رهبران بزرگترین A.I. آزمایشگاه‌ها استدلال می‌کنند که هوش مصنوعی عصر جدیدی از اکتشافات علمی را آغاز خواهد کرد که به ما در درمان بیماری‌ها و تسریع توانایی ما برای مقابله با بحران آب‌وهوایی کمک می‌کند. اما چه چیزی A.I. در واقع تاکنون برای علم انجام شده است؟

برای درک، از سام رودریکز، دانشمندی که به فناوری تبدیل شده و در حال توسعه A.I است، پرسیدیم. ابزارهایی برای تحقیقات علمی از طریق FutureHouse غیرانتفاعی او و یک spinoff انتفاعی، Edison Scientific. ادیسون اخیرا Kosmos - یک A.I. عامل یا A.I. دانشمندی برای استفاده از زبان شرکت، که می‌گوید می‌تواند شش ماه تحقیق در سطح دکترا یا فوق‌دکتری را در یک دوره ۱۲ ساعته انجام دهد.

سام ما را در مورد نحوه عملکرد Kosmos و اینکه چرا ابزارهایی مانند آن می‌توانند به طور چشمگیری تجزیه و تحلیل داده‌ها را سرعت بخشند، راهنمایی می‌کند. اما او همچنین بحث می کند که چرا برخی از جسورانه ترین ادعاها در مورد A.I. درمان بیماری غیرواقعی است و همچنین تنگناهایی که هنوز بر سر راه یک آینده واقعی شتاب‌گرفته از A.I وجود دارد.

در زیر متنی از مکالمه ما است که برای وضوح و طولانی‌تر شدن کمی ویرایش شده است.

روز: بنابراین، ما امروز شما را به اینجا آورده‌ایم تا متخصص علم ما باشید، راهنمای ما برای بزرگ‌ترین پیشرفت‌های اخیر مبتنی بر هوش مصنوعی که در علم اتفاق می‌افتد. این منطقه ای است که من به نوعی درک می کنم که از نظر محیطی مهم است، و اتفاقات بزرگی در حال رخ دادن است، اما هیچ یک از ما دانشمند نیستیم، اگرچه من در مدرسه ابتدایی یک آتشفشان جوش شیرین قاتل ساختم. بنابراین امروز چیزهای زیادی برای صحبت داریم، اما قبل از اینکه به برخی از جزئیات بپردازیم، می‌خواهم از شما در مورد پروژه‌ای که روی آن کار می‌کردید بپرسم. ماه گذشته، بازوی تجاری غیرانتفاعی شما، که Edison Scientific نام دارد، یک A.I جدید راه اندازی کرد. دانشمندی به نام Kosmos که شما می گویید می تواند کاری معادل شش ماه Ph.D انجام دهد. یا دانشمند فوق دکترا در یک دوره از این مدل. درباره نحوه کار Kosmos و اینکه آن عدد شش ماهه از کجا آمده است، بگویید.

رودریک: بله، دقیقا. و در واقع، می‌خواهم شروع کنم و بگویم که وقتی آن عدد شش ماهه را گرفتم، واکنش من در ابتدا این بود: «هیچ راهی وجود ندارد که این درست باشد، درست است؟» و ما اکنون آن را به روش های مختلف اندازه گیری کرده ایم. من می توانم شما را از طریق آن راهنمایی کنم. اما اساسا، فقط برای اینکه یک قدم به عقب برداریم، بنابراین ما دو سال است که روی چگونگی ساخت یک A.I کار می کنیم. دانشمند و مفهوم اینجا این است که علم بسیار بیشتری نسبت به دانشمندان وجود دارد که می توانیم انجام دهیم، درست است؟ و بنابراین چگونه علم را افزایش دهیم؟ و چیزی که با Kosmos اتفاق افتاد و بسیار جالب است این است که Kosmos مانند اولین چیزی است که من فکر می کنم ما ساختیم که واقعاً شبیه یک A.I است. دانشمند وقتی با آن کار می کنید، درست است؟ یعنی وارد می‌شوید، به آن یک هدف تحقیقاتی می‌دهید، از بین می‌رود، و با بینش‌هایی بازمی‌گردد که در واقع واقعاً عمیق و جالب هستند و گاهی اوقات اشتباه هستند، اما در حدود 80 درصد موارد درست هستند. چیزی شبیه به این است که اگر از یک انسان بخواهید برود و کاری انجام دهد، برمی گردد، مثل اینکه درصد مشابهی درست است. و این نوعی تجربه جدید کار با آن است، بنابراین بسیار هیجان‌انگیز است.

تعداد شش ماهه به‌طور خاص، روشی که ما این را اندازه‌گیری کردیم این بود که ما تعداد زیادی همکار دانشگاهی داشتیم، می‌دانید، دانشمندانی که قبلاً مجموعه‌ای از علوم را انجام داده بودند که هنوز منتشر نکرده بودند. و ما اساساً همان هدف تحقیقاتی و مجموعه داده‌های یکسانی را به هوش مصنوعی، به Kosmos دادیم، و از آن می‌خواهیم که برود و فقط اکتشافات جدیدی انجام دهد. و باز می گشت و همان چیزهایی را پیدا کرده بود که محققان یک شبه یافته بودند. و سپس می روید و از محققان می پرسید که در وهله اول چقدر طول کشید تا این را پیدا کنید؟ و می گفتند سه ماه، پنج ماه، شش ماه، هر چه باشد. و بنابراین از آنجا می آید. و مثل این است که این مدت زمانی است که آنها برای رسیدن به این یافته صرف کردند.

کیسی نیوتن: پس اجازه دهید من فقط چند سوال از شما بپرسم تا بتوانم خودم را در اینجا مستقر کنم. آیا این ابزار به نوعی جعبه ای است که شما در آن تایپ می کنید مانند سایر ربات های چت؟ و اگر چنین است، چه چیزی آن را تغذیه می کند؟ بچه ها شما به نوعی مدل خود را از ابتدا ساختید؟ آیا به نوعی تنظیمات دقیقی در مدل شرکت دیگری انجام دادید؟

