AI шинжлэх ухааны судалгаа: Машин сургалтын жинхэнэ зорилго

• Зохиогчийн тухай:
• Зохиогчийн нэр

  Quantumrun Foresight
• 11 болтугай 2023

Таамаглал боловсруулах нь бүтээлч байдал, зөн совин, шүүмжлэлтэй сэтгэлгээ шаарддаг тул зөвхөн хүний ​​үйл ажиллагаа гэж үздэг уламжлалтай. Гэсэн хэдий ч технологийн дэвшлийг дагаад эрдэмтэд шинэ нээлтүүдийг бий болгохын тулд машин сургалт (ML) руу улам бүр шилжиж байна. Алгоритмууд нь их хэмжээний өгөгдөлд хурдан дүн шинжилгээ хийж, хүмүүсийн олж харах боломжгүй хэв маягийг тодорхойлох боломжтой.

Агуулга

Судлаачид хүний ​​таамаглалаас хамааралгүй, хүний ​​тархинаас санаа авсан загвар бүхий мэдрэлийн сүлжээний ML алгоритмуудыг бүтээж, өгөгдлийн загварт суурилсан шинэ таамаглал дэвшүүлсэн. Үүний үр дүнд шинжлэх ухааны нээлтийг хурдасгаж, хүний ​​буруу ойлголтыг багасгахын тулд олон газар удахгүй ML-д шилжиж магадгүй юм. Судлаагүй батерейны материалын хувьд эрдэмтэд өгөгдлийн сангаас хайх арга техник, загварчлал, тэдгээрийн химийн мэдрэмжид тулгуурлан амьдрах чадвартай молекулуудыг тодорхойлоход ашигладаг. Их Британид төвтэй Ливерпүүлийн их сургуулийн баг бүтээлч үйл явцыг хялбарчлахын тулд ML ашигласан. 

Нэгдүгээрт, судлаачид үнэ цэнэтэй шинэ материал гаргах магадлалд үндэслэн химийн нэгдлүүдийг эрэмбэлэх мэдрэлийн сүлжээг бий болгосон. Дараа нь эрдэмтэд эдгээр зэрэглэлийг лабораторийн судалгаагаа чиглүүлэхийн тулд ашигласан. Үүний үр дүнд тэд жагсаалтад байгаа бүх зүйлийг туршиж үзэлгүйгээр батерейны материаллаг дөрвөн боломжит сонголтыг олж, олон сарын туршилт, алдаанаас хамгаалсан. Шинэ материалууд нь ML нь судалгаанд туслах цорын ганц салбар биш юм. Судлаачид илүү чухал технологийн болон онолын асуудлуудыг шийдвэрлэхийн тулд мэдрэлийн сүлжээг ашигладаг. Жишээлбэл, Цюрихийн Онолын Физикийн Хүрээлэнгийн физикч Ренато Реннер ML-ийг ашиглан дэлхий хэрхэн ажилладаг тухай нэгдсэн тайлбарыг боловсруулна гэж найдаж байна. 

Нэмж дурдахад OpenAI-ийн ChatGPT гэх мэт илүү боловсронгуй хиймэл оюун ухааны загварууд нь судлаачдад автоматаар шинэ өгөгдөл, загвар, таамаглал үүсгэх боломжийг олгодог. Энэ амжилтыг үүсгэгч өрсөлдөгчийн сүлжээ (GANs), вариацын автомат кодлогч (VAE) болон трансформатор дээр суурилсан хэлний загвар (Generative Pre-trained Transformer-3 эсвэл GPT-3 гэх мэт) зэрэг техникээр дамжуулан олж авдаг. Эдгээр AI загваруудыг синтетик өгөгдлийн багц үүсгэх, ML-ийн шинэ архитектурыг зохион бүтээх, оновчтой болгох, урьд өмнө нь үл мэдэгдэх өгөгдлийн хэв маяг, харилцааг тодорхойлох замаар шинжлэх ухааны шинэ таамаглалыг боловсруулахад ашиглаж болно.

