AI-forskaren som vill bygga fysikens grundmodell
Anima Anandkumar, professor vid Caltech, argumenterar för att AI-världen saknar det som faktiskt behövs mest: grundmodeller (stora tränade modeller, likt GPT fast för naturlagar) för fysik snarare än språk. Hon tillämpar redan idén i praktiken – från väderprognoser till fusionsreaktorer – efter tjugo år inom både klassisk matematik och djupinlärning. Det intressanta är att medan techvärlden firar språkmodeller, pekar hon mot ett helt annat och potentiellt mer konkret tillämpningsområde.
Djupdykning
Anima Anandkumar pekar på ett gap som de flesta AI-entusiaster missar helt: vi har byggt otroligt kraftfulla modeller för språk och text, men när det gäller att simulera hur fysiken faktiskt fungerar – turbulens, plasmadynamik, väderssystem – är vi fortfarande ganska primitiva. Traditionella fysiksimuleringar är enormt beräkningstunga och kräver superdatorer i veckor, medan ett neuralt nätt tränat på fysikdata kan ge approximativa svar på sekunder. Det är den avvägningen Anandkumar jobbar med: att offra lite precision mot att få svar tusen gånger snabbare, vilket i praktiken gör det möjligt att köra miljontals scenarion istället för ett fåtal. Fusionsreaktorer är ett bra exempel – att styra het plasma i realtid kräver prediktioner snabbare än någon klassisk simulator kan leverera. Det som verkligen saknas i den stora AI-debatten är att GPT-liknande framsteg inom språk inte automatiskt översätts till fysik, och att nästa stora genombrott i energi och klimat kanske beror mer på den här typen av "fysik-AI" än på ännu ett språkmodellshopp.