SemiAnalysis: наибольшая отдача от ИИ в науке может прийти от инженерных улучшений, а не новых открытий

В интервью представитель SemiAnalysis возразил, что вложения в ИИ для материаловедения быстро упрутся в нехватку капитала на проверку новых идей. По его словам, в науке важно различать открытие и инженерную работу: основная часть расходов приходится на инженерную разработку, необходимую для доведения открытия до рынка. В качестве примера он привёл Periodic Labs, которая, по его описанию, сосредоточена главным образом на ускорении инженерной работы с материалами.

Небольшие улучшения, утверждал собеседник, тоже могут иметь крупную экономическую ценность: повышение ёмкости батареи на 5%, повышение эффективности процесса осаждения в производстве микросхем или улучшение выхода годных изделий. Он сообщил, что выход годных изделий у некоторых подложек для CPU составляет примерно 40–60%, и предложил представить, какую ценность дало бы повышение до 95%. Также он отметил, что Intel генерирует около 100 терабайт данных на одну пластину, но, по его словам, большую часть этих данных не используют. ИИ, моделирование и анализ данных, полагает он, могли бы ускорить инженерные циклы и повысить выход годных изделий; это возможность, а не сообщение о уже достигнутом результате.

В качестве ещё одного примера он сказал, что Nvidia требуется 2,5 года от концепции дизайна до поставок чипа в массовом производстве, и предположил, что более быстрые симуляции и инженерная работа могли бы сократить срок до года. Это гипотетический сценарий, а не заявленное изменение производственного цикла.