Mitä tarvitaan, jotta tietokone oppii RNA-emäspariliitoksen säännöt? Ihmiset kouluttavat suuria kielimalleja RNA:n rakenteen ennustamiseen. Joillakin näistä malleista on satoja miljoonia parametreja. Jännittävää varhaista tulosta on ollut, että nämä mallit oppivat Watson-Crick-Franklin-emäsparin säännöt suoraan datasta. Harvardin tutkimusryhmä päätti selvittää, mikä olisi pienin mahdollinen malli, jolla tämä tulos voitaisiin saavuttaa. He kouluttivat pienen todennäköisyysmallin, jossa oli vain 21 parametria käyttämällä gradienttilaskua. Vain 50 RNA-sekvenssillä – ilman vastaavia rakenteita – emäsparin säännöt ponnahtaisivat esiin vain muutaman harjoituskauden jälkeen. Joten vastaus heidän alkuperäiseen kysymykseensä oli, että tämäntyyppisen mallin oppiminen vaatii "paljon vähemmän kuin luulet". En usko, että tämä tarkoittaa, että laajamittaiset koulutusponnistelut olisivat välttämättä tyhmiä tai harhaanjohtavia. Mutta tämä tulos viittaa siihen, että arkkitehtuuri-innovaatioista voidaan vielä saada paljon tehokkuutta ja suorituskykyä. Biologian kielellä on paljon taustalla olevaa rakennetta.