رودریکز: بله، دقیقا. بنابراین در واقع کادری است که شما اساساً در آن تایپ می کنید. شما از آن یک هدف تحقیقاتی می خواهید. این یک ربات چت نیست، درست است؟ مثل اینکه 12 ساعت یا بیشتر اجرا می شود تا در نهایت با یافته هایش به شما بازگردد. از نظر نحوه ساخت، ما بر روی دسته‌ای از مدل‌های زبان مختلف از OpenAI، Google، Anthropic ایجاد می‌کنیم. مانند هر اجرای مشخصی، ما از مدل هایی از همه ارائه دهندگان مختلف استفاده می کنیم. ما همچنین مدل‌های خود را برای کارهای خاص داریم که به صورت داخلی آموزش داده‌ایم، که در آن این مدل‌ها برای کارهای خاصی که آموزش داده‌ایم بسیار بهتر از مدل‌هایی هستند که ارائه‌دهندگان مرزی می‌سازند. و سپس بینش کلیدی در Kosmos اساساً این استفاده از چیزی است که ما آن را مانند یک مدل جهان ساختاریافته می نامیم. بنابراین یکی از محدودیت های اصلی با A.I. سیستم های امروزی این است که آنها فقط در طول کار و پیچیدگی کاری که می توانند قبل از اینکه از ریل خارج شوند، انجام دهند محدود شده اند. آنها دوست دارند، می دانید، فراموش کنند که چه کاری انجام می دهند، آنها دیگر در حال انجام وظیفه نیستند. و چیزی که ما کشف کردیم راهی برای مشارکت آنها در این مدل جهانی بود که در طول زمان ساخته می‌شود و اساساً وضعیت کامل دانش را در مورد وظیفه‌ای که آنها روی آن کار می‌کنند توصیف می‌کند، به این معنی که ما می‌توانیم صدها عامل مختلف را که به صورت موازی در حال اجرا هستند، هماهنگ کنیم، و همه آنها را به سمت یک هدف منسجم کار کنیم. و این قفل واقعی بود.

روز: درست است. چیز دیگری که در مورد Kosmos برای من جالب بود هزینه آن است. این مدل برای هر درخواست 200 دلار هزینه دارد.

رودریکز: بله.

روز: بنابراین هر بار که به آن کاری می‌دهید، 200 دلار می‌پردازید. چرا اینقدر گران است؟

Rodriques:منظورم این است که از محاسبات زیادی استفاده می کند. منظورم این است که پاسخ اساسی این است که آیا از محاسبات زیادی استفاده می‌کند، درست است؟

روز: مثلاً به ما بفهمانید که چقدر است.

رودریکز: خب، بنابراین، فردی که از Kosmos اجرا می‌شود 42000 خط کد می‌نویسد و به طور متوسط ​​1500 مقاله تحقیقاتی می‌خواند. مثلاً، اگر کلود را اجرا کنید، ممکن است چند صد خط کد بنویسد، درست است؟ پس این به شما حس می دهد. محاسبات زیادی در این مورد انجام می شود.

نیوتن: آیا تا به حال مانند دانشمندی برخورد کرده اید که گربه اش از روی صفحه کلید عبور می کند و تصادفاً به ورودی می زند و ناگهان 600 دلار خرج می کند؟

رودریکز: این یک مشکل است. این یک مشکل است. و ما، درست است، بنابراین چیزی که شما باید درک کنید، درست است، این است که اگر شما یک دانشمند هستید و می روید و آزمایشی انجام می دهید، مقداری داده را پس می گیرید، 5000 یا 10000 دلار برای جمع آوری آن داده ها خرج خواهید کرد. و بنابراین آنچه دانشمندان می‌خواهند این است که بهترین عملکرد را می‌خواهند که می‌توانند به دست آورند. و مانند دانشمندانی که از Kosmos استفاده کرده‌اند معمولاً به من مراجعه می‌کنند و مانند آن‌ها، نمی‌توانند باور کنند که ما فقط 200 دلار برای آن دریافت می‌کنیم، درست است؟ و، می دانید، من می گویم، مثلاً 200 دلار در حال حاضر یک قیمت تبلیغاتی است. در واقع باید در نهایت شارژ بیشتری داشته باشیم.

روز: اوه، داره بالا میره. بنابراین قبل از کریسمس این درخواست ها را دریافت کنید!

رودریک: دقیقا. اما واقعاً، می‌دانید، مثل این است که اگر مجبور باشید هزاران دلار برای جمع‌آوری داده‌ها خرج کنید، هزینه در پایان روز محدودیت نیست. ما باید در بازپرداخت بسیار سخاوتمند باشیم زیرا مردم، می دانید، همیشه اشتباه می کنند.

نیوتن: آه، من یک اشتباه تایپی داشتم.

رودریک: بله، دقیقا.

روز: پس آنچه شما در مورد این نوع آزمایش ها اشاره کردید، چقدر طول کشید تا بفهمید چقدر طول کشیده است که شما چقدر طول کشیده است. دانشمندان، این تقریباً شبیه به نوعی تکرار تحقیقات موجود است که در آنجا وجود دارد. اما بسیاری از چیزهایی که از افرادی که این A.I بزرگ را اداره می کنند می شنویم. آزمایشگاهی این امکان وجود دارد که به زودی A.I. شروع به اکتشافات علمی جدید خواهد کرد. ما شروع به انجام کارهایی خواهیم کرد که روش ها و فرآیندهای علمی موجود نمی توانند انجام دهند. چقدر به آن نزدیک هستیم؟

رودریکز:این در واقع در حال وقوع است. بنابراین، اگر بروید و مقاله‌ای را که درباره Kosmos منتشر کرده‌ایم بخوانید، هفت نتیجه به دست آورده‌ایم، که سه تای آن‌ها تکرار یافته‌های موجود بود، چهار تای آن‌ها مشارکت‌های جدید خالص در ادبیات علمی، مانند اکتشافات جدید هستند.

نیوتن: و از بین آن‌ها، چه چیزی تاثیرگذارتر است؟ ژنوم حاوی میلیون ها گونه ژنتیکی است، درست است؟ اینها تفاوت هایی بین DNA افراد مختلف است که با بیماری مرتبط است. و در بیشتر موارد، ما می دانیم که یک نوع با یک بیماری مرتبط است، اما نمی دانیم چرا، درست است؟ و بنابراین ما از Kosmos پرسیدیم، ما به آن مجموعه ای از داده های خام در مورد تعداد زیادی از عوامل ژنتیکی مختلف دادیم، بنابراین مانند اینکه چه گونه هایی هستند، چه پروتئین هایی به انواع مختلف متصل می شوند، درست است، مانند همه این چیزها، و فقط از آن خواستیم که دیابت نوع 2 برود و مکانیسم مرتبط با یکی از این گونه ها را شناسایی کند. و برگشت و شناسایی شد، این یک نوع بود که در یک ژن نبود. و Kosmos تشخیص داد که این در واقع جایی است که پروتئین متفاوتی در آن متصل می شود. توانست تشخیص دهد که چه پروتئینی متصل می شود و چه ژنی بیان می شود و آن را به مکانیسم واقعی آن ژن، SSR1، که در لوزالمعده در ترشح انسولین نقش دارد، متصل می کند، درست است؟

نیوتن: خوب، بنابراین در این مورد، چیزی است که من می شنوم که مدل شما قادر به انجام برخی استدلال های بسیار تخیلی بوده است که برخی از داده های موجود را شناسایی نکرده است. برای مدت زمان زیادی ندارید؟

رودریکز: بله، درست است.

نیوتن: خوب.

