AI ғылыми зерттеулері: машиналық оқытудың шынайы мақсаты

Кредит суреті:
Сурет несиесі
iStock

AI ғылыми зерттеулері: машиналық оқытудың шынайы мақсаты

AI ғылыми зерттеулері: машиналық оқытудың шынайы мақсаты

Тақырып мәтіні
Зерттеушілер жасанды интеллекттің үлкен көлемдегі деректерді бағалау мүмкіндігін сынап жатыр, бұл серпінді жаңалықтарға әкелуі мүмкін.
    • автор:
    • Автордың аты-жөні
      Кванттық болжау
    • Мамыр 11, 2023

    Гипотеза әзірлеу дәстүрлі түрде тек адамның әрекеті болып саналды, өйткені ол шығармашылықты, интуицияны және сыни ойлауды қажет етеді. Дегенмен, технологиялық жетістіктермен ғалымдар жаңа жаңалықтар ашу үшін машиналық оқытуға (ML) көбірек жүгінеді. Алгоритмдер деректердің үлкен көлемін жылдам талдап, адамдар көре алмайтын үлгілерді анықтай алады.

    контекст

    Адамның алдын ала түсініктеріне байланысты емес, зерттеушілер деректер үлгілеріне негізделген жаңа гипотезаларды ұсына отырып, адам миынан шабыттанған дизайнмен нейрондық желі алгоритмдерін құрастырды. Нәтижесінде көптеген салалар ғылыми жаңалықтарды жеделдету және адамның көзқарастарын азайту үшін жақын арада ML-ге жүгінуі мүмкін. Зерттелмеген батарея материалдары жағдайында ғалымдар өміршең молекулаларды анықтау үшін дәстүрлі түрде дерекқорды іздеу әдістеріне, модельдеуге және олардың химиялық мағынасына сүйенді. Ұлыбританияда орналасқан Ливерпуль университетінің командасы шығармашылық процесті жеңілдету үшін ML-ді пайдаланды. 

    Біріншіден, зерттеушілер құнды жаңа материалды шығару ықтималдығына негізделген химиялық комбинацияларға басымдық беретін нейрондық желіні құрды. Содан кейін ғалымдар осы рейтингтерді зертханалық зерттеулерге басшылық ету үшін пайдаланды. Нәтижесінде олар бірнеше айлық сынақ пен қателіктерді сақтамай, тізімдегі барлық нәрсені сынамай-ақ өміршең батарея материалының төрт нұсқасын тапты. Жаңа материалдар ML зерттеуге көмектесетін жалғыз сала емес. Зерттеушілер сонымен қатар маңыздырақ технологиялық және теориялық мәселелерді шешу үшін нейрондық желілерді пайдаланады. Мысалы, Цюрихтің Теориялық физика институтының физигі Ренато Реннер ML арқылы әлемнің қалай жұмыс істейтіні туралы біртұтас түсініктеме жасауға үміттенеді. 

    Оған қоса, OpenAI ChatGPT сияқты күрделі генеративті AI үлгілері зерттеушілерге жаңа деректерді, үлгілерді және гипотезаларды автоматты түрде жасауға мүмкіндік береді. Бұл ерлік генеративті қарсылас желілер (GANs), вариациялық автокодерлер (VAEs) және трансформаторға негізделген тіл үлгілері (мысалы, Generative Pre-Trained Transformer-3 немесе GPT-3) сияқты әдістер арқылы қол жеткізіледі. Бұл AI үлгілерін синтетикалық деректер жиынын жасау, жаңа ML архитектураларын жобалау және оңтайландыру және бұрын белгісіз деректердегі үлгілер мен қатынастарды анықтау арқылы жаңа ғылыми гипотезаларды әзірлеу үшін пайдалануға болады.

    Деструктивті әсер

    Ғалымдар зерттеуге көмектесу үшін генеративті AI-ны көбірек қолдануы мүмкін. Үлгілерді талдау және осы білімге негізделген нәтижелерді болжау мүмкіндігімен бұл модельдер адамзат шешпеген ғылымның күрделі теорияларын шеше алады. Бұл уақыт пен ақшаны үнемдеп қана қоймайды, сонымен қатар адамның ғылым туралы түсінігінің қазіргі шекарасынан асып кетуіне көмектеседі. 

    Ғылыми-зерттеу және әзірлеу (ҒЗТКЖ) кәсіпорны тиісті қаржыландыруды жинауды жеңілдетуі мүмкін, өйткені ML деректерді жылдам өңдей алады. Нәтижесінде, ғалымдар жаңа қызметкерлерді жалдау немесе жақсы нәтижелерге қол жеткізу үшін танымал компаниялармен және компаниялармен бірлесіп жұмыс істеу арқылы көбірек көмек сұрайды. Бұл қызығушылықтың жалпы әсері тек ғылыми жетістіктер үшін ғана емес, сонымен қатар ғылыми салалардағы мамандар үшін де оң болады. 

    Дегенмен, әлеуетті кедергі - бұл бейімделгіш модельдердің шешімдері адамдар үшін жиі, әсіресе дәлелдемелерді түсіну қиынға соғады. Машиналар тек жауап беріп, шешімнің себебін түсіндірмейтіндіктен, ғалымдар процесс пен қорытынды туралы белгісіз болып қалуы мүмкін. Бұл белгісіздік нәтижелерге деген сенімді әлсіретеді және талдауға көмектесетін нейрондық желілердің санын азайтады. Сондықтан зерттеушілерге өзін түсіндіре алатын модель жасау қажет болады.

    AI ғылыми зерттеулерінің салдары

    AI ғылыми зерттеулерінің кеңірек әсерлері мыналарды қамтуы мүмкін:

    • Зерттеу жұмыстарының авторлық стандарттарындағы өзгерістер, соның ішінде АИ-ге зияткерлік меншік құқығын беру. Сол сияқты, AI жүйелері бір күні әлеуетті Нобель сыйлығының иегерлері ретінде марапатталады, бұл бұл алгоритмдерді өнертапқыш ретінде мойындау керек пе деген қызу пікірталас тудыруы мүмкін.
    • Жасанды интеллектпен жасалған зерттеулер жауапкершіліктің жаңа нысандарына және ғылыми жаңалықтарда AI мен автономды жүйелерді пайдалануға қатысты құқықтық және этикалық сұрақтарға әкелуі мүмкін.
    • Ғалымдар медициналық әзірлемелерді және тестілеуді жылдам бақылау үшін әртүрлі генеративті AI құралдарымен жұмыс істейді.
    • Осы күрделі алгоритмдерді іске қосу үшін қажетті жоғары есептеу қуатына байланысты энергияны тұтынудың артуы.
    • Болашақ ғалымдар AI және басқа ML құралдарын өз жұмыс үрдісінде қолдануға үйретілуде.
    • Үкімет AI-генерацияланған ғылыми эксперименттерді жүргізудің шектеулері мен талаптары бойынша әлемдік стандарттарды жасайды.

    Қарастырылатын сұрақтар

    • Егер сіз ғалым болсаңыз, сіздің мекемеңіз немесе зертханаңыз AI көмегімен зерттеулерді енгізуді қалай жоспарлап отыр?
    • Сіздің ойыңызша, AI-генерацияланған зерттеулер ғалымдар мен зерттеушілердің еңбек нарығына қалай әсер етеді?

    Инсайт сілтемелері

    Бұл түсінік үшін келесі танымал және институционалдық сілтемелерге сілтеме жасалды:

    Учикаго жаңалықтары AI ғылымды қалай өзгерте алады?