Forskere har præsenteret en ny arkitektur, der kombinerer generative sprogmodeller med statistiske modeller for usikkerhed, og som ifølge dem kan fungere som en generel motor for videnskabelig opdagelse. Arkitekturen, kaldet Large Discovery Model (LDM), er beskrevet i et nyt paper og adresserer et grundlæggende problem: at optimere over enorme, strukturerede og åbne hypoteserum som molekyler, proteinsekvenser og computerprogrammer.
Kernen i LDM er en kobling mellem en generativ model, der foreslår og forfiner kandidater, og en såkaldt Bayesian non-parametrisk belønningsmodel, der forudsiger ydeevne og kvantificerer usikkerhed. Det giver en usikkerhedsbevidst værdi, der styrer generering, forfining og udvælgelse. Modellen opdaterer løbende sin hukommelse og surrogatmodel, efterhånden som nye eksperimentelle observationer kommer til.
Forskerne evaluerede LDM på tre forskellige scenarier: neural-netværkstræning, antistofdesign og molekylær optimering. Sammenlignet med LLM-only refleksion eller traditionel statistisk søgning opnåede LDM en 2,4 gange større reduktion i validation BPB, en 18,2% relativ reduktion i bindingsenergi og mere end 60% relative gevinster i molekylær multi-objektiv ydeevne.
For beslutningstagere i medicinalindustrien, biotek og materialevidenskab er implikationen klar: Hvis LDM lever op til resultaterne, kan det reducere behovet for dyre og langsomme eksperimenter markant. I stedet for at stole på sprogmodellers selvvurderinger, som ofte er upålidelige for nye kandidater uden for træningsdataene, giver LDM en kalibreret usikkerhed, der gør det muligt at prioritere, hvilke eksperimenter der er værd at køre.
Det er dog stadig tidligt. Paperet er et forskningsbidrag, og der er ikke dokumenteret bred industriel anvendelse endnu. Men for virksomheder, der investerer i AI-drevet opdagelse, er det værd at følge udviklingen tæt – især fordi arkitekturen er designet til at være generel og ikke bundet til én specifik domæne.
