🔬 The Lab of the Future Should Feel Like a Data Center — Andy Beam & Rafa Gómez-Bombarelli, Lila Sciences

想像一個黑暗的倉庫。架子上擺滿了纜線、管道和電子元件伸出的裝置。下一個 AI 資料中心？不。這是 Lila Sciences 對科學未來的夢想。 一個黑暗的倉庫裡，滿佈 AI 導引的機器人和實驗室裝置，24/7 不斷產生新實驗，朝著科學超級智慧前進。 他們的自動化實驗室幾乎讓人著迷。 他們擁有漂浮的板子在類似《Wall‑E》的軌道上飛馳，使用視覺‑語言模型控制 Windows 95 的盒子，並建立了全球最大的失效保證收藏。 在此過程中，他們建立了一個龐大的科學推理代幣庫。 超過 10 兆個，全部經過實驗驗證。 製作本影片時沒有作廢任何保證。說 Lila 有抱負已是低估。 他們的目標是將科學超級智慧直接連線到濕實驗室。他們全力投入 bitter lesson，並由此推匯出論點：實驗室是無限代幣產生器。 大規模產生資料，協同效應會產生一個能解決任何科學問題的通用推理器。他們投入巨大。生物學、化學、藥物發現和材料科學，全部同時進行。時間會證明其有效性，但這是一個令人興奮的假說。在我們最新一集，我們與 Lila 的 Andy Beam（CTO）和 Rafa Gómez‑Bombarelli（CSO，物理科學）坐下，踏上探索 AI 主導科學可能性的旅程，範圍幾乎與 Lila 的目標相同。我們提到他們同時做材料科學和生物學嗎？在同一個 AI 科學工廠？同時、同實驗室、同 AI。最後有位嘉賓能解決我們長期以來的爭論：生物學還是材料科學更難？點選觀看！ 我們討論：* 網際網路已耗盡，科學即將到來。Lila 為何認為科學方法是最後一個未被開採的網際網路規模資料集，並且為何他們將 RL 視為以自然為驗證者的資料生成機制。* 實驗室即資料中心。儀器作為圖形中的節點，之間有磁懸浮的「PCI bus」傳輸層，協調則如同 slurm 佇列。Andy 以類比不遑多讓。* 為何 Lila 堅稱它不是一家自動化公司。他們優先考量靈活性和通用性，而非原始吞吐量，這意味著在人類無法獲利的自動化場景中，工作仍停留在 API 之下。* 你的實驗有執行時間。 我們把 Escalante Bio 的問題問給 Andy：如果科學是代幣生成器，你的資料收集時間是多久？他的簡短回答是：你無法讓核糖體更快。Lila 為何押注快速迴圈迭代而非大型雜訊多路複用螢幕，以及 Rafa 團隊如何將氣體吸附測量重新設計，速度提升約 2,500 倍。* 10 兆個科學代幣實際包含什麼。不是序列。經實驗驗證的推理痕跡，一種 Andy 認為在網路上存在且數量可忽略不計的資料。* 廣度作為深度之路。小分子化學先驗轉移至金屬有機框架的碳捕捉，並聲稱通用模型逐樣本優於領域特定模型。* 若你已有資料，模型還有什麼用途？Sri Kosuri 關於 ML‑for‑drug‑discovery 商業模式的 koan，以及 Andy 的回答：編碼模型變得更好，因為它也閱讀了莎士比亞和 carnitas 食譜。* 他們想自動化的意外驚喜。Emily Whitehead 之所以在首例兒童 CAR‑T 治療中存活，只因治療她的醫生偶然知道兒童關節炎中哪種抗體能抑制 IL‑6 反應。再擲一次骰子，你可能會失去她。廣度是停止依賴運氣的方法。* Move 37 為催化劑。對無鉑族電催化劑的模型建議，從乏味、被 40 篇論文專家稱為愚蠢，到他們創造的最佳表現者。* 六個月內在非人靈長類動物中取得體內 CAR‑T 資料，以及從中衍生的零 FTE 虛擬創業商業模式。為了說明為何這個數字令人震驚，AbbVie 因臨床前體內 CAR‑T 資料支付了 21 億美元購買 Capstan。* 若你只是個好考生，無法擁有科學超級智慧。Ken Stanley（《Why Greatness Cannot Be Planned》作者）在 Lila 推動開放性。大規模 RL 讓你得到無情的瓦爾坎問題解決者。機器創造力是另一回事，且是尚未有人解決的部分。* 思考鏈是一個不可靠的敘事者。模型在潛在空間推理，只發出代幣。有時它完全跳過實驗仍然正確。那麼你會信任推理還是驗證者？* 物理實施時的獎勵駭客。思考鏈崩潰為重複，模型因被科學家不斷要求重新繪製板圖而生氣並咒罵。當病態迴圈內含濕實驗室時會發生什麼？* 苦樂參半的教訓。Rafa 對苦難教訓的逆轉：在 AI 中，擴充套件是路線圖；在材料中，擴充套件是過濾器，因為只有能擴充套件的事物才會成為關鍵。* 不是典型的 Flagship 公司。為什麼著名的單一資產生物技術孵化器拆分出平臺投資，Andy 說如果 Lila 自稱為生物製藥公司，將擁有前三名的 GPU 叢集。* 他們將通過法令移除的瓶頸。物理基礎模擬的 Sim‑to‑real，以及 RL 訓練平均 FLOP 利用率約 5%。在 YouTube 上觀看：這是一集公開節目。如欲與其他訂閱者討論或獲取額外節目，請造訪 www.latent.space/subscribe