رودریکز: و من فکر می‌کنم علم معمولاً شامل جمع‌آوری داده‌ها و جمع‌آوری داده‌ها است. و بنابراین، در این مرحله، اساسا، مانند مرحله شماره سه است که Kosmos در نظر گرفته شده است. و می دانید که کار بیشتری وجود دارد -

نیوتن: شما مرحله صفر را کنار گذاشتید، که دولت ترامپ را وادار کرد تا بودجه شما را آزاد کند. اما بقیه چیزها درست بود.

رودریکز: (خنده)

رز: پس چه اتفاقی می‌افتد وقتی کشفی مانند این از Kosmos دریافت می‌کنید؟ بعد باید بری تاییدش کنی؟ آیا آن را در اختیار تیمی از محققان قرار می‌دهید که باید مطمئن شوند که کار می‌کند؟ مثلاً بعد چه اتفاقی می‌افتد؟

رودریک: بله، کاملاً. باید بری و تاییدش کنی. و بنابراین این در واقع یکی از چیزهایی است که می دانید، در مقاله، ما در واقع توضیح می دهیم که چگونه پیش رفتیم و آن نوع خاص را تأیید کردیم. به طور کلی، وقتی مردم از آن استفاده می‌کنند، بله، شما وارد می‌شوید. منظورم این است که در واقع، به معنای واقعی کلمه زمانی که یک کازموس اجرا می‌کنید، اولین کاری که باید انجام دهید این است که بفهمید چه چیزی به شما می‌گوید. زیرا به تازگی کاری را انجام داده است که دانشمندان فکر می کنند ارزش کار شش ماهه را دارد و شما برای مدت طولانی در آنجا خواهید نشست، درست مثل خواندن و درک آن. وقتی آن را خواندید و فهمیدید، بله، در واقع، می‌روید و آزمایش‌های مختلفی را انجام می‌دهید، تجزیه و تحلیل خود را انجام می‌دهید، ارجاع متقابل می‌کنید تا سعی کنید خودتان را متقاعد کنید که این درست است. و سپس بر اساس هدف تحقیق شما، مراحل بعدی را تصمیم خواهید گرفت، درست است؟ می دانید، در این مورد، من فکر می کنم احتمال کمی وجود دارد که هدف دارویی جدیدی از این یافته خاص وجود داشته باشد، درست است؟ اما می‌توانید بروید و می‌توانید این را روی یافته‌های دیگر اجرا کنید، و سپس، در نهایت، شاید اهداف دارویی جدیدی پیدا کنید، یک برنامه دارویی را شروع کنید، می‌دانید —

روز: بنابراین یکی از نگرانی‌هایی که شنیده‌ام مردم در مورد مدل‌هایی مانند Kosmos بیان می‌کنند این است که این دقیقاً مانند جایی است که موانع جاده‌ای وجود ندارد، دلیل اینکه ما داروها و داروهای بیشتری را درمان نکرده‌ایم. در واقع به این دلیل نیست که ما روش‌های تحقیق برای کشف آن‌ها را نداریم، به این دلیل است که مثلاً باید به آزمایشات بروید، و باید افراد انسانی را استخدام کنید و باید F.D.A بگیرید. تایید به عنوان مثال، همه آن چیزها خیلی بیشتر از کشف واقعی دارو طول می کشد. بنابراین، مدل‌هایی از این دست در حال حاضر به حل چه مشکلاتی در فرآیند علمی ما کمک می‌کنند؟

رودریکز: بنابراین، بنابراین، کاملاً. من واقعاً موافقم که مانند گلوگاه در پایان روز در حل پزشکی اساساً، می دانید، آزمایشات بالینی است. منظورم این است که اگر به تعداد بیماری هایی که می دانیم در موش ها چگونه درمان کنیم، نگاه کنید، ساده ترین راه برای دیدن این موضوع است، درست است؟ این نجومی است، زیرا بدیهی است که شما فقط می‌توانید آزمایش‌ها را انجام دهید، و در انسان، همه چیز به کندی پیش می‌رود. گفته می‌شود، اگر فکر می‌کنید که هر آزمایشی که در حال حاضر توسط شرکت‌های داروسازی انجام می‌شود، مانند هر کارآزمایی بالینی که اجرا می‌شود، شبیه به برنامه‌ریزی بهینه و بهینه است، می‌دانید که با توجه به وضعیت کامل دانش، تصور می‌کنید، شما در حال انجام است، درست است؟ انگار هیچ راهی نیست و این آزمایش ها صدها میلیون دلار هزینه داشت. و بنابراین سوال این است که در پایان روز باید آزمایشات بالینی را انجام دهیم. چگونه مطمئن شویم که این آزمایش‌ها بهترین آزمایش‌هایی هستند که می‌توانیم اجرا کنیم، با توجه به همه دانشی که داریم، با توجه به همه داده‌هایی که داریم؟ داده‌های بسیار زیادی در اختیار داریم که در آن بینش‌هایی وجود دارد که منتظر یافتن هستند، جایی که ما دوست داریم افرادی را نداشته باشیم که بروند و آن‌ها را پیدا کنند، و این در نهایت به آزمایش‌های بهتر، آزمایش‌های بهتر کمک می‌کند، درست است؟

نیوتن: خب، پس من کنجکاو هستم که شما چگونه می‌بینید که ابزار کار متخصص شما با ابزار امروزی شما سازگار است. آیا این چیزی است که من آزمایش‌هایم را کامل کرده‌ام و اکنون برای انجام برخی تحلیل‌ها کمک می‌خواهم؟ آیا من تمام این آزمایش‌های قدیمی را دارم که فقط کمی آنالیز کرده‌ام و کنجکاو هستم که آیا می‌توانم آب بیشتری از آن‌ها بیرون بیاورم؟ یا مثلاً از چه راه های دیگری A.I را می بینید. آیا در حال حاضر برای دانشمندان شاغل واقعاً خوب هستید؟

رودریکز: بله، بله، سوال بسیار خوبی است. بنابراین در سال 2019 به من برمی گردیم، یعنی زمانی که من در حال اتمام دوره دکتری خود بودم، درست است؟ من این مجموعه داده های غول پیکر را داشتم و می خواستم فارغ التحصیل شوم زیرا دکترا بودم. دانشجو، که به این معنی بود که من سالی 40000 دلار یا چیزی دیگر درآمد داشتم و فرصت‌های خوبی برای بیرون رفتن و دوست نداشتن دکترا وجود داشت. دانشجو دیگر خوب، پس من شش ماه را به معنای واقعی کلمه گذراندم، درست مثل نشستن پشت میز کارم مانند تلاش برای تجزیه و تحلیل داده ها و نتیجه گیری، خواندن مقالات، درست است؟ در حال حاضر، این جایی است که Kosmos در آن جا می‌شود. مثل این است که، می‌دانید، شما فقط آن مجموعه داده را می‌گیرید، آن را به Kosmos می‌دهید، یافته‌های زیادی به دست می‌آید. در حال حاضر، شما باید بروید و یکسری کار دستی برای تأیید آن یافته ها و غیره انجام دهید. به زودی یافته‌هایی به دست می‌آید و شما مانند "عالی" خواهید بود.

روز: سام، کنجکاو هستم که آیا می‌توانی به ما و شنوندگانمان کمک کنی تا وضعیتی از دنیای هوش مصنوعی ارائه دهیم. علم همین الان اخیراً کاخ سفید آنچه را مأموریت پیدایش می‌نامد، اعلام کرد، که تلاشی فدرال برای جمع‌آوری و مهار همه این مجموعه‌های داده‌ای است که دولت فدرال روی آنها نشسته است و از آنها برای انجام کاوش‌های علمی جدید استفاده می‌کند. ما همچنین تلاش‌های زیادی داریم، از جمله تلاش شما، اما چیزهای زیادی در صنعت فناوری، صنعت بیوتکنولوژی، و افرادی که هوش مصنوعی انجام می‌دهند، در حال انجام است. برای علم مواد به ما این حس را بدهید که هم اکنون در A.I شبیه به سرزمین مانند آنچه داغ است. علم، تلاش و پول به کجا می رود؟

رودریکز:درست است. به منظور درک چشم انداز A.I. و علم، اولین چیزی که به طور اساسی باید درک کنید این است که A.I. در مورد مدل های ساختمان است، درست است؟ بنابراین، برای مثال، درست است، مانند یک مدل زبان، مانند یک مدل زبان چیست؟ مدل زبان اساساً مدلی از زبان انسان است. اتفاقاً وقتی شما یک مدل از زبان انسانی می سازید، یاد می گیرد که چگونه به نوعی مانند یک انسان فکر کند، زیرا انسان ها افکار خود را در زبان رمزگذاری می کنند. این مانند یکی از بزرگترین اکتشافات است، درست است، مطمئناً در قرن بیست و یکم، شاید در تمام دوران. به همین ترتیب، وقتی در مورد A.I صحبت می کنیم. در علم، چیزی که باید به آن فکر کنید این است که شما در حال الگوبرداری از چیزها هستید. این چیزی است که A.I. انجام می دهد. و دو دسته اساسی وجود دارد. مدل سازی دنیای طبیعی وجود دارد، درست است؟ و مدل سازی فرآیند انجام علم وجود دارد. این چیزها اساساً متفاوت هستند، و دلیل ایجاد این تمایز این است که، می دانید، کاری که ما انجام می دهیم، درست است، ما در حال الگوبرداری از روند انجام علم هستیم. طرف دیگر دنیای هوش مصنوعی در حال ساخت مدل‌هایی است که می‌توانند، برای مثال، ساختار پروتئین‌ها را پیش‌بینی کنند، که می‌توانند یک آنتی‌بادی جدید تولید کنند، که می‌توانند ارگانیسم جدیدی را از ابتدا ایجاد کنند، اینها همه چیزهایی هستند که در سال 2025 اتفاق افتاده است، جایی که فقط مقدار زیادی حرکت وجود دارد.

رز: بله، منطقی است. منظورم این است که از اتفاقاتی که در بخشی از فرآیند مدل‌سازی دنیای طبیعی روی می‌دهد، به تاخوردگی پروتئین، موجودات جدید اشاره کردید، چه چیزی شما را به‌عنوان یک دانشمند که دیده‌اید بیشتر هیجان زده کرده است؟

رودریکز: بنابراین، کاملاً هیجان‌انگیزترین چیزی است که در حال حاضر، من فکر می‌کنم این گرایش به سمت یک مدل ژنتیکی است. بنابراین، اینها چیزهایی هستند که در آنها مدل هایی هستند که می توانند نمونه هایی از پروتئین ها یا آنتی بادی ها یا هر چیز دیگری را تولید کنند که اساساً از ابتدا ویژگی های دلخواه را دارد. این یک قابلیت جدید است که ما قبلاً هرگز نداشته‌ایم، و بسیار بزرگ است.

نیوتن: من در مورد قطعه قابلیت اطمینان کنجکاوم زیرا شما در حال اجرای همه این آزمایش‌ها هستید. می دانید، من این هفته را در شبکه های اجتماعی دیدم، خودم آن را تکثیر کردم. اگر از گوگل بپرسید "آیا سال 2026 سال آینده است؟" گفت: "نه، سال 2026 سال آینده نیست، سال بعد از آن است." بنابراین، در چنین دنیایی، سام، برخی از مردم ممکن است از این ایده نگران شوند که ما اکنون به A.I اعتماد می کنیم. با تمام تجزیه و تحلیل داده های ما بنابراین، دانشمندان چقدر باید برای بازگشت به عقب و اساساً بررسی مجدد کار A.I. ها و چه نوع مالیاتی بر کار آنها اختصاص دهند؟

کوین رز و کیسی نیوتون میزبان پادکست هستند. دنیای تکنولوژی که به سرعت در حال تغییر است مشترک شوید و گوش دهید.

رودریکز: بله، این خیلی خنده دار است. منظورم این است که ببین، باید زمان زیادی را صرف برگردی و بررسی کنی. اما برای روشن بودن، این صرف نظر از اینکه آیا یک A.I درست است یا خیر. این کار را انجام می دهد یا اینکه از یک دوست می خواهید آن را انجام دهد. اگر می‌خواهید مقاله‌ای منتشر کنید، بهتر است برگردید و آن را بررسی کنید و مطمئن باشید که مطمئن هستید. و هرگز 100 درصد نخواهد بود، درست است؟ بهترین کاری که می‌خواهید انجام دهید این است که به جایی برسید که به همان اندازه خوب است که خودتان آن را انجام می‌دادید، که صد در صد نیست زیرا شما خطاناپذیر نیستید، و بررسی کار مثل همیشه سریع‌تر از تولید آن در وهله اول است. خیلی زیاد.

روز: بسیاری از بزرگترین پیشرفت های علمی ما در تاریخ از این نوع حوادث عجیب و غریب، این لحظات خوشبختی به دست آمده است. می دانید، پنی سیلین در یک ظرف پتری شروع به رشد می کند، و ما متوجه می شویم که "اوه خدای من، این عالی است." آیا A.I. حفظ آن نوع سرندیپی، آن نوع تصادفات، یا به نوعی آن را از بین می برند؟

رودریکز: بله، این یک سوال عالی است، و واقعیت این است که ما هنوز واقعاً نمی دانیم. این یک سؤال اصلی واقعاً مهم خواهد بود که بسیاری از مردم می پرسند.

