物質的豊かさ：Radical AIの閉ループ実験室が科学的発見を自動化する

Radical AIは、最先端のAIモデルとほぼ完全に自律した実験室を統合したシステムである「材料フライホイール」を構築している企業である。このシステムは新材料の発見と製造を劇的に加速することを目指している。従来の材料科学では新材料の開発に1億ドル以上の費用と10年以上の時間を要していたが、同社は1日100回の実験を実行できる自動化実験室により、この従来の限界を打破しようとしている。同社のアプローチは、特性駆動最適化、マルチモーダルデータの活用、自動化された合成と特性評価、実験データの大規模取得という要素を組み合わせた完全に統合されたシステムを特徴としている。

Material Abundance: Radical AI’s Closed-Loop Lab Automates Scientific Discovery

Joseph Krause and Jorge Colindres, co-founders of Radical AI, unveil their "materials flywheel" – an integrated system c...

科学自動化の新時代到来
材料科学の現在の課題と機会
材料科学の歴史と現在の挑戦
フライホイールシステムの詳細
実験データの重要性と挑戦
カスタマー中心のアプローチ
顧客問題への取り組みとフライホイールの詳細
変革的材料の範囲と応用
顧客問題への具体的アプローチ
自動化実験室の仕組み
AIモデルの詳細分析
データ問題とその解決策
機械学習アプローチの詳細
データの制約と課題
検索空間の広大さと自動化の挑戦
マルチモーダル統合の未来
知的財産とビジネスモデル
米空軍との契約について
企業文化と採用について

科学自動化の新時代到来

こんにちは、コグニティブ・レボリューションへようこそ。今日のゲストは、Radical AIの共同創設者であるジョセフ・クラウスとホルヘ・キンドラスです。Radical AIは材料フライホイールを構築している企業で、最先端のAIモデルとほぼ完全に自律した実験室を統合したシステムにより、新材料の発見と製造を劇的に加速させることを目指しています。

学部生の研究助手として1年間を過ごし、微細な粉末を少量ずつ計量し、非常に退屈な実験を繰り返していた経験を持つ私にとって、科学が自動化される日が来ることを長い間夢見てきました。その日が、うれしいことに今まさに到来しています。Radical AIの実験室は1日100回の実験を実行でき、これは私が学部生として1年間で行った実験数と、ジョセフが陸軍研究所で1年間に行った実験数の両方をほぼ倍にする数字です。

彼らはその前例のないスループットを使って、人類にとって最も重要な材料課題のいくつかに取り組んでいます。ここでの潜在的な利益は本当に膨大です。ジョセフとホルヘが説明するように、先進材料は半導体や航空宇宙からエネルギーや防衛まで、現代のほぼすべての主要産業の基盤となっています。

しかし、新材料の開発は依然として痛いほど遅く、高価で、通常は発見から商業化まで1億ドル以上と10年以上を必要としています。これにより、基礎的理解に焦点を当てる学術研究と、大部分が段階的改善に焦点を当てる企業R&Dの間に、いわゆる「死の谷」が生まれています。

その隙間には、浮遊列車、惑星間旅行、極超音速飛行などの未来的技術を可能にする可能性のある変革的材料が存在していますが、誰もまだ市場に持ち込むことに成功していません。ジョセフとホルヘは、彼らの完全な閉ループシステムについて、可能な材料の広大な空間をナビゲートするために特性駆動最適化をどのように使用するか、彼らのAIエンジンが論文から顕微鏡画像までのマルチモーダルデータをどのように組み込むか、ロボット実験室が合成と特性評価をどのように実行するか、大規模な実験データの取得が重要な解除鍵であると信じる理由、そして重要なことに、製造まで垂直統合をどのように行っているかについて説明してくれます。

材料科学の現在の課題と機会

その過程で、材料科学が時間の経過とともになぜより高価になったのか、LK99の騒動とそれが合成と再現性の課題について明らかにすること、Radical AIシステムが成功と失敗の両方からどのように学習し、最終的に一種の科学的直感を構築していくか、極超音速アプリケーション用のハイエントロピー合金を開発する彼らの最近の空軍契約についても議論します。

この対話で最も印象的だったのは、Radical AIの野心の規模です。これは塗料を少し耐久性のあるものにしようとしている企業ではありません。それどころか、まったく新しい産業を定義する材料を作ろうとしています。始める前に一つ簡単な注意点があります。材料科学の機械学習についてより詳しく知りたい方は、Orbital Materialsのティムデンとジョナサンゴドウィンとの私の以前のエピソードが、この対話の良い補完になるかもしれません。

今日は主にRadical AIがシステムレベルで構築している発見エンジンに焦点を当てますが、それらの以前のエピソードは、AIモデルが分子動力学をシミュレートし、最終的に材料特性を予測することを学ぶ方法の技術的詳細にはるかに深く踏み込んでいます。もちろん、2つの企業は単純には競合他社と見なされる可能性がありますが、この対話は、材料科学を通じたより良い生活のための機能的に無制限の機会があることを十分に明確にしていると思います。

そして、両社が大きな成功を収めることを確実に期待しています。それでは、Radical AIの共同創設者であるジョセフ・クラウスとホルヘ・キンドラスとの、AIと自動化の垂直統合された組み合わせによる材料発見の加速についての対話をお楽しみください。

ジョセフ・クラウスとホルヘ・キンドレス、Radical AIの共同創設者です。コグニティブ・レボリューションへようこそ。

お招きいただきありがとうございます。ここにいることを楽しみにしています。ええ、同じくです。あなた方は材料科学へのAIの応用において本当に興味深い最先端の仕事をしており、解き明かすべきことがたくさんあります。

事前に冗談を言っていたのですが、科学の自動化は学部の研究助手として微細な粉末を少量計量する退屈な作業を何時間も座って行っていた私が夢見ていたことです。当時、それは自動化するのが非常に困難で、おそらく私の生涯では起こらないだろうと言われていました。

それがより大きなビジョンの一部として明らかに始まっているという事実は、最初から私を興奮させます。まず、私たちの視聴者は定義上AIに非常に興味を持っているでしょうが、おそらく材料科学全般についてはそれほど多くを知らないでしょう。そこで、基準線を設定してもらえませんか。なぜ材料科学は困難なのでしょうか。何が起こっているのでしょうか。

企業についての宿題をしていて得た観察の一つは、材料科学のブレークスルーのコストが上昇しているように見えることです。では、あなた方が新しいパラダイムで参入している今日の状況はどのようなものなのでしょうか。

ええ。幸運なことに、ネイサン、あなたの夢は今日の世界ではすでにではないにしても現実になろうとしています。そして、本当に次の5年から10年は信じられないほどエキサイティングになるでしょう。私たちは企業として、科学は今後10年間に見ることになる姿と二度と同じには見えないと根本的に信じています。

私たちはその構築をリードする手助けをすることに非常に興奮しています。材料がなぜそれほどエキサイティングなのかを考えてみると、これは確実に企業の設立ストーリーで触れることになると思いますが、材料は世界の非常に多くの異なる産業に本当に影響を与えています。

自動車と航空宇宙、製造と防衛、気候、エネルギー、半導体、電子機器、世界で最も重要な産業はすべて材料R&Dの直接的な結果です。しかし、私たちは常に本当に3つの問題を見ています。まず、あなたが指摘したコストです。計算フレームワークからそのプロセスを実際にスケールアップするまで、新しいシステムを開発するのに1億ドル以上かかります。2番目は時間です。

新しい発見を行うには長い時間がかかります。平均して、私たちは通常、新しい発見を商業化に本当に押し進めるのに10年以上を見ています。そして時にはそれは2025年にまたがるはるかに長い期間になることもあります。そして3つ目は断片化です。私が先ほど言及したコストと時間の両方に寄与する最大の問題の一つです。

材料科学では、私たちは常に企業として2つの異なるパラダイムとして説明しています。一方では、科学への非常に基礎的なアプローチ、私たちが科学の学術的追求と呼んでいるものがあります。それは科学の理解を促進し、本質的に基礎的であり、通常商業的応用に焦点を当てていません。もちろんある程度の関連性はありますが、それは学術研究の目的ではありません。

目的は、あなたが研究しているものの理解を促進することです。そして、もう一方のパラダイムは本当に商業化されたR&Dや企業R&Dです。そして彼らは完全に商業化に焦点を当てており、それは素晴らしいことで、最適化にも完全に焦点を当てています。そして彼らは1%、2%、5%のパフォーマンス向上を推進して、マージンを変更し、それをウォール街に報告できるようにしています。

彼らは室温超伝導体のような何かを発見することに焦点を当てていません。これは確実に後で触れることになるでしょう。そして、これが問題です。真ん中には、この新しい基礎的発見を行うが、商業的応用に完全に焦点を当てた広く開かれた白いスペースがあり、そしてもちろんそれがまさに私たちRadical AIが試みていることです。

それが現在材料がどこにあるか、そして私たちが風景と私たちの前にある機会をどのように見ているかということです。それは常にそのようなものでしたか？つまり、この種の発見の明らかな類似点として薬物発見が思い浮かび、一般的にそこでの話は人々が通常語る2つの部分のようなものだと思います。

一つは、一つには、以前はより簡単だったということで、なぜならより低くぶら下がった果実があったからで、おそらくその低くぶら下がった果実は摘み取られてしまったということです。そして他方は、まあ臨床試験は本当に高価で、たとえ本当に素晴らしいものを持っていても、実際に市場に出すまでにはまだ長い道のりがあるということです。そして正しくも間違ってもですが、明らかに私たちはそのようなものについてはある程度安全でありたいと思っています。少なくともそうですが、安全に言えることは、コストが劇的に成長したということです。

材料科学でも似たようなものですか？低くぶら下がった果実の枯渇の話をしますか？そして、物事をナイーブに思えるよりも困難にする臨床試験プロセスに類似した何かがありますか？

ええ、絶対に。非常に強い類似性がありますが、もちろん非常に核心的な違いもあります。材料について重要なことの一つは、私たちは人間の体内に入らないということです。まあ、ほとんどは人間の体内に入りません。そこには大きな線引きがあります。実際に入るものもあり、もちろん生体親和性を持たなければならない材料のクラスがありますが、検索空間、検索空間のサイズには多くの類似性があります。

バイオのタンパク質や他のものは大きいですが、材料も文字通り通り抜けることが不可能です。したがって、両方とも大きく、そして全体を通り抜けるという課題があります。私たちが垂直統合と呼んでいるものです。

実際に新しい発見から出発して、それを製造まで押し進めることです。バイオや薬物発見と材料ではそのプロセスに異なるステップがありますが、両方とも同等に同じ程度の時間がかかります。バイオが臨床試験を通過している間、材料はスケールアップと処理を通過しています。実際に実験室で実行したこの小さな反応を取り、それをトン単位でその材料を作る方法を理解するにはどうすればよいでしょうか。それが商業応用や産業で使用できるように。

材料科学の歴史と現在の挑戦

また、異なる使用ケース、そのアプローチを行うための異なるプロセスですが、依然として高いコストが発生します。依然として長いタイムラインがあり、率直に言って、そのプロセスの異なる部分を異なる人々が行っているという断片化が依然としてあります。薬物発見と同じように、新しい薬物の発見に焦点を当てた企業があり、その後大手製薬会社が本当に私が臨床試験の費用を支払うことを考えているかもしれません。私はそのプロセスを通り抜けるでしょう。

そして、あなたがすべてのこのプロセスをまとめると、臨床試験を通過しているか、新しい合金のマイクロ構造を最適化することを心配しているかにかかわらず、これらの両方は時間がかかり、運営して通り抜けるのが信じられないほど高価で、多くの発見が実際の商業応用に普及することを許さない本当に価値のある谷をもたらします。

そして、薬物発見と材料の間には強い相関関係があります。そして私たちが思う違いは、実際に今日材料の内部ではあまり探索されていません。それはRadical AIのような企業にとってまさに機会です。時間の経過とともに、この種のスケールアップとプロセスでより良くなっているはずだと思うでしょうから、興味深いです。薬物発見側では、臨床試験について、まあ、私たちはますます安全志向になっている、ますます官僚的になっている、みんながそのプロセスのすべてのステップでチェックすべきボックスがさらに増えているという話を自分に語ることができます。

そして再び、おそらくある程度は正当な理由のためですが、材料側では、私たちはより良くなっているようです。ワープスピードのようなものはありますか？十分に素晴らしいブレークスルーや十分に素晴らしい市場ニーズがあれば、私たちは1年でこれを行うつもりだと言う能力がありますか？または、その種の焦点とエネルギーが、COVID ワクチンに対してと同じ方法で材料のスケールアップに持ち込めない理由があるのでしょうか。

その質問に答えがあるかどうかにかかわらず、ホルヘは1年未満で行う必要があることをチーム全体に認識させ、私たちの技術はそれよりもはるかに速く進む必要があることを保証できます。いいえ、あなたの指摘について、これは自律実験が信じられないほど重要だと私たちが考える場所であり、詳細に入っていきます。ホルヘは実験結果がAIフレームワークにとってなぜそれほど重要で、なぜ私たちのフライホイールがそれほど差別化されているかを説明します。

しかし、それはAIの観点から発見を行う方法を変えることだけではありません。つまり、私たちが解決しようとしているアプリケーションにより実際に適合したものをどのように推奨するかということです。それらのことですが、私たちは実際に今日の自動運転実験室でより多くの実験をより速く行うことができます。

その高スループット実験を行っているとき、私たちは高スループットで繰り返し何度も何かを実行しているだけではありません。私たちは能動学習アプローチを使用して、私たちが行うすべての実行が、今日人間の科学者が行うのと同じように、最後の実行からの学習を組み込んでいます。そして、私たちがRadical AIで構築しているこの完全自動運転実験室では、私たちは現在1日100回の実験を目標にしています。私が陸軍研究所で材料科学者として働いていたとき、おそらく年間50回の実験を行いました。

そして政府機関からの直接プログラムの極端なケースでは、たとえばMachプログラムのように、年間400回または500回の実験まで押し上げることがあるかもしれません。しかし、それは私たちRadical AIにとっては1週間の研究です。これは実験を加速するという複合効果であり、その後の実験データの巨大な解除鍵であり、Hyはあなたにキックしてエンジンの反対側でそれがどれほど関連性があるかを説明できます。

ええ、つまり実験データは私たちが思う全ての大きな材料問題への大きな解除鍵です。しかし、それは実際に実験を超えて広がります。実際にあなたの質問ネイサンに対して、それはスケールアップから処理、そして最終的に製造まで全ての道のりです。そして大きな挑戦がどこにあるかという質問に答えるために、それは文字通りスケールアップにあります。

