Научно истражување за вештачка интелигенција: вистинската цел на машинското учење

• автор:
• име на авторот

  Quantumrun Foresight
• Може 11, 2023

Развивањето хипотези традиционално се смета за исклучиво човечка активност, бидејќи бара креативност, интуиција и критичко размислување. Сепак, со технолошкиот напредок, научниците се повеќе се свртуваат кон машинското учење (ML) за да генерираат нови откритија. Алгоритмите можат брзо да анализираат големи количини на податоци и да идентификуваат обрасци кои луѓето можеби нема да можат да ги видат.

Контекст

Наместо да зависат од човечките предрасуди, истражувачите конструираа ML алгоритми на невронска мрежа со дизајн инспириран од човечкиот мозок, сугерирајќи нови хипотези засновани на модели на податоци. Како резултат на тоа, многу области наскоро може да се свртат кон ML за да се забрзаат научните откритија и да се намалат човечките предрасуди. Во случај на неистражени материјали од батерии, научниците традиционално се потпираат на техники за пребарување на бази на податоци, моделирање и нивното хемиско чувство за да ги идентификуваат остварливите молекули. Тим од Универзитетот во Ливерпул со седиште во Обединетото Кралство употреби ML за да го поедностави креативниот процес. 

Прво, истражувачите создадоа невронска мрежа која им даде приоритет на хемиските комбинации врз основа на нивната веројатност да произведат нов вреден материјал. Научниците потоа ги искористија овие рангирања за да ги водат нивните лабораториски студии. Како резултат на тоа, тие пронајдоа четири остварливи избори за материјал за батерии без да тестираат сè што е на нивната листа, поштедувајќи ги со месеци на обиди и грешки. Новите материјали не се единственото поле каде ML може да помогне во истражувањето. Истражувачите исто така користат невронски мрежи за да решат позначајни технолошки и теоретски проблеми. На пример, физичарот од Институтот за теоретска физика во Цирих, Ренато Ренер, се надева дека ќе развие кохезивно објаснување за тоа како функционира светот користејќи МЛ. 

Дополнително, пософистицираните генеративни модели на вештачка интелигенција како ChatGPT на OpenAI им овозможуваат на истражувачите автоматски да генерираат нови податоци, модели и хипотези. Овој подвиг се постигнува преку техники како што се генеративни противнички мрежи (GANs), варијациони автоенкодери (VAE) и јазични модели базирани на трансформатори (како што се Generative Pre-trained Transformer-3 или GPT-3). Овие модели на вештачка интелигенција може да се користат за генерирање на синтетички збирки на податоци, дизајнирање и оптимизирање на нови ML архитектури и развој на нови научни хипотези преку идентификување на обрасци и односи во податоците кои претходно биле непознати.

Нарушувачко влијание

Научниците може сè повеќе да користат генеративна вештачка интелигенција за да помогнат во истражувањето. Со способноста да се анализираат обрасците и да се предвидат исходи врз основа на тоа знаење, овие модели би можеле да решат сложени теории на науката кои останале нерешени од човештвото. Ова не само што ќе заштеди време и пари, туку и ќе му помогне на човечкото разбирање на науката да се прошири многу подалеку од сегашните граници. 

За потфат за истражување и развој (R&D) веројатно ќе биде полесно да се соберат соодветни средства бидејќи МЛ може побрзо да ги обработува податоците. Како резултат на тоа, научниците ќе бараат поголема помош со вработување на нови вработени или со соработка со познати бизниси и компании за да дадат подобри резултати. Целокупното влијание на овој интерес ќе биде позитивно, не само за научниот напредок, туку и за професионалците во научните области. 

Сепак, потенцијална пречка е тоа што решенијата од овие адаптивни модели честопати се предизвикувачки за луѓето да ги сфатат, особено резонирањето што е вклучено. Поради тоа што машините само даваат одговори и не ја објаснуваат причината зад решението, научниците може да останат несигурни за процесот и заклучокот. Оваа нејасност ја ослабува довербата во резултатите и го намалува бројот на невронски мрежи кои можат да помогнат при анализата. Затоа, ќе биде неопходно истражувачите да развијат модел кој може да се објасни.

Импликации на научните истражувања на вештачката интелигенција

Пошироките импликации на научните истражувања за вештачка интелигенција може да вклучуваат:

• Промени во стандардите за авторство за истражувачки трудови, вклучително и давање кредит за интелектуална сопственост на АИ. Слично на тоа, системите за вештачка интелигенција еден ден ќе бидат наградени како потенцијални добитници на Нобелова награда, што може да предизвика интензивни дебати за тоа дали овие алгоритми треба да се признаат како пронаоѓачи.
• Истражувањето генерирано од вештачка интелигенција може да доведе до нови форми на одговорност и дополнителни правни и етички прашања поврзани со користењето на вештачката интелигенција и автономните системи во научните откритија.
• Научниците работат со различни генеративни алатки за вештачка интелигенција за брзо следење на медицинските случувања и тестирања.
• Зголемување на потрошувачката на енергија предизвикано од високата компјутерска моќ потребна за извршување на овие елаборирани алгоритми.
• Идните научници се обучуваат да користат вештачка интелигенција и други алатки за ML во нивните работни процеси.
• Владите создаваат глобални стандарди за ограничувањата и барањата за спроведување научни експерименти генерирани од вештачка интелигенција.

Прашања што треба да се разгледаат

• Ако сте научник, како вашата институција или лабораторија планира да вклучи истражување со помош на вештачка интелигенција?
• Што мислите, како истражувањето генерирано со вештачка интелигенција ќе влијае на пазарот на труд за научниците и истражувачите?