روز: شهود شما در این مورد چیست؟

رودریکز: فکر می کنم احتمالاً خواهند کرد، زیرا —

رز: احتمالاً آن را حفظ خواهند کرد؟ اساساً مانند پنجره ای که روی مقداری آگار باز گذاشته شده بود و هیچ آنتی بیوتیکی در آن وجود نداشت. بدیهی است که آنها آنتی بیوتیک نداشتند زیرا این کشف اولین مورد بود، درست است؟ بنابراین، پنجره با مقداری آگار باز ماند و مانند، می دانید، برخی از هاگ ها روی آن پرواز کردند و شروع به رشد کردند و مشاهده کردند که باکتری مهار شده است، درست است؟ این یک اشتباه است. یکی خراب کرد، درسته؟ و این اشتباه منجر به چیزی خارق‌العاده شد، و من فکر می‌کنم شما اشتباهاتی خواهید داشت که حفظ خواهند شد.

نیوتن: اما در این بین، دانشمندان باید همیشه پنجره‌های خود را باز بگذارند. هرگز نمی‌دانی قرار است چه اتفاقی بیفتد.

رودریکز: شما به‌طور جدی می‌دانید، به‌طور جدی، مثل اینکه وقتی دانشجوی فارغ‌التحصیل در دانشگاه می‌گیرید، چیزهای زیادی وجود دارد، درست است؟ وقتی شما دانشجوی فارغ التحصیل می گیرید، دانشجویان سال اول فارغ التحصیل، آنها نمی دانند چه کاری باید انجام دهند. آنها هیچ ایده ای برای انجام دادن ندارند. و این منبع عظیمی از پیشرفت علمی است، زیرا آنها تصادفی‌ترین و مبهم‌ترین کارهایی را انجام می‌دهند که هیچ کس که چیزی می‌داند هرگز فکر نمی‌کند انجام دهد، و در واقع، واقعاً مهم است.

Roose: شما تقریباً مانند A.I می‌خواهید. مدل دانشمند برای کمی توهم زدن.

رودریکز: کاملا. یا فقط نویز اضافه کنید، درست است؟ ما در مورد این صحبت می کنیم درست مانند اضافه کردن نویز به منظور، این در واقع برای تکامل بیولوژیکی نیز مهم است، درست است؟ مثل اینکه ژنوم نویز زیادی دارد، و اینگونه است که تکامل به طور تصادفی مانند چیزهای جدید به دست می‌آید، آیا مانند پروتئینی وجود دارد که کاملاً تصادفی است، کاری انجام نمی‌دهد، سپس یک روز، ناگهان، اوه، کاری انجام می‌دهد، و این عالی است، درست است؟

A. آزمایشگاه‌ها، افرادی مانند دمیس و داریو و سام آلتمن، که می‌گویند، می‌دانید، "آی.آی به ما اجازه می‌دهد تا همه بیماری‌ها یا بیشتر بیماری‌ها را ظرف یکی دو دهه آینده درمان کنیم؟"

رودریکز: دهه دیوانه‌وار است. اوه، و من خوشحالم که موضع بسیار محکمی در این مورد اتخاذ می کنم، زیرا اگر اشتباه می کنم، این یک چیز عالی است، درست است؟ اما اگر اشتباه کنم، همه برنده می شوند. اما مثل اینکه، دهه دیوانه است.

روز: چرا دیوانه است؟

رودریکز: زیرا، به دلیلی که قبلاً در مورد آن صحبت کردیم: شما باید آزمایشات بالینی انجام دهید. اگر در حال حاضر دارویی داشتیم که از پیری جلوگیری می‌کرد، پیری را به طور کامل در انسان‌های بین ۲۵ تا ۶۵ سال یا چیزی دیگر متوقف می‌کرد، تا ۱۰ سال نمی‌دانستید، زیرا نمی‌توانید در انسان‌های آن محدوده سنی تشخیص دهید که آیا حداقل پنج یا ۱۰ سال پیر شده‌اند یا نه. مثلاً از سالی به سال دیگر متوجه نمی‌شوید که در حال پیر شدن هستید. بنابراین، نمی‌دانید که آیا آن چیز کار می‌کند یا نه.

نیوتن: نمی‌دانم. برخی از افراد در جلسه 10 ساله دبیرستان من قبلاً بسیار خشن به نظر می رسیدند.

رودریکز: (خنده)

نیوتن: از گفتن آن متنفرم.

رودریکز: من گفتم 25! کافی است.

رودریکز: اما، درست است. منظورم این است که ما باید آزمایش انجام دهیم. این آزمایش ها زمان می برد. اکنون، 30 سال است، فکر می کنم بسیار قابل قبول است. ما نمی دانیم چه چیزی ممکن است. ما نمی دانیم که آیا می توان پیری را متوقف کرد یا خیر. ما نمی‌دانیم که درمان همه بیماری‌ها یا هر چیز دیگری امکان‌پذیر است، اما از هم‌اکنون تا 30 سال آینده، فکر می‌کنم باید انتظار داشته باشید که از نظر دانش ما یک جهش بزرگ رو به جلو مشاهده کنید.

نیوتن: اجازه دهید کمی در مورد آن توضیح بدهم، زیرا فکر می‌کنم برخی افراد ممکن است این را بشنوند که می‌گویند این اساساً یک موضوع قانونی است، اما شما نمی‌دانید. برای اندازه گیری این تنظیم کنید. با این حال، من در مورد جنبه تجربی آن کنجکاو هستم. زیرا درک من این است که ما واقعاً به اندازه کافی زیست شناس نداریم که بتوانیم همه آزمایش هایی را که می خواهیم انجام دهیم. ما ممکن است بودجه لازم برای تامین هزینه آزمایش ها را نداشته باشیم. و شما این نکته را مطرح کردید که اجرای برخی از این آزمایش ها در واقع زمان زیادی می برد. بنابراین، چه عواملی در ذهن شما وجود دارد که خدمات رسانی به بیماری ها را بسیار سخت می کند؟

رودریکز: اوه خدای من. باید بروی و دوست داشته باشی، می‌دانی، حتی اگر فرض کنیم مولکولی داشته باشی که می‌خواهی آن را در یک انسان آزمایش کنی، و بدانی که می‌خواهی آن را روی کدام انسان‌ها آزمایش کنی، باید بروی و آن را بسازی، درست است؟ انسان ها بزرگ هستند، به مقدار زیادی از آن نیاز دارند. شما باید مطمئن شوید که نمره آن به اندازه کافی بالا است که بتوانید آن را در یک انسان قرار دهید. شما باید بیماران را پیدا کنید، یعنی ایجاد رابطه با پزشکان، درست است؟ در واقع، می دانید، منتظر بمانید تا بیماران کافی برای انجام این کار داشته باشید. برای بسیاری از بیماری ها، فقط تعداد بیماران زیادی وجود ندارد. و بنابراین یافتن بیماران سخت است، درست است؟ و سپس باید در واقع آنها را دوز کنید. باید صبر کرد و دید چه اتفاقی می افتد، درست است؟ حتی بدون مقررات، سرعت آن کند خواهد بود.

نیوتن: بله. A.I وجود ندارد میانبر تقریباً برای هر یک از آن‌ها، حداقل در حال حاضر نه.

رودریکز: نه، مانند آنچه A.I. به ما این امکان را می دهد که این کار به ما امکان می دهد چیزهای زیادی را در جایی که قبلاً اطلاعات لازم برای کشف آن ها را داریم کشف کنیم. ما فقط هنوز متوجه این موضوع نشده ایم. مورد دیگری که A.I. محققان گاهی اوقات در مورد آن صحبت می کنند، که احتمالاً منطقی نیست، مثل اینکه نباید انتظار داشته باشید که روزی دوست داشته باشید GPT-7 دریافت کنید و دقیقاً از او بپرسید که چگونه آلزایمر را درمان کنید و فقط به شما می گوید. انتظار من این است که دانش کافی وجود نداشته باشد. ما دانش کافی برای حل اصولی آن را نداریم، حتی با هوش بی نهایت، درست است؟ مانند هوش بی‌نهایت، هنوز هم چیزهایی وجود دارند که در مورد دنیایی که برای دیدن آن باید آزمایش‌ها را انجام دهیم، ناشناخته هستند. با توجه به همه چیزهایی که شناخته شده است، می‌توانید بهترین آزمایش ممکن را برنامه‌ریزی کنید، اما می‌دانید که نمی‌توانید به‌نوعی آن را به شکلی جدید دوست داشته باشید، درست است؟

رز: کیسی، من لاتین را انتخاب کردم. یعنی از جدید

نیوتن: اوه ممنون، متشکرم. این من را یک قدم از گوگل نجات داد.

روز: این به خودی خود کاملاً علمی نیست، اما من کنجکاو هستم که شما در مورد آن چه فکر می کنید، سم. همه A.I بزرگ آزمایشگاه‌ها با ریاضیات، برنده شدن در المپیاد بین‌المللی ریاضی، کسب مدال طلا، و حل این قضایای ثابت نشده ریاضی وسواس دارند. و من نظری در این مورد دارم، این است که معتقدم این به این دلیل است که این آزمایشگاه‌ها پر از افرادی است که خودشان در دبیرستان ریاضی‌دان رقابتی بودند و در I.M.O شرکت کردند. و خیلی خوب انجام داد و بسیاری از این افراد فکر می کنند که مانند A.G.I. مانند یک نسخه کمی هوشمندتر از آنها خواهد بود. اما من کنجکاو هستم که چرا این مکان‌ها آنقدر به ریاضیات علاقه دارند که یکی از اولین مکان‌ها هستند که می‌خواهند پیشرفت زیادی داشته باشند؟

رودریکز:دو دلیل وجود دارد. من فکر می کنم یکی از دلایل دقیقاً همان چیزی است که شما گفتید. این فقط آشناست، درست است؟ اما دلیل دیگر این است که شما می توانید پیشرفت را اندازه گیری کنید، درست است؟ بنابراین، در نهایت، مانند آنچه باعث پیشرفت در یادگیری ماشینی می شود، بخش بزرگی از آنچه باعث پیشرفت می شود، معیارها هستند. با ریاضیات، می توانید تشخیص دهید که آیا اثبات شما درست است یا خیر. و به نوعی بی نهایت چیز برای اثبات وجود دارد. بنابراین، تشخیص اینکه آیا در حال بهتر شدن هستید یا خیر، بسیار آسان است. و مواردی مانند I.M.O. فقط مثل فرصت های عالی حاضر شوید در مقابل، اگر به برخی از بزرگترین پیشرفت‌های اخیر نگاه کنید، بزرگترین پیشرفت‌های امسال در A.I. برای زیست شناسی، درست است؟ چیزهایی مانند چای دیسکاوری، نابلا، مدل‌های بسیار خوبی برای تولید آنتی‌بادی‌های نو، درست است؟ موفقیت بزرگ، اما در نهایت، پیروزی برای آنها زمانی است که در یک انسان تایید شود، و ممکن است پنج سال دیگر یا چیزی شبیه به آن باشد. موسسه Arc مانند اولین باری که یک ارگانیسم را از ابتدا طراحی کرد، یک باکتریوفاژ طراحی کرد. این نوعی ویروس است که باکتری ها را آلوده می کند. باور نکردنی، درسته؟ اما ارزیابی آن سخت تر است. مثلا چقدر خوبه مانند، شما قرار نیست آن را در طبیعت رها کنید، و بنابراین، ارزیابی آن دشوارتر است، در حالی که I.M.O. فقط فوق العاده تمیز است و بنابراین فکر می‌کنم این چیزی است که ما در مورد آن زیاد فکر می‌کنیم، دقیقاً مانند، می‌دانید، چگونه می‌توانیم معیارهای واقعاً واضحی را بدست آوریم که می‌توانیم برای سنجش اینکه آیا کار علمی خوبی انجام می‌دهیم یا نه؟

روز: من در اینجا پاسخی دارم: المپیاد بین‌المللی درمان سرطان. این را شروع کنید؟

نیوتن: فکر می کنم عالی خواهد بود!

روز: اگر مردم برنده شوند می توانیم مدال بدهیم. اوه، بیایید به آن بپردازیم، آزمایشگاه ها. بنابراین، زمانی که C.E.O.s یا رهبران این شرکت ها این اظهارات را در مورد چگونگی درمان همه بیماری ها با استفاده از A.I بیان می کنند. آیا در 10 سال یا 15 سال آینده، یا هر جدول زمانی دیگری که ارائه می دهند، این کار را به این دلیل انجام می دهند که گلوگاه ها را درک نمی کنند؟ منظورم این است که اینها افراد بسیار باهوشی هستند. بنابراین، آنها چه چیزی را نمی بینند، یا فقط به عنوان نوعی تمرین بازاریابی این کار را انجام می دهند؟ آیا این تلاشی است برای هیجان زده کردن مردم در مورد A.I. در غیر این صورت چه کسی ممکن است در مورد آن ترسیده باشد؟ چرا آنها این پیش بینی ها را ارائه می دهند؟