あなたは実験スケールで25セント硬貨のサイズの材料から始めて、その物から400ポンドの材料を作ろうとしています。同時に、非常に多くの異なる方法でそれを変更しているにもかかわらず、すべての特性を保持しようとしています。それは実際に本当に難しいことで、たとえば薬物に存在するものとは異なる種類の挑戦です。

そして私たちの信念の大きな部分は、研究レベルで、つまりその25セント硬貨サイズのレベルで実験データを捉えることができるようになりたいということです。私たちはそれらをボタンと呼んでいます。そして、材料をスケールアップし続ける際に、私たちが望む特性を保持していることを確認するために、それを全ての道のりを通して繋げることができるようになりたいのです。

そしてもしそうでなければ、なぜ私たちはそれらの特性を失ったのかを理解しています。私たちは環境的、化学的、またはその他の方法で何を導入してそれらの特性を変えたのでしょうか？そして将来それらを変えないために何ができるでしょうか？それが私たちが追求したい解除鍵の大きな部分です。

では、材料の世界には希少疾病薬のような同等物がありますか？この小さなスケールで作られたが、これらの種類の非常に実用的な困難のためにスケールアップされたことがない一束の孤児材料がありますか？科学者としてジョセフに答えてもらいます。

はい、それはおそらく私たちが行う仕事の大部分であり、それには異なる観点があります。つまり、私たちが出してきた最大の材料のいくつかを振り返ってみると、トランジスタのように、時間がかかっただけかもしれません。そして半導体でのシリコンの使用は、明らかに今日最も話題になり、最も影響力があり、最も使用されている材料発見の一つです。

それはまた、本当に押し進めるのに非常に長い時間がかかり、今日でも指数関数的に増加し続けています。半導体で私たちが押し進めているノードサイズと共にです。そして、それの完全に反対側では、室温超伝導体のようなものがあります。それは新しいアイデアではありません。人々は何十年もそれについて話してきました。

それはおそらく今までに作ることができる最もエキサイティングな材料発見の一つです。それのアプリケーションは本当に信じられないものです。しかし、私たちはその合成プロセスを理解するのに苦労しており、最近の私たちの室温超伝導体LK99の考えでは、私たちはそれを実験的に作ることができませんでした。そして、それは理論と一つの実験から複製への移行でさえありました。

今、ホルヘが言ったことをそのまま取って、25セントサイズで再現できるだけでなく、その場合数百万トンを作るということです。なぜなら世界がそれを大規模に欲しがるからです。それは信じられないほど複雑です。そして、計算発見から実験室でそれを繰り返し作ることまで、全てから死んでしまうものがたくさんあります。

そして、それは製造ギャロップの長いプロセスを踏み、そして本当にそれを産業に投入するステップさえ踏んでいません。その材料はどの製品に最終的に使われるのでしょうか？どのように使用されるのでしょうか？それは非常に複雑なプロセスです。そして、ホルヘの指摘に戻ると、すべてのその情報を捉えて、それを使ってより良い材料、より良い組成、それらの組成からより良い構造を設計できるとき、私たちは今日の発見速度を実際に1000倍、場合によっては300倍、400倍にできると思います。

このカスタマー側面は巨大で、私たちの心の中では本当に大きく、ジョセフが数分前に話していた白いスペースに本当に戻ります。正直なところ、私たちが常に指摘する主要な例の一つはゴリラグラスです。多くの人が知らないのですが、これは実際には1950年代にコーニングの製品として生まれました。コーニングは1950年代、おそらく1960年代初頭にケムコアと呼ばれるものを開発し、それは半世紀の間棚に置かれていました。

2007年から2006年頃まで、スティーブ・ジョブズという男がニューヨーク州北部のオフィスに歩いて行き、「私は携帯電話を開発している。それは世界を完全に変えるつもりだ。私たちの現在の携帯電話はすべてプラスチックスクリーンを持っており、私はアップルだ。私はデザインを気にしている。それは欲しくない。より良い感触で、より良く見える何かが欲しい。私が求めている特性を持ったものが欲しい」と言いました。

そしてコートニーは「あなたは何を知っているか？私は製品を持っており、それはしばらくの間棚に置かれている」と言いました。最終的に彼らはケモアを取り、それをゴリラグラスに変えました。そしてそれは彼らが過去約20年間に作成したすべてのアップル製品に入っています。そしてそれはサムスン、LG の製品にも入っており、この時点でコーニングにとっておそらく最大の収益ドライバーだと思います。

そして、私たちがこの話を愛する理由は、それが本当にある種の概念を暗示しているからです。第一に、私たちは多くの場合、作る材料を本当に理解していません。私たちは彼らの良い特性が何であるかを本当に知りません。そして第二に、私たちは実際に、それらの特性を顧客の期待と価値が存在できる場所にマッピングするために、彼らが何を求めているかを顧客に教えてもらう必要があります。

私たちにとって、その大きな部分は再び、私たちはそれらの顧客の期待を持ち込みたいということです。私たちは材料を設計し、実験とR&Dを行い、最終的にそれらをスケールアップして製造する際に、常に顧客を念頭に置き、常に彼らのニーズを満たすように、それらの価値ドライバーをプロセスの非常に早い段階で持ち込みたいのです。それは私たちにとって本当に重要な部分です。

スポンサーからの一言の後、しばらくしてインタビューを続けます。ビジネスにとって興味深い時代です。関税と貿易政策は動的で、サプライチェーンは圧迫され、キャッシュフローはこれまで以上にタイトです。あなたのビジネスがリアルタイムで適応できない場合、あなたは困った世界にいます。

世界的な出荷から関税の影響、リアルタイムのキャッシュフローまで、完全な可視性が必要です。そしてそれがOracleのNetSwiteです。42,000以上のビジネスに信頼されているAI搭載のビジネス管理スイートです。NetSwiteは多くの理由でナンバーワンのクラウドERPです。会計、財務管理、在庫、HRをすべて一つのスイートにまとめます。

それはあなたに一つの真実の源を与え、迅速な決定を下すために必要な可視性とコントロールを提供します。そしてリアルタイム予測により、あなたは実行可能なデータで未来を覗いています。さらに、全体にAIが組み込まれているため、多くの日常的なタスクを自動化できるため、チームは戦略的な作業に集中できます。NetSwiteは、在庫の管理から国際配送、返品の処理まで、すべてに関する世界クラスの専門知識を持つコマースエキスパートです。AI時代において、実行速度より重要なものはありません。

それは完全なコントロールとカオスを手なずける能力を与える一つのシステムです。それがOracleのNetSwiteです。もしあなたの収益が少なくとも7桁であれば、無料の電子書籍「グローバル貿易をナビゲートする：リーダーのための3つの洞察」をnetsweet.com/cognitiveでダウンロードしてください。それはnetsweet.com/cognitiveです。

フライホイールシステムの詳細

フライホイールについて話すための素晴らしい飛び立ちの地点になるかもしれません。顧客がこれらの問題の一つを持ってあなたのところに来た場合、私たちはマッハ5の航空機を作りたいと。そしてそれを行うために、それはより重くない、あるいはもっと軽くて強く、熱を扱うことができ、おそらく放射線を扱うことができる必要があります。誰が知っているでしょうか？おそらくこの物は宇宙の外縁部に出て行くでしょう。

実際にそれを達成するためにあなた方が入っているループを教えてください。おそらく、そのようなスティーブ・ジョブズの機会、つまり何かがそこに存在しているかもしれない機会がどれくらいの頻度であるかから始めて、どのように行って検索するか、そしてそれが存在する場合、それがフライホイールにショートカットできる場所を知り、そのような物が存在せず、これまで見たことのない材料の仮説を考え出し、その地点から作業しなければならない場合との対比です。

ええ。フライホイールは高レベルで2つの異なるバケットから構成されています。一方にAIエンジンがあり、もう一方に完全にロボット化された自動運転実験室があり、それらが一緒に動作します。ホルヘにAI面から始めてもらいます。それがどのようなものか、あなたの質問に直接関係する特性駆動最適化をどのように行うかについて多く触れ、その後実験について話すことができます。

そうですね。今日科学者が科学を行う方法を考えるとき、実際には画像に入ってくる多くの異なることがあります。顕微鏡から画像を見ています。たくさんの論文を読んでいます。以前の実験からの直感を使っています。おそらく何らかの計算モデリングを行っています。

それは本当に、科学者が最終的に実験を実行したい信頼レベルに到達するために使用するツールセット内のすべてのツールです。そして私たちは、そのすべて、データの観点から作用に入ってくるすべての異なるモダリティを組み込むAIエンジンをどのように作成するかを理解しようとします。モデリングレベルでそこで作用に入ってくる必要があるすべての異なるアーキテクチャです。

そして、この科学的直感の側面の種類は、私たちが捉えようとするもう一つの部分です。したがって、私たちはこれらすべてのものを一つの技術にまとめ、それを問題に投げかけます。そして、ジョセフが言ったように、私たちが特性駆動最適化と呼ぶ方法でそれを行います。これは私たちが求めている特性から始めるということです。

それらは通常、顧客から来ます。つまり、あなたが言及したもののことです。私はこれらの要素のセットを使いたい。私はこの酸化レベルに達したい。私はこの触覚性やこの強度に達したいと。そして私たちはそのすべてをAIエンジンに与え、それをプロンプトし、いくつかの入力も与え、それを動かし、それらの特性に対して成功すると思われる実験を設計させます。

それは、その後ロボット実験室に引き渡すときで、ジョセフに話してもらいます。ええ。そして、これはホルヘの指摘が本当に重要な場所です。彼が言った、あなたの処分で使えるツールをどのように使うかという方法が気に入りました。実験科学者の仕事は何でしょうか？まあ、あなたは多くの仮説を思いつきます。すみません、仮説です。

ホルヘが今言ったように、それらをテストする方法について考えます。それはすべてAI側で起こっています。そして、あなたは実験を行います。実験室で物を作ります。実験室で作った物をテストします。そして、すべての結果を見ます。そして、それはすべて今日私たちの自動運転実験室内で起こっています。

私たちの実験室は、私たちのオペレーティングシステムを通じて、実験アプローチの設計を受け取ります。これが組成です。これが私たちがそれを作る方法です。これが私たちが求めているものです。そして、それはその実験の実行を開始します。そして、私たちは材料を作ります。その材料が出てきます。それは材料特性評価を通過します。

私たちは、私たちが何を作ったかを理解し、本当にそれがどのように見えるかを理解するために、多くの異なる特性評価技術を行います。これは微細構造にとって重要であり、したがって機械的特性にとって重要です。そして、私たちは実際に特性駆動テストを実行します。材料はどれくらい強いですか？材料の応力ひずみ曲線は何ですか？クリープやクラック伝播の下でそれはどのように処理しますか？材料はどれくらい硬いですか？そして私たちは実験室内でそれらの特性テストも行います。

材料特性評価と特性特性評価の両方からこのすべてのデータを収集するとき、私たちは実際に機械学習を使用してこのすべてのデータをリアルタイムで分析します。したがって、私たちはこの情報を取り込み、科学者が行うのと同じように分析することを学ぶ、話すことができるサブモデルの種類を訓練します。

私たちはこの直感を構築し始め、もし私が強度を最適化している場合、粒成長と微細構造の情報に注意を払う必要があるという理解を構築し始めます。私は実際にそれが走査電子顕微鏡や実際にその合金で行う引張試験で進化するのを見ることになります。そして、私たちがこのすべての情報を分析するとき、私たちはそこから洞察を引き出し、それをAIエンジンに能動学習アプローチとしてフィードバックします。この科学者が結果を持ち帰り、「ああ、それが実験番号1の結果だった。今見た結果に基づいてそのプロセスを更新したり調整したりして、実験番号2を実行しましょう」と言うと考えることができます。

私があなたに説明したことを考えてみると、それは人間の科学者が行うことです。科学的方法を変える非常識な新しいものではなく、科学的方法から情報を抽出する方法を変えているのです。

そのプロセスを実行したとき、私はそのすべてを連続ベースのアプローチで行いました。一つのXRDスキャン、一つのSEMスキャン、一つの引張試験を見ました。それらについて考え、次の物を示しに戻りました。私が読んだ論文があったかもしれません。特許データベースを調べるかもしれませんし、調べないかもしれません。

私たちのAI科学者がそのすべての情報を見るとき、それは出版物から引き出している可能性のある何百万ものXRDスキャンにそれらの結果を分析し、比較しています。私たちの実験室で過去の実験結果を行った可能性があります。今日存在する他の実験データセットについてのコンテキストを持っている可能性があります。そして、人間の脳が単純にできない次元で動作する新しい情報に基づいた仮説を作るためにそのすべてを使用しています。

そして、これがフライホイールの力がそれほど影響力を持つ場所です。私が説明したようなAI科学者やAIエンジンだけではありません。そして、私が説明したような自動運転実験室だけでもありません。これらの技術を一緒に組み合わせて、開発と設計だけでなく、新しい材料を作成しテストするこの有利なアプローチを構築するのです。これが、発見において実際に前進し、将来これらの材料をより大きなシステムにスケールアップできる方法です。

実験データの重要性と挑戦

ええ、つまり実験データは私たちが考えるすべての大きな材料問題への本当に大きな解除鍵です。しかし、それは実際に実験を超えて広がります。実際にあなたの質問ネイサンに対して、それはスケールアップから処理、そして最終的に製造まで全ての道のりです。そして、この大きな挑戦がどこにあるかという質問に答えるために、それは文字通りスケールアップにあります。

あなたは実験スケールで25セント硬貨のサイズの材料から始めて、その物から400ポンドの材料を作ろうとしています。同時に、非常に多くの異なる方法でそれを変更しているにもかかわらず、すべての特性を保持しようとしています。それは実際に本当に本当に難しいことで、たとえば薬物に存在するものとは異なる種類の挑戦です。

それでは、材料の世界には希少疾病薬のような同等物がありますか？この小さなスケールで作られたが、これらの種類の非常に実用的な困難のためにスケールアップされたことがない一束の孤児材料がありますか？科学者としてジョセフに答えてもらいます。

カスタマー中心のアプローチ

このカスタマー側面は巨大で、私たちの心の中では本当に大きく、ジョセフが数分前に話していた白いスペースに本当に戻ります。正直なところ、私たちが常に指摘する主要な例の一つはゴリラグラスです。多くの人が知らないのですが、これは実際には1950年代にコーニングの製品として生まれました。

