Naučno istraživanje veštačke inteligencije: Prava svrha mašinskog učenja

KREDIT ZA SLIKU:
Image credit
iStock

Naučno istraživanje veštačke inteligencije: Prava svrha mašinskog učenja

Naučno istraživanje veštačke inteligencije: Prava svrha mašinskog učenja

Tekst podnaslova
Istraživači testiraju sposobnost umjetne inteligencije da procijeni ogromne količine podataka koji mogu dovesti do revolucionarnih otkrića.
    • Autor:
    • Ime autora
      Quantumrun Foresight
    • Može 11, 2023

    Razvijanje hipoteza tradicionalno se smatra isključivo ljudskom aktivnošću, jer zahtijeva kreativnost, intuiciju i kritičko razmišljanje. Međutim, s tehnološkim napretkom, naučnici se sve više okreću mašinskom učenju (ML) kako bi stvorili nova otkrića. Algoritmi mogu brzo analizirati velike količine podataka i identificirati obrasce koje ljudi možda neće moći vidjeti.

    kontekst

    Umjesto da ovise o ljudskim predubeđenjima, istraživači su konstruisali algoritme ML neuronske mreže sa dizajnom inspirisanim ljudskim mozgom, sugerišući nove hipoteze zasnovane na obrascima podataka. Kao rezultat toga, mnoga područja bi se uskoro mogla okrenuti ML kako bi se ubrzala naučna otkrića i smanjile ljudske pristranosti. U slučaju neistraženih materijala baterija, naučnici su se tradicionalno oslanjali na tehnike pretraživanja baze podataka, modeliranje i njihov hemijski smisao da identifikuju održive molekule. Tim sa Univerziteta u Liverpulu sa sjedištem u Velikoj Britaniji koristio je ML kako bi pojednostavio kreativni proces. 

    Prvo, istraživači su stvorili neuronsku mrežu koja je dala prioritet hemijskim kombinacijama na osnovu njihove vjerovatnoće da proizvedu vrijedan novi materijal. Naučnici su zatim koristili ove rang-liste za usmjeravanje svojih laboratorijskih studija. Kao rezultat toga, pronašli su četiri održiva izbora materijala za baterije bez testiranja svega na svojoj listi, poštedivši ih mjesecima pokušaja i grešaka. Novi materijali nisu jedino polje u kojem ML može pomoći istraživanju. Istraživači također koriste neuronske mreže za rješavanje važnijih tehnoloških i teorijskih problema. Na primjer, fizičar sa Instituta za teorijsku fiziku u Cirihu, Renato Renner, nada se da će razviti kohezivno objašnjenje kako svijet funkcionira koristeći ML. 

    Pored toga, sofisticiraniji generativni AI modeli kao što je OpenAI ChatGPT omogućavaju istraživačima da automatski generišu nove podatke, modele i hipoteze. Ovaj podvig se postiže tehnikama kao što su generativne adversarijske mreže (GAN), varijacioni autoenkoderi (VAE) i jezički modeli zasnovani na transformatorima (kao što su Generativni prethodno obučeni transformator-3 ili GPT-3). Ovi AI modeli se mogu koristiti za generiranje sintetičkih skupova podataka, dizajniranje i optimizaciju novih ML arhitektura i razvoj novih naučnih hipoteza identifikacijom obrazaca i odnosa u podacima koji su ranije bili nepoznati.

    Ometajući uticaj

    Naučnici bi mogli sve više koristiti generativnu umjetnu inteligenciju kao pomoć u istraživanju. Sa sposobnošću analize obrazaca i predviđanja ishoda na osnovu tog znanja, ovi modeli bi mogli riješiti složene teorije nauke koje su ostale neriješene od strane čovječanstva. Ne samo da će ovo uštedjeti vrijeme i novac, već će pomoći i ljudskom razumijevanju nauke da se proširi daleko izvan svojih trenutnih granica. 

    Istraživanje i razvoj (R&D) poduhvat će vjerovatno lakše prikupiti odgovarajuća sredstva jer ML može brže obraditi podatke. Kao rezultat toga, naučnici će tražiti više pomoći zapošljavanjem novih zaposlenika ili saradnjom sa poznatim preduzećima i kompanijama kako bi postigli bolje rezultate. Ukupan uticaj ovog interesovanja biće pozitivan, ne samo za naučna dostignuća već i za profesionalce u naučnim oblastima. 

    Međutim, potencijalna prepreka je to što su rješenja iz ovih adaptivnih modela često izazovna za ljude da ih shvate, posebno rezonovanje koje je uključeno. Zbog toga što mašine samo daju odgovore, a ne objašnjavaju razloge za rješenje, naučnici mogu ostati nesigurni u pogledu procesa i zaključka. Ova nejasnoća slabi povjerenje u rezultate i smanjuje broj neuronskih mreža koje mogu pomoći u analizi. Stoga će biti neophodno da istraživači razviju model koji može sam sebe objasniti.

    Implikacije naučnog istraživanja AI

    Šire implikacije naučnog istraživanja AI mogu uključivati:

    • Promjene u standardima autorstva za istraživačke radove, uključujući davanje priznanja intelektualnoj svojini AI. Slično tome, AI sistemi jednog dana će biti nagrađeni kao potencijalni dobitnici Nobelove nagrade, što može izazvati intenzivne debate o tome da li ovi algoritmi treba da budu priznati kao pronalazači.
    • Istraživanje generisano veštačkom inteligencijom može dovesti do novih oblika odgovornosti i daljih pravnih i etičkih pitanja vezanih za korišćenje veštačke inteligencije i autonomnih sistema u naučnim otkrićima.
    • Naučnici koji rade s različitim generativnim AI alatima kako bi ubrzali medicinski razvoj i testiranje.
    • Povećanje potrošnje energije uzrokovano velikom računarskom snagom potrebnom za pokretanje ovih razrađenih algoritama.
    • Budući naučnici koji se obučavaju da koriste AI i druge alate ML u svojim radnim procesima.
    • Vlade stvaraju globalne standarde o ograničenjima i zahtjevima izvođenja naučnih eksperimenata generiranih umjetnom inteligencijom.

    Pitanja koja treba razmotriti

    • Ako ste naučnik, kako vaša institucija ili laboratorija planira da uključi istraživanja uz pomoć veštačke inteligencije?
    • Kako mislite da će istraživanja generirana umjetnom inteligencijom utjecati na tržište rada za naučnike i istraživače?

    Insight reference

    Za ovaj uvid referencirane su sljedeće popularne i institucionalne veze: