2024-08-31
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
태양광 산업을 예로 들면, amodei는 기술이 매우 중요해지고 시장에서 널리 사용되더라도 단일 기업이 높은 수익을 창출하기 어려울 수 있으며 높은 상용화로 인해 기업의 수익성이 제한될 수 있다고 믿습니다. 태양광 산업과 마찬가지로 ai 기술의 시장 규모는 매우 클 수 있지만 이를 통해 수익을 창출하기 어려울 수 있으며, 참여자 간 수익 분배 문제도 매우 복잡합니다.
하드 ai
저자 | 황웬웬
에디터 | 하드 ai
이번주에는 'ai 유니콘' 앤트로픽의 ceo이자 공동 창업자인 다리오 아모데이(dario amodei)가 인터뷰에 참여해 ai 산업 발전, 스케일링 법칙 등에 대해 논의했다.
확장의 법칙은 주로 데이터와 컴퓨팅 성능이 향상되면 모델의 성능도 향상된다는 사실을 나타냅니다.amodei는 이 법칙이 계속 유지된다면 ai가 매우 강력해지고 새로운 비즈니스 모델과 기술 혁신을 가져올 것이라고 믿습니다.
하지만 이 법칙이 항상 적용되는 것은 아니며, 일부 측면에서 모델의 성능을 더 이상 향상시킬 수 없다면 ai 산업 전체가 영향을 받을 수도 있다고 강조했습니다.
아모데이는 ai 산업과 태양광 산업을 비교하는 데에도 집중했다. 그는 태양광 산업을 예로 들어, 기술이 매우 중요해지고 시장에서 널리 활용된다고 해도 단일 기업이 높은 수익을 창출하기는 여전히 어려울 수 있음을 설명했다.
태양광 기술은 에너지 산업 전체를 거의 뒤흔들 정도였으나 시장은 고도로 상품화되고 경쟁이 치열하며 브랜드 효과가 크지 않아 각 기업의 수익성에는 일정한 한계가 있습니다.
태양광 산업과 마찬가지로 ai 기술의 시장 규모는 매우 클 수 있지만, 이를 통해 수익을 창출하기 어려울 수도 있습니다. ai의 수익 모델은 모델 계산 비용, 추론 비용 등과 같은 여러 요인의 영향을 받을 수 있습니다. 하드웨어 제공업체, 모델 개발자 및 애플리케이션 계층 간의 수익 분배도 상당히 복잡하며 상당한 어려움에 직면해 있습니다.
화두는 다음과 같습니다.
1. scaling law를 비즈니스 이슈와 완전히 분리하는 것은 다소 어렵습니다.
2. 시장이 너무 크기 때문에 나의 초기 대답은 이익이 이 모든 곳으로 흐를 것이라는 것입니다.
3. 확장의 법칙이 맞다면 이는 매우 거대한 시장이 될 것입니다. 이익의 10%만이 공급망의 특정 부분에 분배된다고 해도 여전히 엄청난 규모입니다.
4. 수백억 또는 수천억 개의 매개변수로 모델을 구축하는 경우 관련된 엔터티는 4~5개 이하일 수 있습니다(일부 국영 기업도 있을 수 있음). 따라서 우리가 보고 있는 것은 완전 독점이나 완전 상품화보다는 과점에 더 가까운 것일 수 있습니다.
5. 이런 모델이 출시되더라도 추론에 있어서 이렇게 큰 모델의 운영 비용은 매우 높으며, 비용의 대부분은 모델 훈련보다는 추론에 사용됩니다. 더 나은 추론 방법이 있다면 10%, 20%, 30%만 개선해도 큰 영향을 미칠 수 있습니다.
6. 우리는 더 크고 더 강력한 모델과 더 빠르고 저렴하며 덜 지능적인 모델을 보유하고 있습니다. 일부 고객은 대형 모델이 다수의 소형 모델에 작업을 할당한 다음 대형 모델에 보고하여 마치 무리.
7. 누구도 스케일링 법칙이 영원히 지속될 것이라고 믿어서는 안 됩니다. 이는 단지 경험적 관찰일 뿐이며 언제든지 멈출 수 있습니다. 나는 10년 동안 그들을 관찰해왔고 그들이 멈추지 않을 것이라는 내 추측은 내가 그들을 관찰해 온 시간에 기초하여 단지 60-40 또는 70-30의 제안일 뿐입니다.
8. ai를 올바르게 사용할 수 있다면 이러한 발견 속도를 10배, 어쩌면 100배까지 높일 수 있습니다.
인터뷰 전문은 다음과 같으며, 일부 내용은 삭제되었습니다.
01
구글은 인공지능 시대의 벨랩이 되지 못했다
노아 스미스：
이 경제학 팟캐스트에서 우리는 순전히 기술적인 내용보다는 경제에 관해 이야기하는 것을 선호합니다. 그렇다면 구글은 인공지능 시대의 벨 연구소인가?
현대 딥러닝과 트랜스포머 등을 연구했지만 벨 연구소처럼 상용화에는 성공하지 못했습니다. 그들은 독점 자금으로 이 연구에 자금을 지원했고 당신과 같은 흥미로운 사람들이 그곳에서 일하다가 벨 연구소의 페어차일드 사람들처럼 회사를 시작하기 위해 떠났습니다. 이것이 적절한 비유라고 생각하시나요?
다리오 아모데이:
완벽한 비유는 없지만, 확실히 거기에는 어느 정도 진실이 있다고 생각합니다. 많은 사람들은 이를 학문적 경력의 연속으로 여겼으며, 이는 google이 목표를 달성할 수 있는 더 많은 리소스를 가지고 있다는 점을 제외하면 bell labs의 산업 환경과 매우 유사했습니다. 따라서 많은 프로젝트가 연구되고 있습니다. transformer는 이 분야를 주도하는 주요 발명품 중 하나이며 현재 진행 중인 약 100개의 프로젝트 중 하나일 뿐입니다.
당신이 조직의 최고 책임자라면 개발 중인 다른 99개 프로젝트와 합리적으로 구별할 수 없을 것입니다. 백 송이의 꽃이 피어 서로 경쟁하는 것과 같습니다. 그때가 제가 처음으로 규모의 법칙을 제안한 때인 것 같습니다. 즉, 이러한 혁신을 대규모로 확장하고 통합해야 한다는 것입니다.
이론적으로 google은 이를 수행하기에 가장 좋은 장소입니다. google은 수많은 재능 있는 엔지니어와 필요한 모든 요소를 갖춘 세계 최대 규모의 클러스터를 보유하고 있습니다.하지만 구글은 검색을 위해 조직되어 있으며, 반드시 그 모든 부분을 하나로 모아 이전과 완전히 다른 것을 대규모로 확장하려는 목적을 가지고 있다고 생각하지 않습니다.
노아 스미스：
bell labs가 컴퓨터를 발명하여 모든 사람에게 컴퓨터를 제공하도록 설정되지 않은 것처럼 모든 사람에게 연결되도록 설정되었습니다.
다리오 아모데이:
네, 전화 회사입니다. 그래서 제가 google을 대변할 수는 없지만 이제 이 모든 놀라운 것들을 발명한 것 외에도 분명히 google은 우리의 파트너이자 경쟁자인 최첨단 모델을 갖춘 상위 4개 회사 중 하나입니다. 나는 그곳에서 매우 똑똑한 사람들을 많이 알고 있습니다.
하지만 제 생각에는 당신 말이 맞다고 생각합니다. 이러한 요소들을 올바른 방식으로 결합할 수 있다면 그들이 유일한 지배자가 될 수 있는 때가 올 것입니다. 그러나 어떤 이유에서인지 상황은 그렇게 흘러가지 않았습니다.
02
스케일링 법칙:
데이터 크기가 커질수록 모델은 더욱 강력해집니다.
노아 스미스：
이것은 우리가 생각하고 있는 또 다른 질문을 불러일으킵니다. 사실 우리가 여러분과 이야기를 나누자는 아이디어는 기본적으로 인터넷 비즈니스의 경제학에 관해 이야기하던 다른 팟캐스트에서 논의하던 것에서 나왔는데, 누군가 ai 비즈니스에 대해 비관적인 견해를 제기하면서 ai가 얼마나 많은지 의문을 제기했습니다. 실제로 경제적 해자가 있습니다.
분명히 이것은 anthropic 및 우리가 스타트업이라고 부르는 다른 회사와 밀접한 관련이 있지만 이미 규모가 상당히 큽니다.그렇다면 ai 기업의 경제적 해자에 대해 어떻게 생각하는지 말씀해 주십시오.
다리오 아모데이:
나는 이 질문을 두 갈래로 조금 나눌 것이라고 말하고 싶습니다. 스케일링법과 비즈니스 이슈를 완전히 분리하는 것은 어렵다고 생각합니다. 따라서 스케일링 법칙이 매우 강력한 형태로 유지되는 경우를 고려한 다음 부분적으로 유지되거나 전혀 유지되지 않는 경우를 고려해 보겠습니다. 이것이 매우 강력한 형태로 유지되면 상황은 다음과 같습니다.
이제 1억 개의 매개변수로 모델을 훈련했으며 그 성능은 훌륭한 대학 신입생의 성능과 동일합니다.
그런 다음 우수한 학부생의 능력에 해당하는 10억 개의 매개변수를 사용하여 모델을 훈련합니다.
수백억 개의 매개변수로 모델을 훈련했으며 그 능력은 최고의 대학원생과 맞먹습니다.
수천억 개의 매개변수로 모델을 훈련시키면 그 성능은 노벨상 수상자와 맞먹습니다.
그런 다음 이 모델을 서비스에 적용하고 기본적으로 모든 사람에게 봉사합니다. 그러면 그것은 동료가 되고, 개인 비서가 되고, 국가 안보에 도움이 되고, 생물학 연구에 도움이 됩니다.
그 세계에서는 이 시스템과 이를 기반으로 한 제품이 경제의 큰 부분을 차지할 것이라고 생각합니다. 남은 문제는 수익금이 어디로 갈 것인가이다. nvidia, 인공 지능 회사 또는 다운스트림 애플리케이션으로 흘러갈까요? 시장이 너무 크기 때문에 나의 초기 대답은 다음과 같습니다.혜택은 이 모든 곳으로 흘러갑니다.
03
ai의 미래는 태양광 산업과 유사할 것이다
노아 스미스：
하지만 태양광에 대해 생각해 보세요. 태양광은 분명히 매우 중요할 것입니다. 더 많은 에너지가 필요할수록 태양 에너지는 더 널리 보급될 것입니다. 하지만 어느 태양광회사가 많은 이익을 내고 있는지는 알기 어렵다. 태양 에너지는 매우 상품화된 제품이며, 많은 혁신이 있지만 브랜드 효과, 네트워크 효과, 락인 효과가 없습니다. , 그리고 이것은 바로 우리 눈앞에서 세상을 변화시키고 있습니다.
그래서 저는 지금 당장 모든 것이 태양열처럼 호황을 누릴 것이라고 해서 그것이 반드시 회사의 이익으로 이어질 것이라고 완전히 확신하지 못합니다. 그러나 나는 확실히 가능성을 열어두고 있습니다. 나는 단지 알고 싶다.출처가 무엇이라고 생각하시나요? 인공지능의 발전은 왜 다를까?
다리오 아모데이:
태양광 발전? 나는 이것이 대부분의 세계에서 중요한 질문이라고 생각하기 때문에 여기에 두 가지 요점이 있다고 생각합니다. 아마도 스케일링 법칙이 옳다면 이것은 매우 거대한 시장이 될 것이라고 말하는 것일 수도 있습니다. 이익의 10%만이 공급망의 특정 부분에 분배된다고 해도 여전히 엄청난 규모입니다.
파이를 더 크게 만들면 가장 흥미로운 질문이 됩니다. 하지만 1달러 지폐를 어떻게 분배할지 결정하는 사람들은 확실히 1조 달러가 어디로 가는지에 대해 매우 걱정할 것입니다. 하지만 귀하의 질문으로 돌아가 보겠습니다. 왜냐하면 저는 그것이 전 세계적으로 중요하다고 생각하기 때문입니다.문제의 핵심은 나누고 있는 "파이"가 얼마나 큰가입니다.
첫째, 모델 측면에서는 scaling law에 의존합니다. 수백억 또는 수천억 개의 매개변수로 모델을 구축한다면 아마도 4~5개 이하의 기업(및 일부 국영 기업)이 관련될 것입니다. 따라서 우리가 보고 있는 것은 완전 독점이나 완전 상품화보다는 과점에 더 가까운 것일 수 있습니다.
여기서 한 가지 질문은 '누군가 10억 또는 100억 개의 매개변수가 있는 오픈 소스 모델을 출시할 것인가?'입니다. 그런 모델이 출시되더라도 추론에 있어서 이렇게 큰 모델의 운영 비용이 매우 높으며, 대부분의 비용이 모델 훈련보다는 추론에 들어가는지 회의적입니다. 더 나은 추론 방법이 있다면 10%, 20%, 30%만 개선해도 큰 영향을 미칠 수 있습니다. 경제성은 조금 이상합니다. 상각해야 하는 고정 비용이 엄청나지만 추론의 단위 비용도 있고, 그 가정 하에서 충분히 광범위하게 배포하면 차이가 엄청날 수 있습니다. 이것이 어떻게 진행될지 잘 모르겠습니다.
노아 스미스：
이는 실제로 철강이 만들어지는 과정과 같은 중공업의 경제학과 유사합니다.
다리오 아모데이:
네, 조금요. 흥미롭게도 제가 말씀드리고 싶은 또 다른 점은 이러한 모델 내에서 모델들이 서로 다른 성격을 갖고 있다는 것을 보기 시작했다는 것입니다. 따라서 상품화가 가능하지만 과점 상황에서도 특정 모델이 배포되는 방식이 상품화될 수 있습니다. 물론 확실하지는 않습니다.
하지만 그 견해에 반대되는 한 가지 힘은: 내가 프로그래밍을 잘하는 모델을 만들었고, 당신은 창의적인 글쓰기를 잘하는 모델을 만들었고, 제3자가 엔터테인먼트를 잘하는 모델을 만들었다는 것입니다. 이것은 선택이며 일단 그러한 선택을 시작하면 이를 중심으로 인프라를 구축하기 시작하며 이는 어느 정도 차별화를 위한 전제 조건을 만드는 것으로 보입니다.
차별화의 또 다른 원천은 모델을 기반으로 제작된 제품입니다.이론적으로는 모델 계층과 제품 계층을 분리할 수 있지만 실제로는 서로 연관되어 있어 조직 전체에서 작업하는 것이 어려울 수 있습니다. 따라서 모델에 관해서는 공통된 논리가 있지만, 많은 회사가 같은 방향으로 움직이고 모델을 더 스마트하게 만들고 더 빠르게 추론할 수 있는 다중 모드 기능을 추가하면서 제품은 매우 다릅니다.
우리가 진행한 이 "artifacts" 프로젝트를 보면 모델 작성 코드를 실시간으로 시각화하는 방법입니다. 우리는 이를 수행합니다. openai에는 고유한 접근 방식이 있고 google에는 고유한 접근 방식이 있습니다. 이것도 기업 차별화의 원천 중 하나라고 생각합니다.
우리는 상대적으로 얇은 앱이라 할지라도 앱 판매의 경제성이 모델에 따라 점점 더 두꺼워지고 있음을 확인했습니다.
에릭 토렌버그：
확장의 법칙이 적용되고 상황이 우리가 생각하는 것만큼 커진다면, 이들 회사가 어느 시점에 국유화될 것으로 예상하십니까? 아니면 어떻게 생각하세요?
다리오 아모데이:
이를 두 가지 상황으로 나눌 수 있습니다. 하나는 스케일링 법칙이 올바른 경우이고, 다른 하나는 스케일링 법칙이 잘못된 경우입니다. 만약 그것이 틀리다면 이것은 단지 인터넷이나 태양광 발전처럼 대부분의 것보다 더 중요할 수 있지만 전례가 없는 기술일 뿐입니다. 현재 진행 상황으로 볼 때, 국유화될 것이라고는 생각하지 않습니다.
만약 그것이 맞다면, 우리가 만들고 있는 모델은 노벨상을 받은 생물학자나 업계 최고의 코더만큼 훌륭하거나 그보다 더 뛰어날 것입니다. 실제로 국유화가 될지는 잘 모르겠습니다. 우리의 적들이 우리를 따라잡을 수 있을지, 아니면 우리가 적들만큼 빨리 그들을 배치할 수 있을지에 대해 매우 걱정할 것입니다.
04
스케일링 법칙
ai에 영향을 주어 새로운 비즈니스 모델 창출
노아 스미스：
인공지능이 비즈니스 모델에 미치는 영향에 대해 질문이 있습니다. 전기에 대한 이야기를 아시죠. 기본적으로 전기를 공급받은 초기에 제조업체는 증기 발생기를 해체하려고 시도했고 발전기는 손실을 입었습니다. 그러다가 누군가가 여러 워크스테이션에 전기를 병렬로 공급할 수 있다는 사실을 발견하여 제조 작업 방식을 바꾸었고, 이는 하나의 큰 조립 라인 대신 여러 개의 작은 워크스테이션으로 전환되어 수십 년 동안 엄청난 생산성 향상을 가져왔습니다.
나는 항상 ai가 비슷하다고 의심해 왔습니다. 인터넷도 비슷할 것 같은데,ai는 처음에는 모두가 ai가 사람이라고 생각하는 것 같다는 점에서 비슷합니다. 누군가가 실제로 ai의 수를 인간 직원의 수와 비교했는데, 이는 개인으로 나눌 수 없기 때문에 이해가 되지 않습니다.
이 접근 방식을 모방하기 위해 프록시 기반 시스템을 만들 수 있지만 그 이유는 무엇입니까? ai가 인간을 직접 대체하는 것에 대해 모두가 생각하는 것을 볼 수 있으며, 내 주장은 증기 보일러를 전기가 직접 대체하는 것이 좋은 생각이 아닌 것처럼 이것이 첫 번째 단계라는 것입니다. 고객 서비스나 기타 잘 정의된 업무처럼 인간을 직접 교체하는 경우가 많지 않기 때문에 사람들이 조금 실망할 것이라고 생각합니다.
그러나 이러한 인간의 직접적인 교체가 효과를 발휘할 수 있는 사례는 극히 드물며, 그 이후에는 gartner의 과대광고 주기가 폭발하는 것을 경험하게 될 것입니다.
일부 창의적인 기업가들은 우리가 인공 지능을 인간 대체 수단으로 사용하는 것이 아니라 인공 지능을 사용하여 새로운 비즈니스 모델을 창출하고 있다고 말합니다. 그러면 우리는 부활의 호황기를 보게 될 것입니다. 그것이 제 예측입니다. 내 gartner 같은 예측, 내가 미쳤나요?
다리오 아모데이:
그래서 제가 동의하는 부분과 동의하지 않는 부분이 섞여 있는 것 같아요. 우선 현재 모델의 품질을 동결시키면 말씀하신 내용이 모두 맞다는 점에는 기본적으로 동의합니다. 우리는 기본적으로 비즈니스에서도 비슷한 것을 관찰합니다. 우리는 대화할 수 있는 모델을 제공할 뿐만 아니라 api를 통해 많은 고객들에게 모델을 판매하기도 합니다. 사람들은 모델을 가장 잘 사용하는 방법을 알아내는 데 오랜 시간을 보냈습니다.
모델 신뢰성에 대한 많은 질문이 있으며 이것이 95%의 경우 정답을 제공하지만 5%는 아닌 모델과 같이 우려할 만한 원인이라고 생각합니다. 이러한 상황을 어떻게 감지하고 어떻게 수행합니까? 오류 처리 처리 매우 중요합니다. 이는 이론적으로 유용한 것과 실제로 유용한 것과는 매우 다릅니다.
우리는 초기에 모델이 일부 코드를 작성할 수 있는 기능을 갖고 있었고, 그 다음 코드를 컴파일러나 인터프리터에 붙여넣어 javascript 비디오 게임을 만들고, 문제가 발생하면 모델로 돌아가서 수정할 수 있었습니다. 작은 모델을 코디하는 대형 모델도 보이는데, 이는 모델이 사람이라는 생각과는 매우 다르다.
우리는 더 크고 더 강력한 모델과 더 빠르고 더 저렴하며 덜 지능적인 모델을 보유하고 있으며 일부 고객은 대형 모델이 작업을 다수의 작은 모델에 분산할 수 있다는 사실을 발견했습니다. 그런 다음 작은 모델은 다시 대형 모델에 보고하여 작업을 완료합니다. 무리.
우리는 또한 이러한 문제를 해결하는 데 점점 더 스마트해지고 향상되는 모델을 사용하는 최선의 방법을 모색하고 있습니다. 따라서 궁극적으로 규모 조정 법칙이 여기에 있는지 여부가 다시 돌아옵니다. 계속된다면 당신이 설명하는 것과 같은 과정이 될 것입니다. 그들이 멈추면 혁신도 멈추고 당신이 설명하는 프로세스도 끝날 것입니다.
누구도 스케일링 법칙이 영원히 지속될 것이라고 믿어서는 안 됩니다. 이는 단지 경험적 관찰일 뿐이며 언제든지 멈출 수 있습니다. 나는 10년 동안 그들을 관찰해왔고 그들이 멈추지 않을 것이라는 내 추측은 내가 그들을 관찰해 온 시간에 기초하여 단지 60-40 또는 70-30의 제안일 뿐입니다.
에릭 토렌버그:
무엇이 당신의 의견을 바꿀 것입니까? 거기에서 당신의 확률은 어떻게 변할까요?
