Investigación científica da IA: o verdadeiro propósito da aprendizaxe automática

CRÉDITO DA IMAXE:
Crédito da imaxe
iStock

Investigación científica da IA: o verdadeiro propósito da aprendizaxe automática

Investigación científica da IA: o verdadeiro propósito da aprendizaxe automática

Texto do subtítulo
Os investigadores están probando a capacidade da intelixencia artificial para avaliar grandes cantidades de datos que poden levar a descubrimentos revolucionarios.
    • autor:
    • nome do autor
      Previsión de Quantumrun
    • Pode 11, 2023

    O desenvolvemento de hipóteses considerouse tradicionalmente unha actividade exclusivamente humana, xa que require creatividade, intuición e pensamento crítico. Non obstante, cos avances tecnolóxicos, os científicos recorren cada vez máis á aprendizaxe automática (ML) para xerar novos descubrimentos. Os algoritmos poden analizar grandes cantidades de datos rapidamente e identificar patróns que os humanos poden non ser capaces de ver.

    Contexto

    En lugar de depender dos preconceptos humanos, os investigadores construíron algoritmos de ML de redes neuronais cun deseño inspirado no cerebro humano, o que suxire novas hipóteses baseadas en patróns de datos. Como resultado, moitas áreas poden volver pronto ao ML para acelerar o descubrimento científico e diminuír os prexuízos humanos. No caso dos materiais de baterías inexplorados, os científicos baseáronse tradicionalmente en técnicas de busca de bases de datos, modelado e o seu sentido químico para identificar moléculas viables. Un equipo da Universidade de Liverpool, con sede no Reino Unido, empregou ML para simplificar o proceso creativo. 

    En primeiro lugar, os investigadores crearon unha rede neuronal que priorizaba as combinacións químicas en función da súa probabilidade de producir un material novo e valioso. Despois, os científicos utilizaron estas clasificacións para guiar os seus estudos de laboratorio. Como resultado, atoparon catro opcións de materiais de batería viables sen probar todo a súa lista, aforrándolles meses de proba e erro. Os novos materiais non son o único campo onde o ML pode axudar á investigación. Os investigadores tamén usan redes neuronais para resolver problemas tecnolóxicos e teóricos máis significativos. Por exemplo, un físico do Instituto de Física Teórica de Zúric, Renato Renner, espera desenvolver unha explicación cohesionada de como funciona o mundo usando ML. 

    Ademais, os modelos de IA xerativa máis sofisticados como ChatGPT de OpenAI permiten aos investigadores xerar automaticamente novos datos, modelos e hipóteses. Esta fazaña conséguese a través de técnicas como as redes xerativas adversarias (GAN), os codificadores automáticos variacionais (VAE) e os modelos de linguaxe baseados en transformadores (como o Generative Pre-trained Transformer-3 ou GPT-3). Estes modelos de IA pódense usar para xerar conxuntos de datos sintéticos, deseñar e optimizar novas arquitecturas de ML e desenvolver novas hipóteses científicas identificando patróns e relacións en datos que antes eran descoñecidos.

    Impacto perturbador

    Os científicos poden usar cada vez máis a IA xerativa para axudar coa investigación. Coa capacidade de analizar patróns e predecir resultados en función dese coñecemento, estes modelos poderían resolver complexas teorías da ciencia que permaneceron sen resolver pola humanidade. Isto non só aforrará tempo e diñeiro, senón que tamén axudará a que a comprensión humana da ciencia se estenda moito máis aló dos seus límites actuais. 

    É probable que unha empresa de investigación e desenvolvemento (I+D) resulte máis fácil reunir o financiamento axeitado porque o ML pode procesar os datos máis rápido. Como resultado, os científicos buscarán máis axuda contratando novos empregados ou colaborando con empresas e empresas coñecidas para producir mellores resultados. O impacto xeral deste interese será positivo, non só para os avances científicos senón tamén para os profesionais dos campos científicos. 

    Non obstante, un posible obstáculo é que as solucións destes modelos adaptativos adoitan ser difíciles de comprender para os humanos, especialmente o razoamento implicado. Debido a que as máquinas só dan respostas e non explican a razón detrás da solución, os científicos poden permanecer incertos sobre o proceso e a conclusión. Esta escuridade debilita a confianza nos resultados e reduce o número de redes neuronais que poden axudar na análise. Polo tanto, será necesario que os investigadores desenvolvan un modelo que poida explicarse por si mesmo.

    Implicacións da investigación científica da IA

    As implicacións máis amplas da investigación científica da IA ​​poden incluír:

    • Cambios nos estándares de autoría dos traballos de investigación, incluíndo o crédito de propiedade intelectual á IA. Do mesmo xeito, os sistemas de intelixencia artificial algún día serán galardoados como potenciais gañadores do Premio Nobel, o que pode provocar intensos debates sobre se estes algoritmos deben ser recoñecidos como inventores.
    • A investigación xerada pola IA pode dar lugar a novas formas de responsabilidade e outras cuestións legais e éticas relacionadas co uso da IA ​​e dos sistemas autónomos nos descubrimentos científicos.
    • Científicos que traballan con varias ferramentas de IA xerativa para acelerar os desenvolvementos e probas médicas.
    • Aumento do uso de enerxía causado pola alta potencia de cálculo necesaria para executar estes elaborados algoritmos.
    • Os futuros científicos están adestrados para usar a IA e outras ferramentas de ML nos seus fluxos de traballo.
    • Os gobernos crean estándares globais sobre as limitacións e os requisitos para realizar experimentos científicos xerados pola IA.

    Preguntas a ter en conta

    • Se es un científico, como está a planear a súa institución ou laboratorio incorporar a investigación asistida pola IA?
    • Como cres que afectará a investigación xerada pola IA no mercado laboral de científicos e investigadores?

    Referencias de insight

    As seguintes ligazóns populares e institucionais foron referenciadas para esta visión: