Lila Sciences строит масштабируемую AI-науку, где лаборатория — это дата-центр с автоматизацией и верификацией экспериментов как источник бесконечных данных для обучения моделей. Ключ — синхронизация разных по времени экспериментов и гибкая оркестрация лабораторных инструментов через физический транспортный слой.
🔬 RL with Verifiable Rewards, but the Verifier is a Lab — Lila Sciences
полный разбор ролика · 5 глав ↓
Введение и контекст
Современный AI достиг успеха благодаря масштабным данным из интернета, но этот ресурс исчерпан.
Нужно искать новые оси масштабирования, особенно в данных, и лаборатории будущего должны стать дата-центрами для генерации научных данных.
Опыт и мотивация основателей
Andy Beam делится опытом от классических ML методов до глубокого обучения и стартапов в биомедицине.
Rafa Gómez-Bombarelli рассказывает о переходе от вычислительной химии к генеративному AI и интеграции с экспериментальной наукой.
Тезис Lila Sciences
Lila считает, что наука — это бесконечный генератор токенов для обучения моделей, если использовать эксперименты как верификаторы.
RL с верифицируемыми наградами — ключ к обучению моделей с реальными научными результатами, а не только вычислительными симуляциями.
Проблемы масштабирования и синхронизации данных
Разные эксперименты имеют разные временные рамки — от дней до недель — что требует синхронизации данных для обучения.
Важно не просто увеличивать объем данных, а получать новые, информативные токены, чтобы избежать убывающей отдачи.
Оркестрация лабораторных инструментов
Лаборатория представлена как граф, где узлы — инструменты, а ребра — транспортные связи между ними.
Используется система с магнитно левитирующими 96-луночными планшетами, движущимися по треку, что позволяет гибко комбинировать приборы.
Это похоже на PCI-шину в компьютерах — универсальный интерфейс для подключения и взаимодействия устройств.