Az OpenAI 7 millió dollárral támogatná az amerikai tudományos kutatást

Hozzáférés modellekhez és kutatási infrastruktúrához

Az OpenAI július 22-i közleménye szerint a vállalat azon dolgozik, hogy fejlett mesterségesintelligencia-modelleket kapcsoljon össze az amerikai tudományos kutatásban használt szakemberekkel, szuperszámítógépekkel, szimulációkkal és létesítményekkel. A cél, hogy a kutatók több ötletet vizsgálhassanak meg, gyorsabban tesztelhessék a hipotéziseket, és hamarabb juthassanak el a felismerésektől az ellenőrzött eredményekig.

Az OpenAI szerint ehhez a modelleket a kutatási környezetek eszközeivel, munkafolyamataival, szakértelmével és infrastruktúrájával kell összekapcsolni. A vállalat ezt a mesterséges intelligencia eszközként való használatán túlmutató, nemzeti szintű tudományos infrastruktúraként írja le.

A Genesis Mission részeként az OpenAI 4 millió dollár értékű Codex-hozzáférést adna hozzávetőleg 2000, nemzeti laboratóriumokban és egyetemeken dolgozó kutatónak. Emellett 3 millió dollárnyi API-támogatást biztosítana két nagyszabású tudományos kampányhoz.

Kiemelt támogatások és speciális képességek

A program résztvevői minden 2,5 millió dollárnyi felhasználás után legfeljebb 10 millió dollárnyi API-használatot kaphatnak. A támogatás célja, hogy a Genesis kutatói több olyan projektet támogathassanak, amelyekben fejlett modelleket alkalmaznak.

A kiválasztott nemzeti laboratóriumi kutatók hozzáférést kaphatnak a GPT‑Rosalind speciális biotudományi képességeihez, amennyiben jogosult biológiai projekteken dolgoznak. A nemzeti laboratóriumok megbízható vezetői egyes modellekhez és funkciókhoz is korai hozzáférést kapnak. Így előkészíthetik a modellek használatához szükséges munkafolyamatokat, értékeléseket és infrastruktúrát.

Az OpenAI a kiberbiztonsági kutatók hozzáférését is bővítené a fejlett kiberképességekhez. Ez a kiválasztott nemzeti laboratóriumi szakemberek védekező kutatását és a kritikus rendszerek védelmét szolgálná.

Szuperszámítógépek, biológia és két nagy kampány

Az OpenAI közlése szerint a vállalat már dolgozott együtt kilenc nemzeti laboratóriummal egy AI Jam Session keretében. Több mint 1000 tudós tesztelt fejlett modelleket szakterületi problémákon, és strukturált visszajelzést adott. A vállalat fejlett következtetési modelleket telepített a Los Alamos National Laboratory Venado nevű szuperszámítógépére is. A rendszert a National Nuclear Security Administration laboratóriumai közös erőforrásként használják, hogy vizsgálják, miként segítheti a fejlett következtetés az összetett kutatást a nagy teljesítményű számítástechnika mellett.

Az OpenAI és a Los Alamos biotudományi értékeléseket is kidolgozott annak vizsgálatára, hogyan használhatók biztonságosan a multimodális AI-rendszerek valós laboratóriumi környezetekben. A munka a lehetőségek mellett az egyre fejlettebb rendszerek kockázatait is vizsgálja.

A Genesis Mission két kezdeti, nagyszabású kampánya a magas hőmérsékletű szupravezetők fejlesztését, valamint az „An Atlas of the Machine-Accessible Frontier” nevű kezdeményezést célozza. Az első kampány mesterséges intelligenciát, szimulációkat, anyagtudományi szakértelmet és kísérleteket kapcsolna össze olyan szupravezető anyagok keresésére, amelyek magasabb hőmérsékleten és gyakorlati nyomáson működnek. A második azt vizsgálná, hogy a jelenlegi tudás, adatok és számítási kapacitás alapján mely tudományos problémákhoz járulhat hozzá már most érdemben az AI.

A kutatók maradnak a középpontban

A közlemény szerint a Genesis Mission a Department of Energyt, annak 17 nemzeti laboratóriumát, egyetemeket és iparági szereplőket kapcsol össze. A kezdeményezés célja, hogy egy évtizeden belül megduplázza az amerikai kutatás és innováció termelékenységét és hatását.

Az OpenAI hosszú távú együttműködésként tekint a programra. A vállalat szerint a kormányzat a prioritások összehangolásában és a közös infrastruktúra finanszírozásában, a laboratóriumok és az egyetemek pedig a fontos kérdések kijelölésében és a tudományos normák fenntartásában játszhatnak szerepet. A kutatók feladata marad a kérdések meghatározása, a módszerek kiválasztása, a modellek eredményeinek megkérdőjelezése és az eredmények ellenőrzése.