コーニングは1950年代、おそらく1960年代初頭にケムコアと呼ばれるものを開発し、それは半世紀の間棚に置かれていました。2007年から2006年頃まで、スティーブ・ジョブズという男がニューヨーク州北部のオフィスに歩いて行き、「私は携帯電話を開発している。それは世界を完全に変えるつもりだ。私たちの現在の携帯電話はすべてプラスチックスクリーンを持っており、私はアップルだ。私はデザインを気にしている。それは欲しくない。より良い感触で、より良く見える何かが欲しい。私が求めている特性を持ったものが欲しい」と言いました。

そしてコートニーは「あなたは何を知っているか？私は製品を持っており、それはしばらくの間棚に置かれている」と言いました。最終的に彼らはケムコアを取り、それをゴリラグラスに変えました。そしてそれは彼らが過去約20年間に作成したすべてのアップル製品に入っています。そしてそれはサムスン、LGの製品にも入っており、この時点でコーニングにとっておそらく最大の収益ドライバーだと思います。

世界的な出荷から関税の影響、リアルタイムのキャッシュフローまで、完全な可視性が必要です。そしてそれがOracleのNetSuiteです。42,000以上のビジネスに信頼されているAI搭載のビジネス管理スイートです。NetSuiteは多くの理由でナンバーワンのクラウドERPです。会計、財務管理、在庫、HRをすべて一つのスイートにまとめます。

それはあなたに一つの真実の源を与え、迅速な決定を下すために必要な可視性とコントロールを提供します。そしてリアルタイム予測により、あなたは実行可能なデータで未来を覗いています。さらに、全体にAIが組み込まれているため、多くの日常的なタスクを自動化でき、チームが戦略的であり続けることができます。

NetSuiteは、在庫の管理から国際配送、返品の処理まで、すべてに関する世界クラスの専門知識を持つコマースエキスパートです。AI時代において、実行速度より重要なものはありません。それは完全なコントロールとカオスを手なずける能力を与える一つのシステムです。それがOracleのNetSuiteです。

もしあなたの収益が少なくとも7桁であれば、無料の電子書籍「グローバル貿易をナビゲートする：リーダーのための3つの洞察」をnetsweet.com/cognitiveでダウンロードしてください。それはnetsweet.com/cognitiveです。

顧客問題への取り組みとフライホイールの詳細

フライホイールについて話すための素晴らしい飛び立ちの地点になるかもしれませんが、ただその前にいくつかの基礎的理解の質問があります。一つは、LK99の騒動について、私たちはそれを再現する方法を知らないだけで、それはおそらく本物だったと言っているように聞こえました。私は、それが測定エラーのような間違いで、彼らは実際には何も持っていなかったという結論に至っていました。それがどこに着地したかについての分野の最良の理解をどのように説明しますか？

いいえ、あなたが正しいと思います。私が読んだ最も最近のものは、不純物の偶発的な作成でした。硫化銅は、それから出てきたものの一つだったと思います。しかし、私たちはそれを再現する方法さえ知らなかったという概念があります。温度範囲だけでなく、私たちがそれを作っていた容器でさえも、もちろんそれは実験結果に影響を与えるでしょうが、未知で非公開でした。

そして、それは本当に合成の重要性、合成がどれほど挑戦的であるかに入り、最良の例はキッチンの料理人について考えることだと思います。もし私が2人の人に同じ材料を与えてパンを作らせ、一人がパンに切り込みを入れ、スターターを膨らませ、適切な温度と焼き時間で焼いて、最終的に本当に良いパンを作るとします。

そして、誰かがプロセスを急いで30分で1,000度でスピードアップしようとすると、彼らは良いパンを作れないでしょう。それは岩になり、食べるには非常に悪いものになると思います。そして、全く同じ材料、全く同じプロセスです。私は熱を加えるつもりです。切り込みを入れるつもりです。しかし、そこで時間変数と温度を変えるだけで、それから完全に異なる出力が得られます。

LK99が本物かどうか、私は知りません。私たちがそれを決定するために実行した十分な実験結果があるとは思いません。私が知っていることは、提案された合成方法とその方法からの詳細の欠如は、新しい発見として適格ではないということです。なぜなら、新しい発見は再現される必要があるからです。

実験室でそれを作ることができるまで、あなたは新しい材料を持っていません。そして、実験室で作ったものを取り、それをスケールアップできるまで、あなたは新しい商業材料を持っていません。そして、私たちは室温超伝導体でまだそれを行っていないと思います。その材料が存在するかどうか、時間が教えてくれると思います。

魅力的ですね。そして、分野はその瞬間からただ先に進んだのでしょうか？私たちは皆、今他のことをやっているだけなのでしょうか？私たちは集合的にそれを追求したいと思うでしょう。分野は先に進んだかもしれませんが、私たちはその問題について非常に頻繁に考えていると言えます。そして、Radical AIのビジョンについて考えるとき、見てください、私たちが入ることができるビーチヘッドがあります。そうでなければ、材料科学で海を沸騰させることになります。

それは早期段階のスタートアップとして世界のすべての産業に影響を与えます。あなたはそれを行うことはできません。あなたはレーザー集中し、実行に向けて本当に推進し、その後スケールしなければなりません。しかし、私たちの技術が本当にできることについて考えるとき、私たちの材料フライホイールは私たちの最も重要な産業への最大のボトルネックとして材料を除去しようとしています。私たちは人間主導のプロセスからAIと自律性主導のプロセスに移行する世界を構築したいのです。

そして、このアプローチは私たちが有効化材料と呼ぶものを作ることを可能にします。私たちは実際に私たちが販売する産業を作ります。私たちは今日の現在の産業を最適化するだけではありません。ジョブズが今日のスマートフォンや他の製品のためにタッチガラスを作ったのと同じように。

それが長期的に企業の北極星として私たちが可能にしたいアプリケーションの正確なタイプです。そして明らかに、私たちの室温超伝導体は、その膨大なアプリケーションと共に、そのロードマップのどこかに位置しています。あなたが企業について理解すべきことの一つは、私たちが企業を設立した理由は、材料に大きな機会があると思ったからではありません。

つまり、それは確実に真実であり、私たちが追求していることの大きな部分ですが、私たちは人類を前進させる企業を作りたいと真剣に思っていました。私たちは浮遊列車に乗ることができる世界に住みたいです。私たちは実際に別の惑星に旅行できる世界に住みたいです。

私たちは、充電する必要なくニューヨークからボストンまでテスラを運転できるような、基本的であるべきだと思うことができる世界に住みたいです。それらは私たちが利用できるべきで、私たちの世代の中にあるべきだと感じる種類のものです。そしてそれがRadical AIの全ポイントです。

私たちはそれらのことを起こさせたいのですが、材料が常に邪魔をしているためにできません。だから、それが企業の本当の推進力であり、超伝導体はおそらく材料の観点から有効化装置の典型です。それは非常に多くの異なることを作り出し、私たちは作る材料の二次および三次効果について考えるのが好きです。超伝導体から何が出てくるかを実際に予測できないという意味で。

私たちは、それがどのような種類のものを可能にするかを知りません。私たちは、それからどのような種類の製品が出てくるかを知りません。私たちは、室温超伝導体を持つときに世界がどのように見えるかを実際に知りません。しかし、私たちが知っていることは、それが世界を変え、私たちが物事を行い、前例のない方法で技術にアプローチできるようにするということです。それがRadical AIの全ポイントです。

変革的材料の範囲と応用

おそらく、私が意識しているのは、あなたが特定のブレークスルーが与えられた時に世界がどのように見えるかを正確に知らないと言ったばかりだということです。明らかにそれは、誰もスマートフォンガラスからの古典的な例のように、画面に触れるとすぐにUberとDoor Dashを持つことになると即座に知らなかったでしょうというものです。

だから、確実にこれらのことが展開するのに時間がかかることを理解しています。明らかに室温超伝導体は一つです。私たちが今日持っていない特性を得ることができれば、それが大規模な段階変化の解除になるような、これらの種類の正典的なもののうち、どれくらい持っているのでしょうか。

この質問のいくつかの層があると思います。それらのものの範囲は何でしょうか？どの具体的な例が最前線で念頭にありますか？一層下では、今日それらはどれほど正確に明確化されているのでしょうか？これは4%軽くなければならず、そしてある閾値を越えるというようなものなのか、それとも軽い方が一般的に良いというようなものなのでしょうか？そして、私はいつもイーロン・マスクが言うベグス・マスに戻って考えます。

彼がそれを作り出したわけではないと確信していますが、彼がそれについて話しているのを聞いたことがあります。だから、私はまた、人々が彼らの周りの材料世界についてより洗練された方法で考えたいなら、材料がなぜ重要で、それらがより良くなることが材料進歩にどのように変換されるかについての直感を開発できるマス・ベグス・マスに沿った他のものは何かにも興味があります。そこにはたくさんありますが、時間をかけてください。

段階的革新について考える方法はたくさんあります。私が誰もが調整されていると言える材料のクラスがいくつかあります。室温超伝導体、ハイエントロピー合金、超高温セラミックス、CMC、半導体ベースの材料です。これらは人々がこれらの産業と、それらすべてにおいて根本的な影響を推進する新しい材料について考えてきました。

もしあなたが発見し、その答えから本当に気づくなら、それは最終的なアプリケーションに帰結し、私たちはこれがとても重要だと思います。ホルヘが少し前にこれについて暗示しましたが、私たちは真空中でRadical AIで材料を作ることはしません。なぜなら、もしそうすれば、私たちが解決しようとしている問題を実際に知らないからです。もしあなたが学術研究グループや国立研究所や非営利団体であれば、それを行うための素晴らしいアプローチかもしれません。私たちは今日産業に存在する巨大な問題を直接解決するか、将来新しい産業を可能にする手助けをすることによって、人類に根本的な影響を与える材料を作りたいのです。

そして、もしあなたがその観点を取るつもりなら、私が挙げた例のような私たちができると思うことの多くは、まあそれから何が来ることを望むかに根ざしています。あなたの第二の質問に対する汎用性の完璧な例をあげます。これらの材料はどれほど汎用的でしょうか？今日Radical AIの中核的な焦点領域であるハイエントロピー合金のようなものです。

これらの材料は機械的特性、熱特性、そして本当にそれらを一緒にブレンドする能力において本当に信じられないパフォーマンスを持っています。つまり、高温で効果的でありながら、本当に高い強度比を得るということです。どちらか一方ではありません。そして、それは重要です。

そして、これらの材料、これらのハイエントロピー合金は、マッハ5以上の速度で飛行し、非常に高温範囲、非常に高圧で、材料が解決するのが本当に挑戦的な大気中の酸化のようなことを扱っている極超音速アプリケーションのようなものに使用できます。私たちは今日、国家としてその問題を解決するのに苦労しています。

そして、全く同じ材料が実際に原子炉、この電源からの放射線で爆撃されている核融合炉で使用できます。そして、タングステンのような今日の私たちの現在の材料は、長期間にわたってその放射線と侵食に耐えることができません。そして、これらのハイエントロピー合金は本当に選択肢の一つです。アモルファス金属がもう一つの選択肢です。

それはこれらの問題を解決しようとするハイエントロピー合金のサブカテゴリです。汎用性は非常に大きいです。なぜなら、特性がとても望ましく、これらは再び私たちが有効化技術と呼ぶものだからです。これらは5%改善ゲームを解除しているのではありません。あるいは50%改善ゲームでさえもです。これらは今日存在するものより100倍良い、50倍良いものです。そして、これが私たちが本当に興奮することです。

あなたの第三の質問に行き、これらがどのように推測できるかについて考え、非常に定義されたものになります。世界のすべての産業は材料問題を定義できます。もしあなたが運動産業と服飾産業に行けば、彼らは汗を吸い取り、臭いを減らす新しい材料を探しています。そして、今日ルルレモンのワークアウトシャツの中には銀のナノ粒子があります。

だから、それは本当のアプリケーションであり、彼らはそこで最適化しようとしています。そして、もしあなたが次元の正反対の側に行き、先進的な極超音速航空機や宇宙旅行を見れば、彼らは極度の熱をブロックし、放射線をブロックし、巨大な圧力に耐え、材料システムにとって非常に腐食性のある大気中でそのすべてを行う集中的な先進材料を探しています。

異なる問題、それらからの異なる定義メカニズムですが、すべてのそれらの制約をまたぐことができることは本当に重要です。そして要約すると、最適化について考えなければならない本当の中核要因は、最も重要な特性は何かということです。そして、今日材料を定義するとき、それが一つの特性であることはまれです。もしあなたが望むなら考えることができるいくつかの例がおそらくあるでしょうが、それは単一の特性になるでしょう。

私たちは常に顧客から尋ねられます。ええ、私はこの温度と圧力のこの環境でこの機械的パフォーマンスを持つ必要があり、このコストでこのサプライチェーンでです。例えば、防衛や航空宇宙産業の内部でです。そして、あなたは熱膨張だけを最適化しているのではありません。酸化への抵抗だけを最適化しているのではありません。あなたは実際にそのソリューションのコストは何かを最適化しています。

そして、これらの原材料がどこから来ているかで、そのソリューションを採用できるサプライチェーンは何でしょうか？そして、私たちは常に多数の異なる特性にわたってこの最適化を見ています。

そして、そのために非常に多くの異なる組み合わせ、非常に多くの産業、それらの産業の非常に多くの異なるアプリケーションがあり、ハイエントロピー合金のようなこれらの材料が有用になることができます。そして、私たちの意見では、材料科学の内部で解決する問題の無限の量があります。

そして、あなたはワークアウトシャツの銀ナノ粒子を最適化するように非常に具体的に行くことができます。そして、火星の表面に着陸したときに通信や電子機器の問題にならないように放射線遮断シールドを構築するように非常に大きく行くことができます。その間のすべては非常に非常に密集しており、私たちがそれを世界で最大の機会と市場の一つだと思う理由です。

スポンサーからの一言の後、しばらくしてインタビューを続けます。個人的な経験から言えることですが、起業家であることは、威圧的で時には孤独な経験になることがあります。やるべき仕事がたくさんあり、物事がうまくいかないときに頼る人がいないことがよくあります。それは、創設者が技術プラットフォームを慎重に選ばなければならない多くの理由の一つにすぎません。

正しいものを選べば、技術はあなたにとって重要な役割を果たすことができます。間違ったものを選べば、一人で火事と戦っている自分を見つけるかもしれません。Eコマース分野では、もちろん、Shopifyより良いプラットフォームはありませんでした。Shopifyは世界中の数百万のビジネスと米国のすべてのEコマースの10%の背後にあるコマースプラットフォームです。MattelやGym Sharkのような家庭の名前から始まったばかりのブランドまで。