다리오 아모데이:
우선, 단순히 모델을 훈련하고 다음 규모의 모델을 시도하면 결과가 매우 나쁠 것 같습니다. 몇 번 고치려고 노력했지만 여전히 문제가 해결되지 않아서 '아, 이 추세가 멈추는 것 같아'라고 생각했습니다.
데이터 고갈 측면에서 문제가 있고 이 프로세스를 계속하기에 충분한 합성 데이터를 생성할 수 없다면 어느 시점에서 나는 이렇게 말할 것입니다. 이봐, 이건 실제로 힘들어 보이는데, 적어도 이 추세는 일시 중지되거나 멈출 수도 있습니다. 멈추지 않을 수도 있습니다. 나는 아직도 그런 일들이 일어나지 않을 것이라고 추측하고 있지만, 그것은 매우 복잡한 문제입니다.
05
ai는 생물학적 발견 속도를 100배 가속화할 수 있습니다.
압축된 진행 시간 100년
노아 스미스：
ai 자원의 병목 현상이 에너지보다 컴퓨팅 성능에 더 많이 존재한다면 ai를 사용하는 것이 더 많은 비교 우위를 갖게 될 것입니다. 기본적으로 이 견해에 동의하십니까?
다리오 아모데이:
네, 그게 말이 된다고 생각해요. 조금 우스꽝스러운 비유를 사용하자면,ai가 사이버맨과 같고, 그것을 만들고 번식시키는 과정이 인간과 매우 유사하다면 우리는 문제에 봉착합니다.그러나 완전히 다른 입력을 가진 서버 클러스터라면 괜찮습니다.
나는 이것에 대해 깊이 생각하지 않았지만 언뜻 보면 이해가 되는 것 같습니다. ai가 세상을 재편하고 경제 구조가 바뀌는 상황에 처해 있다면 우리는 뭔가 다른 것을 이야기하고 있을지도 모릅니다. 그러나 경제학의 일반적인 규칙이 여전히 적용되고 한동안 그럴 것이라고 생각한다면 그것은 매우 합리적으로 들립니다.
노아 스미스：
하지만 나의 또 다른 질문은, 극도로 풍요로운 세계를 고려할 필요가 있느냐는 것입니다. ai는 너무나 강력해서 우리에게 놀라운 생물학과 제조 능력을 제공하여 우리가 원하는 모든 것을 10배, 100배 더 좋게 만듭니다.
다리오 아모데이:
저는 우리가 생물학에서 인공지능의 잠재력을 정말 과소평가하고 있다고 생각합니다. 10년 전 제가 이 분야에 있었을 때 생물학에서 얻은 데이터의 품질이 의심스럽고 얻을 수 있는 데이터의 양이 제한되어 있으며 실험이 종종 중단된다는 태도가 있었습니다. 물론 더 많은 데이터 분석과 빅데이터, 인공지능이 좋다면 기껏해야 조연 역할일 것이다. 아마도 alpha fold의 출현으로 상황이 바뀔 수도 있습니다.
하지만 내 견해로는 ai 모델이 생물학자 또는 공동생물학자 역할을 할 수 있다는 것입니다. 정말 진보된 생물학에 대해 생각해보면, 모든 것을 뒷받침하는 여러 가지 기술이 불균형적으로 존재하는 것과 같습니다. 예를 들어, 게놈을 읽는 능력인 게놈 서열 분석은 현대 생물학의 기초입니다. 가장 최근의 crispr 기술은 게놈을 편집하는 능력입니다. ai를 올바르게 사용할 수 있다면 이러한 발견 속도를 10배, 어쩌면 100배까지 높일 수 있습니다.
예를 들어 crispr는 박테리아 면역 체계로 조립되어 발명하는 데 30년이 걸렸습니다. 이러한 발견의 속도를 크게 높일 수 있다면 질병의 치료 속도도 크게 높일 수 있을 것이라고 생각합니다.
내 생각에는 21세기의 발전을 압축할 수 있을까? ai를 사용하여 21세기의 모든 생물학적 진보를 10배 가속화할 수 있을까요?20세기에 우리가 생물학에서 이룩한 모든 진보를 생각하고 그것을 5년에서 10년으로 압축한다면 나에게는 그것이 좋은 면입니다. 나는 이것이 사실일지도 모른다고 생각한다. 우리는 수천 년 동안 우리를 괴롭혀온 질병을 치료할 수 있습니다. 그러면 생산성이 극적으로 증가하고 경제 파이가 확대되며 인간 수명이 연장됩니다.
