که معتقد است تجهیزات او می تواند به کوتاه کردن افق زمانی 20 ساله مواد پیشرفته به یک سال و در نهایت به “چند ماه” کمک کند. شرکت او در حال حاضر در حال افزایش سرمایه سرمایه گذاری است.
Orbital Materials که 4.8 میلیون دلار از بودجه اولیه نامشخصی را جمع آوری کرد، در نظر دارد نگاه هوش مصنوعی خود را به سمت جذب کربن آغاز کند. این استارتآپ روی یک مدل الگوریتمی کار میکند که غربالهای مولکولی یا گلولههای ریز نصب شده در دستگاهی را طراحی میکند که میتواند CO2 و سایر مواد شیمیایی مضر را از سایر انتشارات الک کند، کارآمدتر از روشهای فعلی. (گادوین گفت این استارتاپ که چندین محقق هوش مصنوعی دارد، قصد دارد به زودی نتایج بررسی شده را در مورد این فناوری منتشر کند.) جذب کربن تا به امروز در مقیاس کارایی نداشته است، اگرچه به لطف تعدادی از مشوق های دولتی، به ویژه در ایالات متحده، علاقه به استقرار این فناوری به سرعت در حال افزایش است.
در نهایت، گادوین گفت که Orbital Materials مایل است به مناطقی مانند سوخت و باتری حرکت کند. او تصور می کند مدل کسب و کار شرکت های بیولوژی مصنوعی و کشف دارو را منعکس می کند: قدرت مغز را توسعه دهید، سپس مجوز نرم افزار یا مواد جدید را به تولیدکنندگان بدهید. گادوین گفت: «برای رسیدن به بازار زمان کمی از ما میگیرد. اما زمانی که شما آنجا هستید، خیلی سریع اتفاق میافتد.»
اما درست کردن هوش مصنوعی تنها نیمی از کار است. در واقع ساخت مواد پیشرفته در زمینه هایی مانند تولید باتری و سوخت نیاز به همکاری با شرکت های بزرگ فعلی و زنجیره های تامین آشفته دارد. گومز-بومبارلی از MIT استدلال میکند که این میتواند حتی گرانتر از تولید داروهای جدید باشد.
او گفت: «اقتصاد و ریسک زدایی کار را سختتر میکند.
هدر ردمن، یکی از شرکای مدیریت Flying Fish Partners که از Orbital Materials حمایت میکند، میگوید اکثر سرمایهگذاران فناوری که به دنبال پول درخشان هوش مصنوعی مولد هستند، نتوانستهاند به برنامههای آن در خارج از چتباتها نگاه کنند. او خطرات استارتآپهای فعال در بخش انرژی را تصدیق کرد، اما معتقد است پتانسیل 1 تریلیون دلاری بازارهایی مانند باتری و جذب کربن ارزش ریسک سرمایه گذاری را دارد.
او گفت: «ما عاشق تپههای بزرگ هستیم تا زمانی که یک بازار بزرگ و فرصت در بالای آن وجود داشته باشد.
گومز-بومبارلی می داند که این تپه ها چقدر می توانند بزرگ باشند. او در سال 2015 به راه اندازی شرکتی مشابه با Orbital Materials به نام Calculario کمک کرد که از هوش مصنوعی و شیمی کوانتومی برای سرعت بخشیدن به روند کشف طیف وسیعی از مواد جدید استفاده کرد. کشش کافی نداشت و باید روی صنعت OLED تمرکز می کرد.
او گفت: «شاید ما به ادعای خود نرسیدیم. “یا شاید بازار آماده نبود.”
اینکه الان هست یا نه یک سوال باز است. اما نشانه های دلگرم کننده ای وجود دارد. محاسبات مطمئناً بهبود یافته است. تازه واردان همچنین ممکن است زمان آسان تری برای فروش هوش مصنوعی داشته باشند زیرا مشتریان بالقوه می توانند به راحتی پتانسیل را درک کنند. گومز-بومبارلی گفت که زمین بازی نسبتاً ساده است: «به ChatGPT نگاه کنید. ما می توانیم همین کار را برای شیمی انجام دهیم.”