数百の使用準備済みテンプレートで、Shopifyはあなた自身のデザインスタジオを持っているかのように、ブランドのスタイルに合う美しいオンラインストアを構築するのに役立ちます。製品説明、ページの見出し、さらには製品写真を向上させる有用なAIツールで、あなた自身のコンテンツチームを持っているようなものです。

そして、メールやソーシャルメディアキャンペーンを簡単に作成する能力で、フルマーケティング部門があなたの後ろにあるかのように、彼らがスクロールしたり散歩したりしているところならどこでも顧客に届くことができます。最も良いのは、Shopifyは在庫の管理から国際配送、返品の処理まで、すべてにおいて世界クラスの専門知識を持つコマースエキスパートだということです。

もしあなたが販売する準備ができているなら、Shopifyの準備ができています。あなたの側にShopifyでビッグビジネスアイデアをチャチンに変えましょう。月1ドルのトライアルにサインアップして、今日shopify.com/cognitiveで販売を開始してください。shopify.com/cognitiveを訪問してください。もう一度、それはshopify.com/cognitiveです。

顧客問題への具体的アプローチ

それは顧客がこれらの問題の一つを持ってあなたのところに来た場合、フライホイールについて話すための素晴らしい飛び立ちの地点になるかもしれません。私たちはマッハ5の航空機を作りたい。そしてそれを行うために、それはより重くない、あるいはもっと軽くて強く、熱を扱うことができ、おそらく放射線を扱うことができる必要があります。誰が知っているでしょうか？おそらくこの物は宇宙の外縁部に出て行くでしょう。

実際にそれを達成するためにあなた方が入っているループを教えてください。おそらく、何かがそこに存在しているかもしれないスティーブ・ジョブズの機会がどれくらいの頻度であるかから始めて、どのように行って検索するか、そしてそれが存在する場合、それがフライホイールにどこでショートカットできるかを知り、そのような物が存在せず、これまで見たことのない材料の仮説を考え出し、その地点から作業しなければならない場合との対比です。

自動化実験室の仕組み

材料特性評価と特性特性評価の両方からこのすべてのデータを収集するとき、私たちは実際に機械学習を使用してこのすべてのデータをリアルタイムで分析します。したがって、私たちはこの情報を取り込み、科学者が行うのと同じように分析することを学ぶ話すことができるサブモデルの種類を訓練します。

この科学者が結果を持ち帰り、「ああ、それが実験番号1の結果だった。今見た結果に基づいてそのプロセスを更新したり調整したりして、実験番号2を実行しましょう」と言うと考えることができます。私があなたに説明したことを考えてみると、それは人間の科学者が行うことです。科学的方法を変える非常識な新しいものではなく、科学的方法から情報を抽出する方法を変えているのです。

AIモデルの詳細分析

私はこれを多くの異なるレベルで掘り下げたいと思います。まず、AIを開発しているときに、サブモデルのようなものについて言及しました。あなたが持っているモデルの範囲を理解することに興味があります。TwitterでGPT-5から投稿されるもので、このものが最先端の科学問題を考え抜くのに役立ったというようなものをますます見ています。

そのようなもののどの程度がこのフローに入っているかを知りたいと思います。そして明らかに、より専門的なモデルがあり、そこでは多くの異なるアプローチを想像できます。明らかに、特定の原子の周りに何らかの半径を持つグラフニューラルネットワーク構造のようなものをたくさん見てきました。それらが何に接続されているか、より文字通り物理的な方法で物事をモデル化する種類です。

私はまた、多くの異なるものの種類で、異なるトークンをマスクし、モデルに埋めるよう求める興味深い構造も見ました。つまり、化学組成とここに特定の特性があり、私たちがそれをどのように合成するかがあり、それらの詳細を埋めるためにモデルを訓練するということです。

ええ、あなたが使用している異なる種類のモデルの家族のようなものと、それらの入力と出力が何であるかを概説できますか？ええ。私たちは多くの異なるモデルを使用します。あなたが言及したように、原子論的モデリングを行うためにGNNを使用します。生成モデルがあります。

科学文献から情報を理解し、抽出することから、推奨事項の生成まで、すべてを行うためにGPTファミリーのモデルを含む言語モデルを使用します。実験室でコンピュータビジョンを使用します。多くの異なる方法で多くの異なるものを使用します。そして明らかに、それらすべてのモデルの入力と出力は、使用ケースとモデル自体に応じて少し異なります。

しかし、私にとって中核的なことは、材料科学の観点から行われなければならない非常に多くの異なるタスクと物事があるため、私たちは実際に異なる方法で異なるアーキテクチャと異なるモデルを使用しなければならないということです。しかし、私はそれらのどれについてももっと詳しく説明するのが嬉しいです。ええ、お願いします。

つまり、あなたが最も中核的だと考えるもの、または少数のタスクが何であるかさえ、私は確信がありません。つまり、明らかに、少なくとも私の経験では、あなたが「もしこれを非常にうまく機能させることができれば、そこから成功することを知っている」と言うような、常に一つまたは非常に少数のタスクがあります。

そして、あなたがより自信を持っているたくさんの補助的なものがあります。そして、それは効率性と詳細を整理することについてです。本当に中核的なもので、最大の挑戦である種類は何ですか？それらの入力と出力は何ですか？

ええ。私たちが最も自信を持っているのは計算側で動作することです。それがGNNのようなものを使用することです。材料科学の世界では、私たちはそれらをMLIPと呼んでいます。MLIPはたくさんあります。それらはすべて異なる方法でかなり成功しており、異なる方法で動作します。

私たちはそれが戦略の中核部分であることを知っています。私たちはそれらを使用します。多くの人がそれらを使用し、長い間使用してきました。しかし、私たちが賭けを置きたい場所、私たちが本当に大きな差別化要因になると思う場所は、実際に言語側です。私たちは、本当に私たちが試みていることは、そこにある科学的知識の広大な基盤を理解し、それについて推論し、異なるモダリティと異なるツールを組み込むことだと思います。

本当に良い結論に到達するために、仮説を生成し、新しい実験を設計し、それらを実験室に送り、それらの実験の成功と失敗から学び、そこに送る推奨事項を改善するために時間の経過とともに反復し、適応できるようになります。私たちは、中核で言語モデルが本当にこの科学的直感の多くを推進すると思います。良い実験とそれほど良くない実験の長期にわたる推論です。

他のモデルが作用してくると思われる場所は、それらのモデルを補強する種類です。例えば、GNNがLLMによってタップされることを想像できます。それが何らかの不確実性を再確認したり、数千の論文をスキャンしたにもかかわらず、それが持っていない知識の隙間を埋めたりする必要があるため、計算ワークロードを実行するためです。

実験室から出てくる何らかの分析についても同じことが言えるでしょう。私たちは多くのSEM画像を見て、実験室で実行している実験の種類と、それらが微細構造レベルでどのように実行されているかについての直感、理解を更新するために、いくつかのコンピュータビジョンを行いたいかもしれません。それが私たちがすべての異なるモデルを使用する方法の種類です。

しかし、再び、もし私たちが釘付けにしなければならないものが一つあると言うなら、それはこの科学的直感の複製と、最終的に実験になるであろうものの設計です。余談として、人間の直感でこれまで最高だった人は誰でしょうか？人間の能力の天井のようなものはありますか？人々は明らかにジョン・フォン・ノイマンに魅了されています。ジョン・フォン・ノイマンのような人はいますか？

この話が本当かどうかも覚えていませんが、ベンゼンの構造は元々、尻尾を食べているヘビを想像して夢の中で誰かのところに来たと言われています。そして彼らは「ああ、それはリング構造だ」と思いました。私たちはそれからかなり先に進み、私たちの直感を基にするためのより多くの具体的な知識を持っています。

しかし、世界には、何の材料がどんな特性を持つか、または他の誰も知らない方法でそれを成功裏に作る方法を直感的に理解することにおいて、明らかに他の誰よりも優れている人がいるのでしょうか？その人間の風景はどのようなものでしょうか？

ええ、それは素晴らしい質問です。答えは、はいだと思います。私が指摘できる最良の例の一つは、実際に私たちの第三の共同創設者であるハード・シーダーです。彼は、彼は自分でこれを言わないでしょうが、私たちが出て行って言えると思いますが、彼はおそらく世界をリードする材料科学者の一人で、トップ3に入り、最高ではないにしても最高の一人です。

そして彼と話すとき、あなたはただこの感覚を得ます。この男は私たちの残りが知らないことを知っているだけです。彼は、平均的な人、優秀な科学者でさえも困難な物事を理解し、点を結ぶことができます。そして絶対にこの直感を持っている人がいます。

しかし、ハードについて面白いことは、あなたが彼と話し、この直感がどこから来るのかを本当に探ると、彼はあなたのためにそれをかなり簡単に分解してくれることです。彼は「見て、私は40年間これを行っており、私のキャリアを通じて多くの実験を実行したか、多くの学生にそれらの実験を実行してもらい、彼らと一緒に学んできた。または、私のすべての同僚からの論文を読み、彼らが実行した実験を読んできた」と言います。

そして、この科学的直感は、確かに、より良い言葉がないため直感や経験と呼ばれるものの一部は生来のものであることは確実ですが、私たちの残りよりも優れたものになれる才能を持った人もいます。しかし、その多くは実際に学習されています。それは出て行ってこれらのことを行い、何が機能し、何が機能しないかについてのあなたの理解を更新することから学習されています。

そして、それは本当に私たちが捉えようとしているその科学的直感です。ジョセフ、あなたもおそらくこれについていくつかの考えがあるでしょう。よく言われました。科学的プロセスで科学者が使用する学習経験からの情報がとても多くあります。

それがあなたのキャリアの始まりであろうと、20年、30年、40年間取り組んできたものを取り、それを新しい産業に適用することであろうと。彼らはその材料をどのようにテストするのが好きですか？彼らはどの特性を気にしますか？彼らが製造について考慮する必要がある異なる方法はありますか？私は学部時代と博士課程初期の大部分を光電子センサー用の2D材料で過ごしました。

そして、陸軍研究所でフェローシップを取得し、そこに行ってニューロモルフィック・コンピューティングに取り組みました。そして、あなたのジョン・フォン・ノイマンに対して、私は半導体内部のそのアーキテクチャを取り除くことに取り組んでいました。しかし、テスト要件、飽和電流、オンオフ比、導電率、抵抗、私たちが構築していたメモリ状態、すべてのそれらは学習されたものでした。

陸軍研究所に1年いた後、私はおそらく他の科学者の99%よりも、ニューロモルフィック・コンピューティングに直接関係し、イオンゲートチャネルを直接使用している新しい半導体材料をどのように設計するかについて考えるのが上手になりました。そのことでも専門家であった人々のグループがありました。すべて直感と経験からです。

しかし、ホルヘの指摘通り、それは実験研究を通したこの学習プロセスから来ています。そして、それを捉えるのは非常に非常に困難です。実際、私たちは捉えません。陸軍研究所で私が行った1年間の仕事のうち、私が行ったことの90%は「機能しなかった」のです。私たちが常に話すそれらのネガティブな結果ですが、それを記録することはありません。それを捉えることはありません。

ここにジョセフが過去12ヶ月間実行したすべてのEBAMとPVDとALD実験があるというデータセットは存在しません。私たちが外に押し出し、人々と共有した一つの結果材料があるだけです。そして、もしあなたがそれを捉えることができず、それが存在する唯一の場所がここ（頭を指す）で、ホルヘが本当に説明したこと以外にこの直感を構築する枠組みが実際に存在しないなら、それが私たちをとても興奮させることです。

ハードに関するホルヘの指摘について、それが彼が私たちが行っていることの重要な部分である理由の一つであり、私たちが彼に会ったときに一緒にこの企業を構築しなければならないと言った理由です。しかし、これをどのように複製するか？科学的知能をどのように構築するか？英語を知っていて、科学が何であるかを知っていて、周期表と電子軌道と実際に新しい元素や組成を作る方法を知っているというような一般的なものだけではない知能です。

それよりも深く行き、この直感、この科学的知能を構築するにはどうすればよいでしょうか。ええ、私はX特性をターゲットにしているので、これら4つの元素を具体的に使用するつもりです。そして、その特性はそれらを必要とし、私はそれを知っているだけです。AIにそれを教えるにはどうすればよいでしょうか。それを行うのは非常に複雑です。

ええ。そして、これには2つの層があると思います。簡単な側面があります。それは、オーケー、ええ、科学は本当に行うのが困難です。それは非常に遅いです。それは非常に手動です。私たちはそれを記録せず、私たちはそれを自動化すべきで、AIでそれを行う方法を学ぶべきです。

それは人々が取るのに大きな飛躍ではありません。それは明らかなことで、私たちは明らかにそれを行います。ここでのより大きな飛躍と、本当に私たちが追求しているものは、そこにあるエクサスケールのデータセットがあるが、少なくとも過去には事実上捉えることが不可能で、それに到達する唯一の方法は本当に本当に非効率的なプロセス、つまり40年間の学者であることを通してのみということの理解です。

それが私たちがこれらすべての異なることによってボトルネックになっている理由であり、それが最大の問題を解決する材料を持たない理由です。なぜなら、4〜5年のタイムスパンでそれを行うことに拘束されているだけでなく、その4〜5年のタイムスパンで、あなたは本当に一つの領域、おそらく二つの領域にのみ焦点を当てることができるからです。

そして、あなたは非効率的なプロセスであることの上に、あなたができることの量によって制限されているだけです。

データ問題とその解決策

しかし、ジョセフが話したように、私たちはデータがそこにあることを知っています。そして、私たちの信念の大きな部分は、もし私たちがそのデータに実際にタップし、それを良い効率的な方法で使用する方法を理解できるシステムを構築できるなら、私たちがこの40〜50年かかる問題に推進し、それを10年未満に縮小するために機械学習で持っているすべての進歩とそれを結合できるということです。

そしてもちろん、それは材料問題を10年未満で解決することにも変換されるでしょう。それが私たちの信念の大きな部分です。この直感を持っている人々にとって、それはどの程度言語に根ざしているのでしょうか？彼らはそれをどの程度明確に表現できるのか対、それが言語とは根本的に異なる空間にどの程度住んでいるのでしょうか？

なぜなら、誰かが「なぜこれが機能すると思うのか本当に言えない。ただこの方法で行えば機能するかもしれないと思う」と言う場合を想像できるからです。または、なぜそれが機能するのかについて、明らかに非常に機械論的で明確に表現可能な理論を持つことができます。

私の短い化学経験では、正直に言うと、私が意味することから少しより前者でした。そして、私はそこで限られた時間と限られた視点を持っていましたが、私が1年間開発に取り組んだ一つの反応では、明確なメカニズムを本当に持っていませんでした。それは触媒されたパラジウム触媒の炭化水素酸素化を室温またはわずかに暖かい、しかし穏やかな条件で行うものでした。とにかく、誰が気にするでしょうか？