Сөрөг нөлөө

Эрдэмтэд судалгаанд туслахын тулд хиймэл хиймэл оюун ухааныг улам бүр ашиглах болсон. Эдгээр загварууд нь тухайн мэдлэг дээр үндэслэн зүй тогтолд дүн шинжилгээ хийж, үр дүнг урьдчилан таамаглах чадвартай тул хүн төрөлхтний шийдэгдээгүй хэвээр байгаа шинжлэх ухааны нарийн төвөгтэй онолыг шийдэж чадна. Энэ нь цаг хугацаа, мөнгөө хэмнээд зогсохгүй хүний ​​шинжлэх ухааны талаарх ойлголтыг одоогийн хил хязгаараас хол давахад тусална. 

ML нь өгөгдлийг илүү хурдан боловсруулж чаддаг тул судалгаа, хөгжлийн (R&D) бизнес нь зохих санхүүжилтийг цуглуулахад хялбар байх болно. Үүний үр дүнд эрдэмтэд шинэ ажилчдыг ажилд авах эсвэл сайн үр дүнд хүрэхийн тулд алдартай бизнес, компаниудтай хамтран ажиллах замаар илүү их тусламж хүсэх болно. Энэхүү сонирхлын ерөнхий нөлөө нь зөвхөн шинжлэх ухааны дэвшилд төдийгүй шинжлэх ухааны салбарын мэргэжилтнүүдэд эерэг нөлөө үзүүлэх болно. 

Гэсэн хэдий ч эдгээр дасан зохицох загваруудын шийдлүүд нь хүмүүст, ялангуяа үндэслэлийг ойлгоход ихэвчлэн бэрхшээлтэй байдаг нь саад бэрхшээл юм. Машинууд зөвхөн хариулт өгч, шийдлийн цаад шалтгааныг тайлбарлаагүйгээс болж эрдэмтэд процесс, дүгнэлтийн талаар тодорхойгүй хэвээр байж магадгүй юм. Энэхүү тодорхой бус байдал нь үр дүнд итгэх итгэлийг сулруулж, дүн шинжилгээ хийхэд туслах мэдрэлийн сүлжээнүүдийн тоог бууруулдаг. Тиймээс судлаачид өөрийгөө тайлбарлаж чадах загвар гаргах шаардлагатай болно.

AI шинжлэх ухааны судалгааны үр нөлөө

AI шинжлэх ухааны судалгааны өргөн хүрээний үр дагавар нь дараахь зүйлийг агуулж болно.

• Судалгааны бүтээлийн зохиогчийн стандартад өөрчлөлт оруулах, үүнд оюуны өмчийн зээлийг хиймэл оюун ухаанд олгох. Үүний нэгэн адил хиймэл оюун ухааны системүүд нэг л өдөр Нобелийн шагнал хүртэх боломжтой бөгөөд энэ нь эдгээр алгоритмуудыг зохион бүтээгч гэж хүлээн зөвшөөрөх эсэх талаар ширүүн маргаан үүсгэж болзошгүй юм.
• Хиймэл оюун ухаанаар үүсгэгдсэн судалгаа нь хариуцлагын шинэ хэлбэрүүд болон шинжлэх ухааны нээлтүүдэд хиймэл оюун ухаан, бие даасан системийг ашиглахтай холбоотой хууль эрх зүй, ёс зүйн асуудалд хүргэж болзошгүй юм.
• Эрдэмтэд анагаах ухааны хөгжил, туршилтыг хурдасгахын тулд төрөл бүрийн хиймэл оюун ухааны хэрэгслүүдтэй ажилладаг.
• Эдгээр нарийн алгоритмуудыг ажиллуулахад шаардагдах өндөр тооцооллын хүчин чадлын улмаас эрчим хүчний хэрэглээ нэмэгдэж байна.
• Ирээдүйн эрдэмтэд AI болон бусад ML хэрэгслийг ажлын урсгалдаа ашиглахаар бэлтгэгдэж байна.
• Хиймэл оюун ухаанаар үүсгэсэн шинжлэх ухааны туршилт явуулахад тавигдах хязгаарлалт, шаардлагын талаар дэлхийн стандартыг бий болгож буй засгийн газрууд.

Анхаарах асуултууд

• Хэрэв та эрдэмтэн бол танай байгууллага эсвэл лаборатори хиймэл оюун ухааны тусламжтай судалгааг хэрхэн оруулахаар төлөвлөж байна вэ?
• Хиймэл оюун ухаанаар бүтээсэн судалгаа нь эрдэмтэн, судлаачдын хөдөлмөрийн зах зээлд хэрхэн нөлөөлнө гэж та бодож байна вэ?