رودریکز: نه، نگاه کنید، منظورم این است که من فکر می کنم که آنها هستند - افراد منطقی ممکن است مخالفت کنند. دلایل زیادی وجود دارد که می‌توانید استدلال کنید که واقعاً مدل‌ها فوق‌العاده هوشمند می‌شوند و آنها راه‌هایی برای اندازه‌گیری اینکه آیا ما پیشرفت می‌کنیم یا نه قبل از اجرای یک کارآزمایی بالینی پیدا می‌کنند و این باعث افزایش چرخه تکرار می‌شود، درست است؟ مثلاً، استدلال های معقولی در این مورد وجود دارد، درست است؟ می دانید که ما دیگر آزمایشات بالینی کامل را انجام نمی دهیم، فقط از نشانگرهای زیستی استفاده خواهیم کرد. مثلاً این احمقانه نیست و این یکی از راه‌هایی است که می‌توانم اشتباه کنم، و شاید در 10 سال آینده، ما برای همه بیماری‌ها درمان داشته باشیم. بنابراین، این بخشی از آن است. بدیهی است که بخشی از آن وجود دارد و آن این است که آنها می‌خواهند موضوع را تبلیغ کنند. بخشی از آن این است که، می‌دانید، آیا سام آلتمن واقعاً درک می‌کند که برای رفتن و تولید چه چیزی لازم است، مثلاً تولید یک مولکول کوچک را برای قرار دادن آن در کلینیک افزایش دهد؟ مثل، احتمالا نه، درست است؟ بنابراین، مخلوطی وجود دارد. من فکر نمی کنم هیچ کدام از آن بد نیت باشد. فقط این است که مردم بسیار هیجان زده هستند. در مقطعی کمی با واقعیت برخورد خواهد شد. ما دقیقاً می‌خواهیم ببینیم که کجاست، اما صرفنظر از این، آینده عالی خواهد بود، درست است؟

نیوتن: در این لحظه در سال 2025، فکر می‌کنید چقدر A.I. ابزارها زندگی یک دانشمند شاغل را تغییر داده‌اند، و انتظار دارید که یک سال دیگر چقدر متفاوت باشد؟

رودریکز: فکر می‌کنم تا جایی که آنها هنوز این کار را نکرده‌اند، شوکه خواهید شد. دانشمندان به طور کلی افراد بسیار محافظه‌کاری هستند، زیرا اگر آزمایشی را اجرا می‌کنید، هرگز به طور کامل نمی‌دانید، حداقل در زیست‌شناسی، معمولاً نمی‌دانید چرا آزمایش کار می‌کند و چرا نه. مواردی وجود دارد که شما از پروتکل هایی که در گذشته اجرا کرده اید به ارث برده اید، و مانند این است که ما این کار را انجام می دهیم. می توانید بروید و آن را آزمایش کنید، اما چیزهای زیادی برای آزمایش وجود دارد. بنابراین، شما فقط به نوعی در روش های خود قفل شده اید، و این چیزی است که کار می کند، و شما فقط می خواهید کاری را انجام دهید که کار می کند. و به همین دلیل زیست شناسان فقط روش های جدید را به آرامی اتخاذ می کنند. من فکر می‌کنم که بیشتر آزمایشگاه‌ها در سراسر جهان هنوز احتمالاً به روشی که قبلاً انجام می‌دادند، علم انجام می‌دهند، و احتمالاً برای مدتی به این کار ادامه خواهند داد، و این اشکالی ندارد. من فکر می‌کنم در یک مکان، با کدنویسی، بسیاری از مردم از قبل آن را پذیرفته‌اند، زیرا در زیست‌شناسی، از نظر تاریخی، کدنویسی یک گلوگاه بزرگ بوده است. اکنون این یک قفل بزرگ است که زیست‌شناسانی که نمی‌دانند چگونه کدنویسی کنند، می‌توانند با استفاده از Claude Code، با استفاده از مدل‌های OpenAI، Gemini و غیره، کدگذاری زیادی انجام دهند. بنابراین، این یک قفل بزرگ است. من فکر می کنم که به سرعت شاهد پذیرش زیادی خواهیم بود. جستجوی ادبیات، درست است؟ مانند توانایی تجزیه و تحلیل بیکران ادبیات علمی، این یک قفل بزرگ است، که خیلی سریع پذیرفته می شود. ابزارهایی مانند چیزی که می‌سازیم کمی مرزی‌تر هستند. در نهایت، مردم وقتی ببینند دیگران از آن‌ها استفاده می‌کنند و نتایج عالی می‌گیرند، آن‌ها را به کار می‌گیرند.

رز: سام، می‌توانیم اینجا با شما یک بازی صاعقه‌ای کوچک انجام دهیم؟ ما به این یکی Overhyped/Underhyped می گوییم. بنابراین ما چیزی به شما می گوییم، و شما به ما بگویید که آیا از نظر علمی شما این موضوع بیش از حد یا کم هیپ است. آماده است؟ اثبات پرشور این زمانی است که A.I. سیستم‌ها بیرون می‌روند و دوست دارند برهان‌های ریاضی بنویسند.

رودریکز:اگر من یک انتخاب اجباری داشته باشم، احتمالاً بیش از حد گفته شده است. این به عنوان یک محرک پیشرفت در A.I عالی است، و خوب بودن در آن احتمالاً پیامدهایی در جاهای دیگر خواهد داشت، اما آیا خودش تا این حد مفید است؟ مطمئن نیستم.

Roose: Robotics for A.I. اتوماسیون آزمایشگاهی؟

Rodriques:Robotics for automating A.I. آزمایشگاه‌ها یا …؟

رز: بله یا برای خودکارسازی آزمایشگاه‌های علمی.

نیوتن: مانند آزمایشگاه‌های مرطوب.

Rodriques: رباتیک برای خودکارسازی آزمایشگاه‌های علمی. اوم، من فکر می کنم به درستی هیپ شده است. کاملاً متحول خواهد شد. این فناوری هنوز به هیچ وجه وجود ندارد. کارهای زیادی وجود دارد که باید انجام دهیم، اما، بله، احتمالاً به طور مناسب تبلیغاتی شده است.

Newton: AlphaFold 3؟

Rodriques: این یک مورد جالب است. منظورم این است که من فکر می‌کنم که احتمالاً مانند همه مدل‌های ساختار پروتئینی، تبلیغات زیادی در اطراف آنها وجود دارد، اما آنها بسیار متحول خواهند شد. بنابراین، من می توانم بگویم احتمالا underhyped. با این حال، تبلیغات زیادی در اطراف آن وجود دارد، بنابراین تصمیم گیری سخت است.

Roose: سلول های مجازی؟ ما از پاتریک کولیسون در تابستان امسال در مورد کارهایی که موسسه Arc با ساخت سلول مجازی انجام داده است، شنیدیم.

رودریکز:این موضوع بیش از حد مطرح شده است، اما به دلیل خاصی. مدل هایی که آنها در Arc می سازند عالی هستند. و آنها کارهای مشابهی را در نیو لیمیت، چان زاکربرگ انجام می دهند. مانند بسیاری از این مکان ها، بسیاری از این شرکت های بزرگ و سازمان های بزرگ این کار را انجام می دهند. من فکر می کنم که نامیدن آن یک سلول مجازی کمی بیش از حد است، درست است؟ مانند در نهایت، این نوع مدل چیزی بسیار خاص را مدل می کند. مانند، ساختن یک سلول مجازی واقعی، مانند شبیه سازی یک سلول در یک کامپیوتر، یک هدف شگفت انگیز است. ما خیلی با آن فاصله داریم.

نیوتن: محاسبات کوانتومی؟

رودریکز: بیش از حد.

روز: رابط های مغز و کامپیوتر؟ من می خواهم بگویم که بیش از حد درج شده است. من اعتقاد زیادی به B.C.I.s دارم. من فکر می کنم B.C.I. های موثر یا روشی که ما آنها را در تخیلی تصور می کنیم، فراتر از تصور مردم است. حتی Neuralink هم در حال پیشرفت شگفت‌انگیزی است —

رز: بله کیسی در حال حاضر یکی از آن‌ها را در سر دارد.

نیوتن و رودریکز: (خنده)

رز: در حال پیشرفت است. اما من فکر می‌کنم این فراتر از آن چیزی است که مردم فکر می‌کنند.

نیوتن: بنابراین، ما به پایان سال نزدیک می‌شویم. اگر بتوانیم شما را کمی در حالت انعکاسی قرار دهیم، فکر می‌کنید سه پیشرفت برتر علمی مبتنی بر هوش مصنوعی در سال جاری چه بوده‌اند؟

رودریکز: بله، فکر می‌کنم اولین مورد بود - خوب، صادقانه بگویم، امسال سال کارگزاران بوده است. امسال سالی بود که مردم ماموران را کشف کردند، و من با حسن نیت انجام می دهم، باید خودم را قرار دهم، باید ما را در آن لیست قرار دهم. همچنین با همکاری دانشمند گوگل، منظورم این است که ما تنها افرادی نیستیم که روی این موضوع کار می کنیم. گوگل کار بزرگی انجام داده است. یک سری افراد دیگر هم هستند. بنابراین، A.I. عوامل برای علم، قطعا. و پس از آن، مانند، طراحی مولد فقط یک لحظه بزرگ است، درست است؟ بنابراین، کارهای دیگر احتمالاً همان کاری است که چای انجام می‌دهد، کاری که نابلا انجام می‌دهد، و بسیاری دیگر، روی طراحی آنتی‌بادی de novo.

نیوتن: اتفاقاً من واقعاً خوشحالم که قبلاً در پادکست de novo را تعریف کردید. خیلی مطرح شده است.

Roose: بله.

Rodriques: ببخشید، وقتی می‌گویم de novo، منظورم این است که به معنای واقعی کلمه، آن را از ابتدا تولید می‌کند. شما چیزی به آن نمی دهید، درست است؟ شما فقط دوست دارید، یا به آن هدفی می دهید که می خواهید به آن متصل شود، و آن را از ابتدا تولید می کند. این بسیار بزرگ است زیرا اساساً وعده ای که شرکت هایی مانند Chai، Nabla و غیره به دنبال آن هستند، دنیایی است که در آن می توانید بگویید: "ما می دانیم برای درمان این بیماری، باید آن پروتئین را هدف قرار دهیم." شما روی یک دکمه کلیک می کنید و یک آنتی بادی دارید که می توانید فردا بروید و در انسان قرار دهید. عظیم است مقدار زیادی از کارهایی که مردم قبلاً باید انجام دهند را کاهش می دهد. بنابراین، این یک مورد بزرگ است. و سومی، من فقط مثل کاری که برایان هی، پاتریک هسو، و غیره در مؤسسه آرک با تولید ارگانیسم‌ها انجام دادند، فکر می‌کنم. ما اکنون می دانیم که چه معنایی دارد. این چیزی است که مهم است.

رودریکز و رز: (خنده)

رز: این کلمه ی هفته ی ما شبیه «خانه ی بازی Pee-wee» است. من نمی دانم. آیا فوق العاده است؟ مثل، کاملا. این پیشرفت بزرگی است.

روز: و، سام، چه چیزی را باید در سال آینده تماشا کنیم؟ در مورد چه چیزی هیجان زده هستید که ممکن است برای سال 2026 سقوط کند؟

Rodriques: صادقانه بگویم، این دوباره ماموران هستند که شاهد انفجار هستند. ما در حال حاضر مانند آغاز آن منحنی S هستیم و این قرار است ادامه یابد. شاید یک سال پیش به مردم بگویم که در سال 2026 یا شاید 2027 فکر می‌کردم که اکثر فرضیه‌های باکیفیت که توسط جامعه علمی ایجاد می‌شوند توسط ما یا عواملی مانند فرضیه‌هایی که می‌سازیم ایجاد می‌شوند. و وقتی آن را در سال 2024 گفتم، فکر می‌کردم بیش از حد زیاده‌گویی می‌کنم، درست است؟ من فقط مثل "من به کمی تبلیغات نیاز دارم." در این مرحله، ممکن است واقعی باشد. منظورم این است که فکر می کنم سال 2026 برای آن جاه طلبانه خواهد بود. منظورم این است که برای اکثر فرضیه‌های خوب که توسط عوامل ساخته می‌شوند، این یک جهش بزرگ است. اما مانند، 2027، بله، مرد. منظورم این است که سال 2026 سالی خواهد بود که ما فقط می بینیم که این عوامل شروع به نفوذ به همه چیز می کنند، درست است؟ به آزمایشگاه‌ها نفوذ کنید، به زندگی عادی مردم نفوذ کنید. منظورم این است که در حال حاضر این اتفاق افتاده است.

رز: باحال.

نیوتن: آره.

رز:خب، من مشتاقانه منتظرش هستم. سام، از شما بسیار سپاسگزارم که به ما آموزش علمی دادید که به وضوح در مدرسه ندیده بودیم.

نیوتن: آره، شما واقعاً به ما چیزهای جدیدی دادید که در مورد آنها فکر کنیم. من از آن قدردانی می کنم.

رودریکز: (خنده) خوب است. بچه ها متشکرم.

به «Hard Fork» گوش دهید و دنبال کنید

Apple | Spotify | آمازون | یوتیوب | iHeartRadio

دسترسی کامل به پادکست های نیویورک تایمز را باز کنید و همه چیز را از سیاست گرفته تا فرهنگ عامه کاوش کنید. امروز در nytimes.com/podcasts یا در Apple Podcasts و Spotify مشترک شوید.

بازخورد

می خواهیم از شما بشنویم. به ما در hardfork@nytimes.com ایمیل بزنید. "Hard Fork" را در YouTube و TikTok بیابید.

اعتبار

"Hard Fork" توسط Kevin Roose و Casey Newton و تولید شده توسط میزبانی می شود. -->ویتنی جونز. این قسمت توسط جن پویانت ویرایش شده است. مهندسی توسط Chris Wood و موسیقی اصلی توسط Dan Powell، Diane Wong، Alyssa Moxley و Rowan Niemisto. بررسی واقعیت توسط Will Peischel.

با تشکر ویژه از Paula Szuchman، Pui-Wing Tam و Dahlia Haddad.