しかし、要点は、私たちは反応中心で実際に何が起こっているかを決して本当に知らなかったということです。私たちはそれについてかなり漠然とした感覚を持っていたので、それは非常にそうですね、たぶん私たちはこれを試すでしょう、たぶん私たちはあれを試すでしょうという種類のものでしたが、正確な明確化なしにです。それはどれほど一般的で、GPTがある意味でこれらのことを起こさせるためにその思考の連鎖を通して進むことができるかどうか、または収集され、学習されなければならない異なるデータのモダリティがあるかどうかに対して何を示唆するでしょうか。

ええ、あなたはそこで答えの一つを取りました。それはデータのモダリティが非常に重要であり、エンジンでそれがどこに入ってくるか、なぜそれが非常に非常に重要であるかについて、ジェイソンが深い詳細に入ることができるでしょう。言語は重要な部分です。あなたが暗示したように、それは言語だけではありません。

科学者は、実験プロセス内で引っ張っている異なるデータストリームから多くを学びます。構造化されたデータではないかもしれないが、実験ツールからまたは実験室の出力からの一つの他のことがあります。それは、より良い言葉がないため直感または経験と呼ばれるものですが、実験を実行する際に持っているデータの形式です。完璧な例をあげます。

これらの2D半導体材料で作業していたとき、私たちは常にフィルムの透明度を探していました。そして、私たちが後で理解した技術的理由は、それらが多層2D TMD材料ではなく、単層2D TMD材料だったということです。そして、それははるかに良い導電率などを推進しました。私たちは最初にそれを知りませんでした。

そして、あなたは光学顕微鏡でこれを見ることができました。私たちは光学顕微鏡でこれを探していませんでした。私たちは透明度の写真を撮っていませんでした。そして、透明度の変化が何であったかを考えていませんでした。私たちがこれらの材料でそのようなより良い導電率を得ている理由について頭を悩ませていたときまではです。それらは同じ材料で、同じ方法で作っています。

そして、それは実際に2D材料分野の専門家から来ました。彼は「ああ、それらは単層フィルムです」と言いました。そして私たちは「何？単層フィルムが何であるかを知っています。3年間単層フィルムで働いてきました」と言いました。しかし、その設定では、単層ベースのフィルムを探すことについて考えたことはありませんでした。

そして、このランダムさ、あなたが有名な科学ストーリーで常に聞くこの偶発的な手順は、このネガティブ結果ベースのプロセスを捉えるのに本当に重要です。

そして、それは機能するものを作ることだけではない、ほぼ別のデータ形式のようなものです。新しいものを予測することを実際に可能にするマルチモーダルデータセットからの直感を使用することだけではありません。それは、人間の科学者が見過ごすであろうが、AIエンジンは決して見過ごさないであろう重要な洞察を持っているかもしれない一回限りのランダムな予期しない結果を探索し、捉えることです。あなたが直感とも呼ぶことができるものの非常に重要な部分があります。

しかし、同様に重要なマルチモーダルデータについても、私たちがその側面で取る巨大なアプローチがあります。ええ。マルチモーダルの側面は巨大です。なぜなら、再びデータはそこにあるという考えに到達するからです。それは非常に多くの異なる方法と形と形状で、非常に組織化されていません。

もしあなたがそれに少しの秩序と少しの清潔さをもたらすことができるなら、あなたは本当にあなたの表現を豊かにし始め、時間の経過とともに本当により良い予測と生成に到達することができます。しかし、ジョセフが話したことに戻りたいと思います。これは機械学習で行うのが実際に非常に困難だと思うからです。

データの分布から効果的に学習するモデルを持っているとき、分布外のことを行うのが非常に非常に挑戦的になります。それは効果的にジョセフが話していることです。モデル全体の目的が、それらのランダムなものが一般的にモデルによって無視される分布から学習することであるとき、どのようにこのランダムさについて行うのでしょうか。

そして、それらは「今、それは分布外で、私はその方向に向かうつもりはない」と言われるようなものです。そして、私たちはそれについて非常に目的的であることについて考えます。私たちは「科学では少し異なる。私たちは常に行う通常のことを行わなければならず、データの分布から学習し、時間の経過とともにそのデータを改善し、より良く、そこに入ってくるデータのモダリティを豊かにできれば、それは良いでしょう。

それは完全に真実ではありません。私たちは新規性と驚きに向けて効果的に価値を置くシステムを設計しなければなりません。なぜなら、それは科学の最大の発見のいくつかが本当に来る場所だからです。それらは、誰もが醜いと思い、見たくなかった化学宇宙の奇妙な隅から来て、見よ、ここにこの驚くべき科学的発見があります。

または純粋な事故の場合もあります。そして、私たちは良いデータの分布から本当によく学習するだけでなく、基本的に勘狩りに行く方法も理解するシステムを設計しなければなりません。勘を開発し、「あなたは何を知っているか、私はそこに出て行ってそのことを追求するつもりです。私は実際にここでより深く行くつもりです」と言う方法です。

そして、私たちがそれについて考える多くの異なる方法があります。ベイジアンアプローチやモンテカルロなどを通して行うある種のランダム化や多様化を行うことができます。ノイズサンプリングを行うことができます。能動学習は私たちにとってこれの巨大な部分です。

しかし、それには別の側面もあります。それは再び、システム自体の基本的な設計が、一日の終わりに科学的直感を捉えることに向けて本当に向けられなければならないということです。なぜなら、それはその非常に重要な部分だからです。そして、それがジョセフが言ったように、10倍または20倍、さらには100倍のスケールで少し奇妙だが追求するものを科学者に推進させるものです。

それは私たちにとって本当に本当に重要です。そして、私たちがそのためにも使用する多くの技術があります。強化学習とそのようなものです。初期の日々で私たちにとって、ジョセフが話していたようなこの捉えられないデータを捉える際に、ヒューマン・イン・ザ・ループも大きな部分です。

だから、通常の「良いデータの分布でモデルを訓練しよう」を超えて、本当に本当に重要だと思う多くの異なる技術があります。ええ、それは本当に魅力的です。つまり、それはある意味でAI全体の中核問題でもあると私は言うでしょう。良くも悪くも、過去をモデル化する地点を越えて、未来を理解できる領域にこれらのものを取ることができるでしょうか。

機械学習アプローチの詳細

ええ。つまり、私はあなたがそれについてより深く入りたい方法でもっと聞きたいと思いますが、あなたが実験し、学習したことを完全に一般的な問題にマッピングしようとしてみます。ベースモデル対RLHFのようなもの対純粋な成功シグナルRLがそれにどのようにフィットするかをどのように見ますか？

人々がそのRLHFの中間地点は人間のアシスタントにとって非常に良く、大きな絵のAI安全性の質問で私を心配させる部分があるようです。それは、私たちを模倣する限り、それらを得ることができるので、私は本当にそれが好きです。なぜなら、私たちがRLで超ハードに行き、報酬シグナル以外何も与えなければ、これらのものが何を学ぶか、そして私たちがどのような報酬ハックに遭遇するかもしれないかについて本当に心配しているからです。

しかし、裏側では、もしあなたが人間を模倣しすぎたり、人間の評価者からあまりにも多くの親指を立ててもらったりすると、おそらくこれらの粗い端の多くを削り取ってしまうだろうと推測します。それは確実にチャットボットから見ることです。人々はベースモデルがより創造的だと言います。特に私が型にはまらないアイデアを得たい場合、私はある意味でそれがより好きです。RHFは退屈になり、RLは再び興味深くなりますが、あなたがその前に置いた問題の種類によっては、時々怖い方法でです。

チャットボット空間からのその様式化された物語に対して、あなたの学習をどのように比較対照しますか？それの多くは確実に真実だと思います。私たちにとってその大きな部分は良い評価を持っているかどうかです。もし良い評価を開発できるなら、それの多くは発見されておらず、それはML側での真の研究であり、これらのものをどのように一緒に持ち込み、同時に安全性や作用に入ってくる他のものを忘れることなく、時間の経過とともにあなたが望む方向にそれらを動かす方法を理解しようとしているからです。

材料科学と化学では重要なことです。だから評価は非常に重要で、私たちにとって正直に言うと、実験室より良い評価はありません。つまり、それは地上の真実としてそれほど得ることができません。良いベンチマークを探しているなら、科学実験室はベンチマークとしてかなり良いです。まあ、私のモデルは実際にそれがするはずだったことを成功裏に行ったか、そして私が本当に保持したかったこれらの他の重要なことの犠牲や犠牲なしにそれを行ったかを理解するのに本当に良い方法です。

だから、それは私たちにとって本当に本当に重要な部分であり、それは私たちが以前に話していたこれらの能動学習ループのいくつかと、重みレベルでではなく、それを超えなければならないので、これらのモデルを更新する方法をどのように賢く組み込むかに私たちを戻します。「モデルを再訓練するつもりです」よりもはるかに動的なプロセスである必要があります。

その上に座り、「ええ、私は物事を始めるために私のモデルを使用するつもりで、うまくいけば長期的にそのモデルを改善するつもりです。しかし、その間、私は適応的で、再び最高級のベンチマークまたは最高級の評価、別名科学実験室から戻ってくる新しい学習に対応できる必要があります」と言う代理的またはエージェント的プロセスが本当に必要です。だから、それは私たちにとって大きな部分です。

そして、私が持ち出したいもう一つのことは、私たちはこれらのモデルがどのように機能するかを理解しようと真に信じているということです。私たちは機械論的解釈可能性に大量の投資をしています。例えば、それが多くのパフォーマンスと多くの利益を推進すると思うからです。

そして、私たちが持っている目標に向けたこれらのモデルの正しい操縦です。そして再び、Radical AIが何をしようとしているか、企業の中核目的について考えるなら、それは人々のために本当に大きな材料問題を解決することです。

そして、もし私たちのモデルが私たちが必要とする方向に行かないなら、私たちはそれらをその方向に動かすことができる必要があります。もし彼らが最終アプリケーションや最終顧客の期待や願いに反することを行っているなら、私たちはそれらのことも抑制できる必要があります。

そして、それは私たちにとって「モデルに渡して、その事をさせて、ブラックボックスでも大丈夫で、時間の経過とともにそのブラックボックスを改善する方法を学ぶでしょう」よりもはるかに遠くに行きます。特に、あなたが以前に持ち出したことの一つに戻ると、これは私たちがタップできる歴史的データセットを持っていないAIの大きな問題の結合の一つです。

英語では、古い本をデジタル化してそれらを持ち込み、シェイクスピアがどのように書いたかについて学び、それから直感や知識を構築することができます。私たちはニュートンのノートブックを持っていません。そして、もし私たちが持っていたとしても、彼らが試みたすべてのもののスクラッチがあるでしょう。

私たちが今日本を書く方法とシェイクスピアが昔本を書いた方法のような直接学習し、転写できる書かれたテキストはないでしょう。そして、もしあなたがその直感を持っていなければ、私たちはその理解さえ持っていません。それをインデックス化する方法について考えるのが本当に困難になります。

そして、あなたはソフトウェアでこれを見たと思います。最高のソフトウェアの多くがプライベートであるところです。だから、多くのコーディングエージェントは訓練するためにオープンソースのものを使用し、それは本当に良いソフトウェアがどのように見えるかを学び、それを効果的な方法で利用できるため、本当に良くなりました。

オープンソースの科学コミュニティはありません。出版からのオープンソース科学があります。そして、私が意味するのは、ああ、これらは彼らの実験ノートブックの出版にオプトインした、購読したすべての科学者ですというマルチミリオンデータポイント実験セットがないということです。

私たちはそれさえ持っていません。GitHubリポジトリを引いて、オーケー、これがプロの技術者がコードを書く方法です、これがそれが組織される方法ですから学ぶことができるような構造化されたデータは言うまでもありません。私たちはそれを行うことができません。

だから、もしあなたがそれをホルヘが話したことの上に重ねるなら、私たちのモデルがどの方向に行くかを知ることは本当に重要です。そうすれば、私たちはそこに入って科学者をより良い発見に推進しようとすることができます。なぜなら、ローリーが言ったように、私たちの目標は人類に根本的に影響を与えるより良い発見だからです。

わずかに改善された新しいものを生産したり推奨したりすることだけではありません。それは企業の北極星ではありません。私は確実に一秒でメカニスティック側に入りたいと思います。元々私たちを紹介してくれたGoodfireのCEOエリック・ホーにもシャウトアウトします。

データの制約と課題

しかし、おそらく最初にデータについて、あなたは数回データが制限要因だと言いました。そして、AIの進歩の聖なる三位一体、データ、計算、アルゴリズムのことは知っています。いくつかの特殊化されたモデルを見ていて、それらがどれほど小さいかに驚きました。場合によっては3000万パラメータのようなもので、本当に大きなものよりも桁違いに小さく、おそらく4桁、場合によっては5桁も小さいです。

それは、データが不足していることを反映しているのでしょう。そうでなければ、より大きなモデルを持っているだろうと仮定します。その未来のデータはどこから来るのでしょうか？あなたは歴史を持っていないと言いました。私はコンピュータ使用エージェントへの類推も少し考えていました。

私は何度も言及しましたが、まだ誰も私にコンピュータの使用を見るために私に支払うために前に出てきていません。だから、私は「なぜ誰も月100ドルか何かを提供して、私のコンピュータに何らかのオブザーバーをインストールしないのか」と思っています。そして、私はあなた方にとってどのようなものかを少し疑問に思っています。

異なるXMがあるかもしれません。それはあまりにも乱雑すぎるか、それは手間に値しないかもしれません。だから、私があなた方のために念頭に置いていたデータソースは、一つは文字通り行って大学院生にお金を払って、彼らのノートブックをデジタル化させることです。

私はそれがどのような相場になるかわかりません。お金に興味があるであろう大学院生です。そこにIP懸念があるかどうかわかりません。だから、それは起こったのでしょうか？なぜそうではないのでしょうか？それから、多くの小さな力予測の種類の中核にあると理解している直接的なシミュレーションデータがあります。

原子の集合の進化における次のタイムステップは何かということです。それは計算に大量投資してデータを得ることができる一つの方法ですが、それがどのようなギャップを残すかもしれないか、またはそれがどこで不足するかについて確信がありません。そして明らかに実験室は最終停止の種類です。おそらく私は異なるカテゴリも見逃しているでしょう。将来これらの異なるタイプのデータからの貢献のポートフォリオはどのようなものだと思いますか？あなたは最終的に、私たちの進歩がこれらの自律ファクトリーをいくつ構築できるか、1日にいくつの実験を実行できるかによって制限されるような種類なのでしょうか？それとも、その種のファクトリー構築を通らない財政資源を進歩に変換する他の方法がありますか？

ええ、つまりデータは常に制限要因になるでしょう。確実に私たちの分野では非常にデータ限定的ですが、一般的に言えば機械学習のすべての領域でデータがあなたの成功の最大の推進力になると主張するでしょう。もしデータ側でハードルを越える方法を理解できるなら、あなたは良い場所にいるでしょう。

モデルの改善は役立つでしょうし、確実に計算へのアクセスと計算でより多くのことができることも大きな部分です。しかし、もし誰かにそれら3つのそれぞれの間で選択するよう求めるなら、彼らはほぼ普遍的に「ええ、データをください。一日の終わりにデータをください」と言うでしょう。そして私たちにとっても同じことが言えるでしょう。

ジョセフはおそらくデータの組み合わせと、私たちにとってそれがどこで作用してくると思うかについて答えることができるでしょう。はい。データの組み合わせよりもさらに困難です。なぜなら、それはすべて構造化されていないからです。実際にラベル付けさえされていません。もし今日北アメリカのすべての実験ノートブックにアクセスできるなら、それは素晴らしいでしょう。

ちなみに、もし誰かが提供しているなら、私たちはそれを取ります。ええ、私たちは取ります。まさにその点について、私たちは常にデータを取るでしょう。そして、おそらく私たちはそれらのノートを書いた全員と座り、彼らが何を書いたか、それが何を参照しているかを理解するチーム全体を雇わなければならないでしょう。

一般化された簡単なことでさえ、X線回折ツールを実行するようなことでも、ピークは意味があり、人々は彼らの研究のためにそれらを私たちが解釈するのとは異なって解釈するかもしれません。アモルファスベース材料を行っているとき、私たちは結晶構造がないことの確認としてXRDを使用しています。私たちは関連データを探してさえいません。

だから、もしアモルファス材料で働いたことがない誰かにそれを与えたなら、彼らはおそらく「ここにピークがない。私は理解できない。これは私にとって無関係です。XRDを学習するモデルを訓練できません」と言うでしょう。しかし、結晶構造がないため、アモルファス行動を学習するものを訓練することはできます。

おそらくそれは非常に技術的な例ですが、非常に重要です。もし私たちがこのすべてにアクセスできたとしても、それはラベル付けされていません。組織化されていません。構造化されていません。あなたが働いている分野に基づいて、非常に異なる方法で解釈されています。そして、そのほとんどはデータの一部にすぎません。

例えば、私は反応の途中でタイムスタンプをいつも書き留めていました。なぜなら、いつ始めたかは重要ではなく、いつも温度を下げていたからです。私は途中で温度ノブを切り、冷却を制御できませんでした。だから、実験の終わりまで冷却にかかった時間は無関係でした。

だから、私はタイムスタンプを1分、1分6秒、1分4秒、58秒で与えました。私たちの実験室で同じ実験を行う私たちにとってそれは何を意味するでしょうか？それらは関連するメトリックかもしれませんし、そうでないかもしれません。

もし私があなたに座って、ああ、それは中間点で、私はその点で正確に温度を切ったと言うなら。まあ、今度はもちろん、そのデータは私たちが試みていることにより関連性があります。しかし、材料におけるこの挑戦は、マルチモーダルであるだけでなく、どこにも捉えられていないだけでなく、ホルヘが言った地上の真実のベンチマークにとって本当に重要であるだけでなく、私が今言及した3つのことすべてが存在していたとしても、それを使用できるように構造化され、注釈付けさえされていません。

そして、このデータ問題は実際に産業全体を刺激すると思います。私たちはそれを回避する方法について多くのアイデアを持っており、それに飛び込むことができます。そして、材料科学者として私が生産するデータ出力を理解する科学者側から、それ自体が材料科学内部でかなり大きな挑戦です。

コンピュータ使用側では、それが行われていない理由の一つは、おそらくあなたが説明していることに類似しているからかもしれません。それは、任意の時点で、私がコンピュータを使用しているときに何をしようとしているかさえ即座に明確ではないということです。だから、あるべきかおそらく必要であろう種類がありそうです。明らかに推測することはできますが、人がタブからタブに行くときに何が起こっているかという内的独白の種類も捉えることができれば、大きく恩恵を受けるでしょう。

あなたがここで何をしようとしているかについて。だから、それは一般的だという点を取ります。そして、私自身のあまり良く文書化されていない、またはあまり整頓されていない、または徹底的でないノートブックノートを振り返ることができます。そして、そこで品質をどのように判断しますか？

もし私の祖母がコンピュータの使用を記録し、あなたが記録するなら、私は彼らが異なるだろうと望みます。彼らが異なるだろうと思います。偉大でないコンピュータユーザーと偉大なコンピュータユーザーを線引きするものをどのように決めますか？今、それを科学の主観的分野に持ち込みます。

私は良い科学者でしたか、悪い科学者でしたか？まあ、私の上司と私が一緒に働いていた人々は私が素晴らしかったと思っています。分野の他の科学者は私がひどかったと思うかもしれません。私はそれらの実験を試さなかったでしょう。私は全く異なる方向に行ったでしょう。モリブデンを使ったことは決してなかったでしょう。代わりにタングステンを使ったか、特性が何であるかによります。

だから、誰がその基準を設定しますか？誰がそれがどのように動くかを決定しますか？材料科学内に非常に多くの異なる分野があるとき、どのようにそれを構築し始めることができますか？すべての単一の基準やベンチマークは異なります。データに注釈をつけることだけでも出てくる深い問題があり、答えるのが本当に困難です。

そして、コンピュータの例では、私はそれにどのように答えるかわかりません。私は一般的に、まあ、非常に熟練して動き回り、すべてのアプリケーションがどこにあるかを理解し、タスクを迅速に完了できる人と言い始めるでしょう。しかし、誰かがメールに行き、新しいメールを開き、それを新しいタブにポップアウトし、どこかに行き、ノートアプリでそれを書き、それをコピーし、Gmailのメールボックスに貼り付けるとしたらどうでしょう。

オーケー、まあ、私はそれをしないでしょう。そのようなものは、メールを書く最も効率的な方法ではありません。だから、それをどのように線引きしますか？おそらく誰かがそれが何であると主張するでしょう。ああ、私はメールを送るときにあまりにも多くのエラーを犯します。最初にGrammarlyがインストールされたノートでそれを書き、チェックしなければなりません。

誰が正しいですか？だから、データを分類したり、ラベル付けしたりする中にもそのような曖昧さがたくさんあります。それは本当に指数関数的な問題になるだけです。

ええ。私たちが当たっているのは、最高価値のデータが実験室ではなく、実験設定から出てくることが非常に明白だということだと思います。それでも、それはまた最大の挑戦がある場所でもあります。データにアクセスを得て、それを調整され、クリーンな方法で行うのは本当に本当に困難で、高価なことは言うまでもありません。

そして、それが私たちがデータを持たない理由です。人々が実際にこれらのデータセットを構築するのを見たことがありません。なぜなら、それを行うのがとても困難だからです。そして実際に、方程式の反対側に反転すると、計算側では、まあ、それは実際にはるかに簡単です。そして、そこでデータセットを開発するための主要な主要な押しを見てきました。

しかし、私たちの大きな考えは、見て、それは問題の10%程度しか解決しません。あなたはそこにいません。そして、それは再びこの直感のためです。まあ、私たちは最高値がとにかく実験室にあることを知っています。それに到達するのが本当に困難なだけです。

そして、確かに、計算データは重要で、私たちに役立ち、私たちもそれを行うつもりです。しかし、私たちは本当の大きな絵をここで見逃している種類です。それは実験室を理解しましょうということです。実験データを得る方法を理解し、私たちがすでにかなり得意になっている計算的なもの沿ってそれを組み込みましょう。

そして、それは本当に物事を前進させるものです。それが私たちがここで本当に試みていることです。そして、もしあなたがそれを行うなら、追加する価値があることは、あなたは実際に私が持ち上げた問題を制御します。それはもはや構造化されていません。それはもはやコンテキストを欠いていません。それはもはやラベル付けされていません。それらすべてのことが現実になります。

そして、私たちはデータセットを構築しているだけでなく、実際にデータセットを使用することができます。そして、それら2つのことは、ホルヘの指摘で、本当に新しい材料を開発することで信じられないほど効果的です。

検索空間の広大さと自動化の挑戦

ええ、それは本当に興味深いです。あなたは以前に検索空間が広大だと言及しました。検索空間の広大さについて私の直感を開発することを手助けできますか？どのくらい多くの異なる次元があるか、またはその中に種類の大きな分岐があるか、あなたが思考プロセスを通って進むときに理解することが重要な道の分岐点があるか、または最終的に明らかに材料開発プロセスがあるかについてです。

そして、実験室自動化の能力を構築するにつれて、今日効果的に探索できるその空間のどのくらいがありますか？私たちはまだそれを自動化できない部分があります。それはまだ100年前の私の家の配管を自動化できないからです。そして、再び、私は化学のことをしている記憶があります。

私が大学院生の指導者で観察したことの一つは、この男は確実に特定のことを非常に直感的な方法で行う方法を知っているということです。私は知らず、確実にその時にロボットは持っていませんでした。あなたが自動化できることの最前線を押し進めることについて考えるとき、その一部はある時点で単なる水平構築で、より多くのスループットを行うことですが、おそらく自動化されていない特定の種類の実験や反応やその他のものの最前線もあり、それが自動化可能になります。

再び、あなたが望むだけ時間を取ってください。この空間の広大さと、私たちが探索できる部分、または探索できない部分をどのように説明しますか？実際に入って適切に探索できるようになるために、自動化を前進させると思う最前線は何でしょうか？

はい、それは信じられないほど広大な検索空間です。それは不可能です。すべての単一の潜在的組み合わせをテストするつもりだと考えるのは非現実的です。私たちは企業について話すときに常にエディントンの数と呼ばれるものを参照します。私は宇宙で観測可能な原子が10の80乗だと信じています。そして、それが潜在的組み合わせに使用する数です。

具体的には私たちの領域である合金のようなものに入ると、周期表上で新しい合金開発に使用するであろう要素が60程度あります。そして、もしあなたが5つの要素を取り、それを使用するなら、それは5つの周りと500万とちょっとの開発できる潜在的組み合わせのようなものです。

そして、それはそれらがすべて等しくバランスされている場合です。つまり、その合金内で20、20、20、20のパーセンテージを意味します。私の知る限り、そのように等しくバランスされた合金はありません。そして、各個別要素内で、もちろん0から100%があります。

そして、最適化したい小数点以下何桁でも。そして、それは大規模です。私たちが常に説明する方法。それは地球のサイズの信じられないほど大きなビーチでの一粒の砂です。それがあなたが新しい合金や新しい材料を探しているときに本当に特定し、見つけようとしているものです。

それより少し大きなスペースもあると思います。誰もが追跡し、どれほど大きいかを考えているタンパク質が一つ挙げられると思います。10の130乗程度だと思います。そこでの検索空間です。それはおそらく複数の地球や複数の宇宙にまたがる一粒の砂です。おそらくそれは巨大です。

私たちは、それが材料にとって巨大な利点だと思います。うまくいけば、より大きなビーチ対私たちのビーチで何かを見つける可能性が実際により高いのです。しかし、それは本当に大きいです。そして、オーケー、その大きな数を取り、実際に物事をテストし始め、実際にオーケー、どのように発見に向けて推進するかに到達するときについて考えるとき。

まあ、最初は検索空間をインデックス化することで、そのすべてがAIエンジン内にあり、試したい最高の材料を除草し、フィルタリングするために実際にどのように特性駆動最適化を行うかです。そして、実験側での挑戦について考えるとき、それは本当に材料ツール自体です。

それは私たちが構築するローバートラックである私たちの材料ハンドリングシステムのようなロボティクスや異なる自動化システムではありません。科学実験を実行するために必要なツール自体です。それらの企業は非常に長い間存在しています。25年、50年、75年、100年です。

それらは何十年間も人間によって操作されてきました。だから、それらは自動化を考慮せずに完全に人間の科学者を中心に構築されています。そして、ソフトウェアでそれらのツールを駆動する能力は、場合によっては存在しないか、存在する場合には何らかのインターフェースがあり、あなたが駆動できる作動において非常に非常に制限されています。

あなたはツールから出力を得ることができるかもしれませんが、制御できません。ターボポンプを制御できません。熱源を制御できません。真空チャンバーやチャンバー内の圧力を制御できません。したがって、自動化の観点から効果的なツールをレンダリングします。

だから、自動化面での私たちの時間の多くは、既存のツールインフラストラクチャを取り、それらを自律的にする、ツール自体が自律的な方法で動作できるようにする方法に費やされています。私たちは多くのカスタム開発を自分たちで行います。実験室には材料ツールを中心に完全にカスタム設計された複数のツールがあり、それを自動化するためです。

私たちは企業と協力します。私たちは一緒にカスタムツールを構築したい企業との複数の進行中の会話があります。だから、それは外部の自動化を取り、ツールの実際のエンジニアリングと設計に持ち込むことです。そして、自動化の欠如から、または企業によって一から押し出されるであろうと私たちが思ういくつかのツールがあります。なぜなら、それらが構築された方法が完全に人間駆動だったからです。

そして、私たちの実験室には今日、非常に非常に機械的な方法で構築された例があります。つまり、人間がスイッチを反転させ、ノブを動かし、ダイヤルを回すということです。それらのことは、今後10年間で置き換えられると思います。そして、出てくるこれらの新しいツールです。だから、実験設定から、私たちの努力の多くは、今日の既存のツールを取り、それらを自動化することに費やされています。

覚えておいてください、Radical AIは材料ツール企業ではありません。私たちはXRDを販売したくありません。私たちは材料を販売したく、企業やベンダーと協力し、その作業の多くを自分たちで行います。それが実験側でそれを行う方法です。

AI側では、検索の質問は挑戦的です。なぜなら、私たちは組み合わせベースのアプローチを行わないからです。私たちは組み合わせベースの科学が十分な価値を推進したとは本当に思いません。私たちは再び、この能動学習コンポーネントを持ち、多くの異なるツールを使用し、そこで生成するこの特性駆動最適化に向かって動きます。

ホルヘは、あなたがそこを望むなら詳細に入ることができますが、私たちは試すために新しいシステムを生成することにおいて私たちの意見では新しいアプローチを本当に取ります。その大きな側面は確実に能動学習の側面ですが、この種の宇宙の中でさえ、私たちが使いたいかもしれない何十もの要素があり、それについてどのように行うかということのうち、それの一部は消えるだけです。

例えば、もし私が重量について本当に本当に気にするなら、私はアルミニウムを使用するつもりはありません。だから、アルミニウムを除去することができます。だから、これらのことのいくつかは自然に縮小し始めます。それでも、非常に非常に非常に大きな数で終わります。

そして、あなたが能動学習ループに到達するまでに、本当に良いものを実験室に送っているように、その軌跡に沿ったすべてで複数の問題を解決できる複数の機械学習モデルを持つ必要がある理由です。そして確かに、あなたはそれらを正しい方法で作る方法を学んでいます。

しかし、うまくいけば、あなたが実験室に送るものは始めから既に良いものです。それについてもう一つの簡単なフォローアップがあり、その後行く多くの異なる興味深い方向があります。推論時間スケーリング法則のようなものにタップできるものがありますか？あなたが10倍多くの実験を実行するか、シリコンで10倍多く実行するような種類で、それについて考える多くの異なる方法があると思います。

私たちはこの望ましい特性を持ち、入力に関するこの制約を持ち、私に多くのプロトコルを生成してください、または私に余分な、私が何を持ってそれを行うつもりかを生成してください、またはその他のもの。それは多くの異なる推測を持つことができます。モデルの10倍多くの使用、10倍多くの計算が特定のより高いヒット率に変換されるという種類の既知の関係がありますか？

そして、それは材料の損失景観とどのように関係しますか？もし私がかなり良いが完全ではない特性を持つ材料を思いつくなら、それは私がその特定のものの周りの非常にローカルな空間を探索し、より良いものがあることを期待し、勾配降下で私の方法を見つけることができる近くにいることを意味するのでしょうか？

または、私は材料空間に奇妙な不連続性がたくさんあるかもしれないと想像することもできます。そのため、特定の方向に一歩踏み出すと、完全に異なる特性体制にいるかもしれません。

ええ。つまり、どの段階にいるかに関係なく、常にこの探索と活用の会話が作用に入ってきます。あなたは再び何兆、何兆もの異なる原子システムについて話している純粋に原子論的レベルにいる可能性があり、そこで探索と活用をしたいでしょう。その広大さを探索し、かなり良いと感じるものを見つけたときに、狭めてそこで深く行きたいでしょう。

そして、梯子を下りて最終的に実験室に入ると、何度も何度も同じ質問になるでしょう。そして、その大きな部分は、各層でそれを少し異なって行う必要があるということです。なぜなら、あなたがどこで活用すべきかを理解するために答えようとしている質問のタイプが実際に異なるからです。

原子論的レベルで答えようとしていることは、まあ実験室で何を合成すべきかという点で非常に非常に異なります。それらは関連していますか？100%です。それらは絶対に関連していますが、それらは異なる質問のセットであり、それらを頑健で健全に答えるために異なる技術を持つ必要があります。そして、それは推論時間とそのすべての種類のものの観点で私たちが常に何度も何度も行っていることです。

つまり、一般的に私がそれについて考えるのが好きな方法は、もしあなたが実際にRadical AIを忘れ、機械学習を忘れ、自動化を忘れて、「ヘイ、科学者として、私の頭の中で多くのことについて考え、多くの仮説を思いつき、自分の頭の中でそれらを狭め、おそらくいくつかの走り書きで、おそらく少しのモデリングを行い、その後実験室に歩いて行くのが意味があるでしょうか、それとも実験室にまっすぐ行くべきでしょうか」と言うだけなら。

どちらが最良の結果をもたらす可能性が高いでしょうか？おそらく前者でしょう。そして、同じことが当てはまり、適用されると思います。再び、科学は常に論理的合理的な方法で機能するわけではないことを常に念頭に置かなければなりません。作用に入らなければならない自然な程度のランダムさと反直感があり、それを忘れることはできません。

私たちはこのアイデアを念頭に置いてすべての単一システムを設計しなければなりません。私たちは一般的なルールに従わなければなりませんが、それらを破ることもできる必要があることも理解しなければなりません。そして、すべてがその中核思考プロセスを中心に設計されています。

しかし、あなたの質問に答えるために、もしシミュレーションでこれらのことのいくつかをオフロードできるなら、それは自然に多くの意味があり、私たちはそれを行うでしょう。プロセスに沿った異なる段階で異なる方法でそれを行う必要があるだけです。

能動学習についてもう少し話せますか？つまり、私たちにはこれらの少数ショットプロンプティングタイプのものがあります。再び、テスト時間訓練があります。人々がこれを押し進めようとしている多くの異なるパラダイムがありますが、再びこれは中核的な質問の一つのようです。

私たちは本当に彼らを、真に分布外である新しいデータを取り、そのことで効果的な更新を行うことができる場所まで乗り越えさせることができるでしょうか？それを機能させる方法についてもう少し何を教えてくれますか？

ええ、私たちはすべての段階で再び能動学習を行います。原子論的レベルで能動学習を行い、それは実験室で行う能動学習とは異なりますが、推奨事項を改善し、次の段階に移るにつれてより良く、より良くなる可能性を改善するために常にそれを行います。

原子論的レベルでは、不確実性に関するいくつかの能動学習を行っているかもしれません。そして、力に関するこれらの推奨事項を生成しようとしているかもしれませんが、あまり良い感じがしない場合、いくつかのDFTを実行し、原子論的レベルで私たちがどのように予測を行っているかについての理解を更新するかもしれません。実験室では、それは完全に異なることです。しかし、私たちは依然として能動学習を行っています。

私たちは実験を実行し、ああ、何を知っているでしょうか？たくさんの文献をスキャンしたにもかかわらず、これらすべての計算を行ったにもかかわらず、圧力と温度が今日少し異なることを実際に理解していませんでした。そして、私たちは実際にその次の実験実行のためにそれを更新する必要があります。そして、私たちは常に能動学習を行います。

そして、それは主に科学が完璧なティーまで予測可能であるとは必ずしも限らないからです。それは実際に多くの異なる方法で変化します。そして、それは2つの主要な側面に関するこの中核的なことに戻ります。第一に、私たちはただデータを持っていません。それはそこにありますが、私たちは本当にそれを持っていません。

そして、より多くのそれを得ることができ、良い方法でより多くのそれを得ることができるほど、私たちがそのプロセスを通して成功裏に移動する可能性が高くなります。しかし、第二に、より大きな発見に私たち自身を開くために、私たちが傾かなければならないある程度のランダムさが常になければならないことを決して忘れません。

そして、私たちは道のりのすべてで能動学習を行います。私たちは、それが科学で自然に起こる過程の重要な部分だと思います。そして、もし私たちが科学を行う方法を複製し、改善し、拡大しようとしているなら、私たちはそれをその中にも含めなければなりません。

ええ、それは最近の中核的なものです。だから、私たちは過去の分布を学習する際にはかなり遠くまで来ました。だから、これは驚きを受け入れ、それに応答して本当に正しいことを行う方法です。それは解釈可能性の観点ですべての領域において中心的です。

少し前に、ジョセフ、あなたは老練なベテランの話をしました。彼は「ああ、それはあなたが持っている単層フィルムです。それがなぜそれが起こっているかです」と言いました。そこでちょっとしたハックミーストーリーを語るために。私が正しく理解していれば、あなたは理論なしに、透明に見えるときはそれが良いようだということを実現していたヒューリスティックに勾配降下で道を見つけたようです。

そして、今日の多くのモデル、確実に少なくとも言語モデルレベルで考えることは、パターンを学習したが、基礎的な法則を本当に理解していないこのヒューリスティックゾーンで動作しているようです。そして、その後、そのベテランが入ってきて、「ああ、まあ、私はその状況を理解しており、私はあなたに単にではなく、私はあなたにあなたの直感が実際の物理学に根ざした何かで価値を持つ理由を実際に言うことができます」と言うことができます。

私は基本的に、私が言うことができる限り、モデルでそのようなことの多くが起こっていると思います。私は常にOpenAIからの元のグロッキングペーパーを思い返します。そこでは、ヒューリスティックを本当に速く得ることができます。訓練セットを本当に速く記憶することができます。その元の実験で実際にグロッキングを行い、モジュラー除算を行うアルゴリズムを本当に実装するのに桁違いに長い時間がかかりました。

そして、何が起こっているかを知るために解釈可能性が必要でした。それはまだ推測しているだけなのか、それとも私たちがこの問題を解決することを信頼できる実際の正しい方法を持っているのでしょうか？私たちは、それがすべての見えない場合に実際に機能することを確信できるでしょうか？

だから、どこにいるのでしょうか？モデルがどこにあるか、そしてこれらのグロッキング曲線でモデルがどこにあるかについての感覚を持つために、この時点で解釈可能性をどの程度行うことができたかについて考えます。どのくらいの時間、明確な理解を反映しないヒューリスティックであるものを取得していますか対、実際に何らかの特定の領域で原理的であることを指摘し、実証的に実際の理解があることを言うことができるものがありますか？

私たちが非常に明確で決定的な理解の感覚を実証的に指摘できる場所にいるとは言いません。私が言うであろうことは、私たちが作業しているモデルに応じて、これのさまざまなレベルを見るということです。そして、それは明らかに記憶の兆候を見る場所のほぼ逆のようです。明らかに幻覚やそのようなもののようなものの兆候も見ます。

そして、逆を見ることができるという事実は、その反対側にも到達する方法があるべきであることを意味すると思います。そして、これが私たちが解釈可能性がここで大きな役割を果たすことに非常に強気である理由です。これらのモデルが材料問題の豊かな表現を実際に開発でき、したがって、そのモデルを活用し、正しい方向に操縦する方法を学ぶことができる現実的な世界があると思うからです。

しかし、私たちがまだ何らかの証拠やそのようなものを持っているとは言いません。ええ。そして、科学者の観点から私が追加したい一つのことは、これが私たちがエリックとGoodfireチームと協力することに興奮した理由の一つです。これは光学顕微鏡でフィルムの透明度を見て、その透明度を見るような私が知っているかもしれないことを解明しようとするこの潜在的能力です。

私たちの発見に影響を与えるかもしれないものを実際に私は知っています。もしあなたが以前に私に尋ねたなら、私はそれを探すことさえ決して言わなかったでしょう。そして、機械学習の世界から、ベースレベルのように、科学レベルで、私たちは影響を与えるかもしれない捉えることができるヒューリスティックのどの領域を探索できるかを完全に知っているとさえ思いません。

そして、場合によってはそうでないかもしれません。それらが効果的でない世界がおそらくありますが、おそらくそれは転送可能です。そして、おそらくそのプロセスから学ぶことができる何かがあり、あなたが使用する異なるヒューリスティックに入ってくるものがあります。そして、人間の科学者として科学レベルで考えると、これがGoodfireと解釈可能性とこの概念が私にとってとてもエキサイティングな理由です。

AIがそれらのヒューリスティックが何であるかを教えてくれるかもしれないこの能力、非常に単純化された句の欠如のために、そして実際にあなたが決して推測することができないであろう異なる結果を推進するためにそれらを使用することです。数字、その重みとバイアスがあります。

人間のバイアス、人間の観点をそれから取り除き、それは数学と基礎的なモデルだけであるという方法で。それは私にとって本当にクールな概念です。おそらく理論では、異なるタイプのシミュレーションを行うことができるこの選択性を持つことができるということで、科学でそのようなことをあまり持ったことはないと確信していますが、確実に実験では制限されており、純粋に科学的観点から、機械学習の雑草に深く入ったり、それが何を意味し、モデルにどのように影響するかからではなく、それらのモデルの出力は何か、解釈可能性が私に何を与えるかから考えると、それはその探索において非常に無限である非常にクールな概念だと思います。

そして、私たちはJが言ったように、それが今後2年から5年間で科学全体にとって本当に重要な分野になると信じています。材料科学ドメインで何らかの第37手のようなものがありましたか、または代替は、多くのただの粉砕作業をより速く行い、そうでなければ起こり得なかったスケールで行うようなものです。

一つのようなものがあった場合、あなたはそれを即座に知るでしょうか？そして、まだ何もない場合、あなたがちょうどデータをスケールアウトするにつれて最終的にそこに到達すると思うのは、あなたの心の中で2年から5年のタイムラインの種類ですか？材料科学から第37手への見通しは何ですか？

素晴らしい質問です。私たちはそれに向かって動いていると思います。まだ地球を揺るがすようなものがあったかどうかは確信がありません。つまり、私たちが先ほど話した例を使用すると、世界の誰もが理解し、実験室から出てくるその発見の直接的な結果を感じるであろう室温超伝導体のようなものです。私はまだそこで第37手があったとは言えません。

計算領域、AI領域で最適化され、発見されている材料の例がおそらくあります。実験側では依然として非常に欠けていると思います。したがって、私たちのフライホイールが材料発見を行う上で不可欠だと思う理由です。しかし、私たちがいつも語るAlphaGoの物語の一つのクールなことがあります。私たちは、それが情報をインデックス化することについての本当に良い物語だと思います。

それを科学にどのように持ち込みますか？それは囲碁ゲームを学習していました。正確な数百万の囲碁ゲームか何かが正確な数だったかを忘れましたが、この1万回に1回の手を作りました。そして、そのAIのその後のバージョンは囲碁ゲームを学ぶ必要がありませんでした。それは実際に何百万もの囲碁の学習を持たずに類似の手を作りました。

私たちもその場所に到達することに興奮しています。そして、私たちは今日AlphaGoの最初のバージョンを行う技術を構築していると思います。第37手のその悪名高い手。AIを見ている誰もが間違いを犯したと思いました。それは1万回に1回の手でした。私たちはそれが来るのを見ませんでした。

もし私たちが目標とロードマップに従い、それを達成するなら、私たちは今後12から24ヶ月でそのようなものを持つと思います。それらが難しくなり、コースが通常になったら、実験データを見なかったり、合金からの実験データを使用し、室温超伝導体で発見を始めたりすることに移行すると思います。それが起こると思うことです。

私たちは人類史上最大の実験データセットを蓄積するつもりです。それが私たちが思うことです。そして、もし私たちがそれを行うなら、私たちはそれから来る学習と、その特定の材料空間で何百万もの訓練例を必要としない他の領域で第37手を作ることができることについて非常に非常に興奮しています。

私たちにとって、それは材料科学の聖杯です。それは私たちの最も重要な産業への最大のボトルネックとして材料を除去することです。それは材料によってではなく、想像力と物理法則によってのみ制限される世界を可能にすることです。それが私たちが構築したいものであり、私たちはそれが普及するのを見ることにとても興奮しており、率直に言って、AIと発見と完全にロボット化された自動運転実験室の交差点でその発見を超充電し、情報を提供することの先頭に立つことに非常に興奮しています。

