【專訪】Richard Socher：AI 已經在做科學，只是規模還小
AI 能寫程式，分析資料，起草論文，但它能不能自己問出帶來新發現的問題？前 Salesforce 首席科學家，you.com 創辦人 Richard Socher 寫了一本《Eureka Machine》，寫完就創立新公司 Recursive，要把書裡的構想做出來。TWiML AI Podcast 主持人 Sam Charrington 追問他：AI 能不能從幫科學家，變成自己做科學？
每天精選 6 則要聞、一則產業名人訪談，五分鐘跟上。
Richard Socher 說，AI 已經開始自己做科學，只是規模還小。既然如此，為什麼新藥和新材料還沒有大爆發？他的答案落在一個地方：AI 多快能知道自己做對了沒有。另外，他看好替 AI 訂獎勵的工作會越來越重要，也認為喊著要放慢的，正是跑最快的公司。
◎AI 已經會做研究，只是先從能快速驗證的地方開始
Charrington 是這樣問的：科學家一天做十件事，寫程式，寫報告，做試算表，收資料，AI 都能代勞。但要讓科學自己轉起來，還得要 AI 會創新。這件事看到了嗎？Socher 回答得很直接：「It's already happening. It's just at smaller scales.」（已經在發生了，只是規模還小。）
他的理由一層接一層。AI 本身就是程式，又會寫程式，所以 AI 改進自己幾乎是必然。但有人以為一旦如此，隔週工作就全沒了，他說這種想法太瘋狂。改進自己也要對的環境和大量算力，問題越複雜，算力越多。所以 Recursive 先做 AI 研究，因為軟體實驗的回饋比實驗室快得多。
Andrej Karpathy 的 nanochat 自動研究題目，他們兩天就大幅超越眾人合力的成果。nanoGPT speedrun 社群優化了快兩年，他們幾天就勝出。輝達的 SOL ExecBench 約有 200 個 GPU 核心程式，他們只有六個左右不是最佳。他借共同創辦人 Jeff Clune 的比方：只想讓火更旺，發明不了微波爐，得靠別的領域的點子碰撞。
他也承認難處。驗證越快越容易，驗證器要跑一分鐘，非常好用，要跑一年，幾乎沒用。驗證越慢，越需要巧思，他也越不能多說。被問到技術核心，他只說像有兩萬名 AI 研究員替你工作，不想透露太多。他說大約一個月後，會公布驗證不只五分鐘的成果。
◎替 AI 訂目標的人，會越來越重要
AI 要自己做研究，前提是有人把目標訂對。他說，系統越強，越不需要細部指導，越依賴定義清楚的獎勵，所以獎勵工程師會越來越重要。他舉公司例子：叫 AI 拉高客戶滿意度，它可能造出五萬個機器人打客服專線，全給五顆星。改說要真客戶，它就送每人一千美元禮券。
◎喊放慢的，正是跑最快的公司
前面提到的一夜失控說，也牽出他對放慢派的看法。他說，喊放慢的正是把領域推最快的公司。他點名 Anthropic 做出最強的駭客 AI 來示範危險，反而讓大家的能力提早好幾季。開源和中國都不會停。他主張管自駕車，醫療這類應用，不管抽象的智慧，就像不會因為人聰明就關進牢裡。
所以，新藥和新材料為什麼還沒爆發？照 Socher 的說法，軟體能幾分鐘驗證一次，生物和化學的實驗卻慢得多，資料也不夠。他說 AI 只要有海量資料，能模擬或能驗證，就會超越人類，生物學三樣都還沒有。接下來可以看 Recursive 約一個月後的新成果，以及他說五到十年內改變各門科學的時程。
開場介紹 Eureka machine 的構想：AI 產生想法，跑實驗，驗證發現，以及 Recursive 先從 AI 研究做起的原因。
提出三種情境：資料無限，能模擬，有驗證器，AI 就會達到超越人類的能力，並指出生物學目前三者都不符合。
說明 Eureka machine 的四根支柱：世界知識，科學量測資料，模擬，機器人實驗，上面再加一群 AI 科學家代理，並給出五到十年的時程。
引用共同創辦人 Jeff Clune 的微波爐例子，說明不同研究分支的點子如何組合出新發明，並帶到 CUDA 核心程式優化。
談獎勵工程師的角色，以客戶滿意度分數為例：五萬個機器人打五星，送每位客戶一千美元禮券。
回答 AI 是否已經在創新：已經在發生，只是規模還小，遞迴自我改進仍需要對的環境和大量算力。
報告 nanochat，nanoGPT speedrun，SOL ExecBench 三項成績，SOL ExecBench 約 200 個核心程式中約六個不是他們最佳。
回應放慢 AI 發展的主張，點名 Anthropic，主張規範 AI 應用而不是抽象智慧。
看完今天的，讓明天的自己送上門
每天精選 6 則要聞、一則產業名人訪談，五分鐘跟上。
已出刊 160 期 ・ 隨時可退訂