私たちは、一緒にそのフライホイールが、私たちがチームに常に言うように、今日想像できないUberやAirbnbやFacebook、さらにはNvidiaのようなもので、私たちが可能にできるこの世界から来るものの量を本当に作り出すと思います。それがこれまでに存在した最も重要な企業の一つになると思います。そして、それが私たちが住みたいと興奮している世界です。

多くのポッドキャストでは、それを終わりにするのに良い場所だと言うでしょう。しかし、これでは、それがインスピレーションを与えるビジョンであり、希望するならショーノートのキャリアページにリンクできるので、いくつかの質問があります。モダリティの統合の未来はどうでしょうか？これは私の趣味の馬的な質問です。

マルチモーダル統合の未来

しかし、それについて非常にリアルに言うと、より影響の少ない仕事です。しかし、私はローカル広告のための動画コンテンツを小さなビジネスが作成することを支援するこの企業を始めました。私たちは基本的にこれのプリAIバージョンを持っていて、その後私たちが行うすべてにAIを注入しようとしました。

私が観察した最大のことの一つは、言語と視覚的理解の統合が、この画像を持っている、この他の画像に変更したい、または画像が欲しいと言うために言語ボトルネックを通る必要がなくなったときの本当のステップチェンジでした。しかし、もし私がそれをすべて100語のプロンプトで言わなければならず、私がやったように言語モデルを効果的にプロンプトするように訓練したとしても、それは非常に損失の多いことです。

より最近のモデルのいくつかがバイラルになり、人々をさらに驚かせたのは、彼らが明らかにこの共同理解を持っているからです。今、私は私の画像をアニメか何かに変えることができますが、他の種類のペイントのコートを重ねながら、それの意味性を依然として保持しています。

しかし、それがあなたが言語で求めていることを知っているが、ピクセルレベルで画像自体も本当に明確に理解しているその理解の深さは、主要なステップチェンジを作り出したように見えます。今日あなた方が構築したシステムについて私が理解していることは、多くのサブパートを行っている多くのモデルがあるようなことです。

これが最終的にTeslaルートまたはGemini 2.5 Flash画像出力何でもルートに行くと思いますか？そこでは、一つの共同埋め込み空間があり、言語の種類と材料の直感的物理学、さらにはグラフ物理学が一緒に存在するようなものでしょうか？それとも、それは期待するには幻想的すぎるでしょうか？

それが幻想的だとは全く思いません。すべてを行うためにその一つのモデルだけが必要になると言うのはおそらく行き過ぎですが、内部的に私たちはあなたが説明したようなものを開発しています。それは本来的にマルチモーダルな性質になるでしょう。私たちが作業したいすべての異なるモダリティのためのエンコーダーを持つでしょう。

そして、私たちはそれをこのモデルを通して実行し、私たちにとって非常に有用な出力をそれから持つことができるでしょう。だから、いいえ、私たちがそのようなものを持つと言うのが幻想的だとは思いません。実際、次の6ヶ月で、私たちはここRadical AIで内部的にそれを使用しているでしょう。そして確実に次の6から12ヶ月以内に、私たちはおそらくそのような方向に沿った何かを公開し、リリースするでしょう。

それについての解釈可能性は非常に興味深くなり始めるでしょう。それはエリックの貴重なもののとの一つです。私たちはしばらくの間それについて話してきました。もし私たちがそのようなもので何かに取り組むことができるなら。

知的財産とビジネスモデル

クールです。そして、それはそれほど遠くないように聞こえます。これに関連するIPについてどのように考えますか？つまり、あなたが言ったように、世界最大の実験データセットを蓄積するつもりですが、そこで作成するモデルについて公開すると話すときに、必ずしもオープンソースを意味するかどうかわかりません。材料科学空間に存在するIPについてもあまり知りません。

だから、どのデータとどの価値を企業内部に保持したいか対、何を共有できるかについてどのように考えますか？再び、合金を特許化することは可能ですか？特にアモルファスなもので、反復構造を持たないものです。それを特許化するのは困難だと思うでしょう。おそらくそれを作成するプロセスでしょう。

だから、ええ、何が中核IPで共有されず、何が共有できるかの見通しは何でしょうか？この恩恵を拡散させながら、実際にフライホイール、データセットをスケールアウトし、最終的にそれらの第37手を得るために自律システムをスケールアウトするために必要なROIをあなた方に与えるにはどうすればよいでしょうか？

ええ、つまりそれは素晴らしい質問で、企業を始めたとき、私たちは多くの時間を費やして、オーケー、私たちは何を構築したいか、そして何を構築したいかだけでなく、今日あなたが聞いた私たちが明確にしたビジョンを行う企業を構築しようとしているなら何が必要か、簡単な低くぶら下がった果実ではなく、VCが支持することを知っているビジネスモデルではなく、何が必要かについて考えました。

そして、私たちが到達したのは、もしあなたがソフトウェアを販売するだけなら、あなたは決して本物の材料を作ることはないでしょうということでした。そして、それはそれであることはできません。だから、私たちはそれを行うつもりはありません。

そして、それを試みて失敗した多くの企業がありました。もしあなたが作るすべての材料をライセンス化しようとするなら、それはビジネスモデルになることができます。しかし、問題は、ライセンス化をするだけのときに逆エンジニアリングと特許の満了が深刻な問題になるため、収益を維持し、押し進めるために何十年間も年に複数の新発見を作成する必要があるということです。

そして、私たちは世界最大の材料企業が行うことを見ました。3M、Applied Materials、BASF、Materionなどは何を行いますか？彼らは大規模に材料を販売します。それが彼らのビジネスモデルです。ただし、彼らは率直に言って、完全に率直に言うと、社会に影響を与えない領域でそれを行っています。

見て、毎年新しいSherwin Williamsペイントカラーを持つ必要性を理解しています。私の妻は大ファンです。私は顧客ですが、それは私たちがRadical AIを構築している理由ではありません。正直に言って、彼らはそれを処理し続けることができます。私たちは種を多惑星的、複数惑星的にしようとしています。私たちは失われた核エネルギーを推進しようとしています。私たちは浮遊弾丸列車で輸送を再考しようとしています。

私たちは住みたい世界を作ろうとしています。そして、そのすべてが真実なら、あなたは大規模に材料を販売する必要があるだけでなく、あなたが大規模に販売している材料を未来の産業を可能にし、産業を作ることに押し進める必要があります。そして、私たちがそれを行うとき、私たちの焦点はそれを作ることのIPにあります。

そして材料科学では、確かに、あなたは組成に関する特許を取得しますが、本当にIPは、大規模にそれをどのように作るか、大規模で最低コストでそれをどのように作るかについての企業秘密に関するものです。私たちが材料意味でそれをすべて処理と呼ぶもの、そのプロセスのすべてです。それがすべての本当の肉があるところです。

もし私が今日持っているハイエントロピー合金の正確な組成をあなたに言うなら、あなたは本当にそれを大規模に作ることができるわけではありません。そして、それには本当に重要な部分があります。そして、それがビジネスモデルなら、それは私たちがAIモデルについて考える方法を変えます。そして、ホルヘにそれを具体的に明確にしてもらいます。

いいえ、ジョセフがそれを頭に当てたと思います。つまり、機械学習モデルは変化するでしょう。それらは変化するでしょう。それらは時間の経過とともにより良く、より良くなるでしょう。私たちはそれらの一部を作るでしょう。他の人々もそれらの一部を作るでしょう。私たちはそれらの一部をリリースするかもしれません。それらの一部は、あなたと完全に正直に言うと、おそらくリリースしないでしょう。

しかし、Radical AIが決してしないことは、世界のニードルムーバーになると思う最も困難な問題を追求することです。一日の終わりに、それが企業の全ポイントです。そして、それは徹頭徹尾私たちにとって中核であり続けるでしょう。それが気に入りました。

米空軍との契約について

私たちが時間にほぼ到達していることを知っていて、私たちと共有してくれたすべての時間に本当に感謝していることについて少し話したいと思います。昨日、米空軍との協力についてニュースアイテムを出しました。それについて少し話したいですか？

ええ、これについて非常に非常に興奮しています。それは極超音速アプリケーション用のハイエントロピー合金です。私たちは多くの本当に熱い、高スループット実験だけでなく、極超音速アプリケーション用にこれらの材料をテストし、最適化する方法に押し進める実験を実施しています。

材料は再び最も重要な産業と極超音速産業において最大のボトルネックの一つです。中国、ロシアは両方とも今日極超音速システムを配備しています。彼らがそれを行うのは、材料科学への投資を決してやめないからです。実際に、中国について言及する価値があります。中国が材料で新しい発見を行うとき、それをスケールアップする方法を理解するためだけに、その材料を中心に製造ハブ全体を設置します。

それは材料をすべての最も重要な革新の基盤に置くことへの信じられない強調であり、私たちは米国や他の場所でそれに苦労してきました。私たちはその結束を押し戻そうとしており、ワシントンDCで多くの時間を過ごし、科学技術政策局、国立科学財団、国防省、エネルギー省と多くの時間を過ごし、さらには議会に行って政府の人々に言っています。

官民パートナーシップと材料への焦点は、あなたが極超音速を気にするか、核融合を気にするか、または他の新しい材料の束を生成するMLモデル内に入るデータセットを気にするかに関係なく、政府の観点から推進される必要がある命令的なものです。そして、あなたはまさにそれを行うために民間企業に依存し、許可する必要があります。それが私たちが適合する場所です。

直接フェーズ2は、この前進を押し進めようとする私たちの意見、私たちの信念の種類であり、私が今言及した全計画とは別に、私たちが選択した最初の材料システムで実行する本当に能力です。私たちは、ハイエントロピー合金が極超音速技術に非常に影響力を持つことができるという論文を持っていました。それらは発見するのが非常に困難です。それは非常に大きな検索空間です。

多くの実験結果はありません。そして、空軍との私たちの作業は、その問題を解決しようとし、彼らが極超音速システムに入れることを探索しに行くための新しい材料を本当に生成することに直接関するものです。だから、それが私たちが取り組んできたことであり、私たちのプレスリリースでより多くの情報を見つけることができ、それについてのより多くの情報があります。

しかし、私たちは空軍と極超音速に特化したその最初のプロジェクトについて本当に興奮しています。しかし、そこで止まるのではありません。私たちは材料が産業や革新のサブセクターではないことを特定するために、米国政府と押し進めようとしている多くの他のことを進行中に持っています。

材料は革新の礎石にあります。石器時代から青銅器時代、シリコン時代まで、すべての現代技術の波は新しい材料の進歩から来ています。そして、未来はまったく同じになるでしょう。そして、それが私たちが政府内で、政策内で、そして材料が国家として、本当に社会として、人類として本当に重要である理由を押し進めようとしている観点の種類です。

企業文化と採用について

それは素晴らしいです。それが終わりにする正しい場所かもしれません。私たちが行く前に、触れなかったが、人々に知ってもらいたいことがありますか？

私たちがRadical AIで呼び出す一つのことは、私たちは世界で最も困難な問題のいくつかを解決しようとしているため、私たちの文化について本当に集中的だということです。

そして、この質問、第一原理に行き、なぜかと尋ねる能力を持つ本当にばかげた好奇心を持った人々を持たなければなりませんが、また信じられないほど執拗でもあります。私たちは毎日失敗し、次の10年間とそれを超えて毎日意図的に失敗し続けるでしょう。そして、それは実際に解除鍵が来る場所です。

もちろん、陳腐ですが、成功に到達するためにそれらの失敗を構築することの種類です。もし物理法則まですべてに挑戦する食欲を本当に持ち、私たちの最も重要な問題に取り組もうとしている方法でそれを行いたく、道のりで多くの失敗があることを認識しているが、成功する機会において、あなたが人類に影響と革新の根本的なスタンプを残すという人々がそこで聞いているなら、連絡してください。

私たちは現在積極的に採用しており、彼らが行うことで最高の人々だけでなく、ミッションに彼らの人生の仕事を捧げることを望んでいる人々を探しています。もしあなたが仕事を探しているなら、これはあなたのための場所ではありません。あなたはRadical AIに応募すべきではありません。

あなたはここに適合しないでしょう。もしあなたがミッションに取り組むことを探しているなら、連絡してください。あなたと話したいと思います。そして、ホルヘ、トピックについて追加したいことはありますか？

いいえ、それは完璧によく言われたと思います。追加することはありません。素晴らしい。まあ、これは素晴らしい対話でした。私はそれから多くを学び、人々がそれを魅力的だと思うと思います。

だから、明らかにブレークスルーの後にブレークスルーであなた方の成功以外の何も願わず、一つの後に一つを解除しながら私たちの周りの材料現実を変えることを楽しみにしています。Radical AIの共同創設者、ジョセフ・クラウスとホルヘ・ケントレス、コグニティブ・レボリューションの一部になってくれてありがとう。ありがとう。

もしあなたがショーで価値を見つけているなら、友達と共有し、オンラインに投稿し、Apple PodcastsやSpotifyでレビューを書いたり、YouTubeでコメントを残したりするために少し時間を取ってくれれば感謝します。もちろん、私たちは常にあなたのフィードバック、ゲストとトピックの提案、スポンサーシップの問い合わせを、私たちのウェブサイトcognitive revolution.aiを介して、またはあなたのお気に入りのソーシャルネットワークで私にDMすることで歓迎します。

コグニティブ・レボリューションは、専門家が技術、ビジネス、経済学、地政学、文化などについて話すポッドキャストのネットワークであるTurpentine Networkの一部で、現在A16Zの一部になっています。私たちはAI Podcastingによって制作されています。録音を停止した瞬間から視聴者が聞き始める瞬間まで、すべてのポッドキャスト制作ヘルプを探しているなら、彼らをチェックし、aipodcast.ingで私の推奨を見てください。

そして最後に、Notionの AI Meeting Notesによって自動的に作成された私たちの新しく改善されたショーノートをチェックするために少し時間を取ることをお勧めします。AI Meeting Notesはすべての詳細を捉え、複雑な概念を分解するので、アイデアが失われることはありません。

そして、AI Meeting NotesがNotionの中に住んでいるため、会議、ポッドキャスト、インタビュー、会話など、あなたが捉えるすべてが、あなたが計画し、構築し、物事を成し遂げるまさにその場所に住んでいます。切り替えも、減速もありません。

自分で書く完璧なノートが欲しいなら、NotionのAI Meeting Notesをチェックしてください。そして、NotionのAI Meeting Notesを30日間無料で試すために、私たちのショーノートのリンクに向かってください。