Penyelidikan saintifik AI: Tujuan sebenar pembelajaran mesin

• Pengarang
• Nama pengarang

  Quantumrun Foresight
• Semoga 11, 2023

Membangunkan hipotesis secara tradisinya dianggap sebagai aktiviti manusia semata-mata, kerana ia memerlukan kreativiti, intuisi, dan pemikiran kritis. Walau bagaimanapun, dengan kemajuan teknologi, saintis semakin beralih kepada pembelajaran mesin (ML) untuk menjana penemuan baru. Algoritma boleh menganalisis sejumlah besar data dengan cepat dan mengenal pasti corak yang mungkin tidak dapat dilihat oleh manusia.

Konteks

Daripada bergantung pada prasangka manusia, penyelidik telah membina algoritma ML rangkaian saraf dengan reka bentuk yang diilhamkan oleh otak manusia, mencadangkan hipotesis baharu berdasarkan corak data. Akibatnya, banyak kawasan mungkin beralih kepada ML tidak lama lagi untuk mempercepatkan penemuan saintifik dan mengurangkan berat sebelah manusia. Dalam kes bahan bateri yang belum diterokai, saintis secara tradisinya bergantung pada teknik carian pangkalan data, pemodelan, dan rasa kimia mereka untuk mengenal pasti molekul yang berdaya maju. Pasukan dari Universiti Liverpool yang berpangkalan di UK menggunakan ML untuk memudahkan proses kreatif. 

Pertama, para penyelidik mencipta rangkaian saraf yang mengutamakan kombinasi kimia berdasarkan kemungkinan mereka menghasilkan bahan baharu yang berharga. Para saintis kemudian menggunakan kedudukan ini untuk membimbing kajian makmal mereka. Hasilnya, mereka menemui empat pilihan bahan bateri yang berdaya maju tanpa menguji segala-galanya dalam senarai mereka, menjimatkan beberapa bulan percubaan dan kesilapan. Bahan baharu bukanlah satu-satunya bidang yang ML boleh membantu penyelidikan. Penyelidik juga menggunakan rangkaian saraf untuk menyelesaikan kebimbangan teknologi dan teori yang lebih penting. Sebagai contoh, seorang ahli fizik di Institut Fizik Teori Zurich, Renato Renner, berharap untuk membangunkan penjelasan yang kohesif tentang cara dunia berfungsi menggunakan ML. 

Selain itu, model AI generatif yang lebih canggih seperti OpenAI's ChatGPT membolehkan penyelidik menjana data, model dan hipotesis baharu secara automatik. Pencapaian ini dicapai melalui teknik seperti rangkaian adversarial generatif (GAN), pengekod auto variasi (VAE) dan model bahasa berasaskan pengubah (seperti Generatif Pra-terlatih Transformer-3 atau GPT-3). Model AI ini boleh digunakan untuk menjana set data sintetik, mereka bentuk dan mengoptimumkan seni bina ML baharu serta membangunkan hipotesis saintifik baharu dengan mengenal pasti corak dan hubungan dalam data yang sebelum ini tidak diketahui.

Kesan yang mengganggu

Para saintis mungkin semakin menggunakan AI generatif untuk membantu penyelidikan. Dengan keupayaan untuk menganalisis corak dan meramalkan hasil berdasarkan pengetahuan itu, model ini mungkin menyelesaikan teori sains kompleks yang masih belum diselesaikan oleh manusia. Ini bukan sahaja akan menjimatkan masa dan wang, tetapi ia juga akan membantu pemahaman manusia tentang sains untuk melampaui batas semasanya. 

Usaha penyelidikan dan pembangunan (R&D) mungkin akan mendapati lebih mudah untuk mengumpul pembiayaan yang sesuai kerana ML boleh memproses data dengan lebih cepat. Akibatnya, saintis akan mendapatkan lebih banyak bantuan dengan mengambil pekerja baharu atau bekerjasama dengan perniagaan dan syarikat terkenal untuk menghasilkan hasil yang lebih baik. Kesan keseluruhan minat ini adalah positif, bukan sahaja untuk kemajuan saintifik tetapi juga untuk profesional dalam bidang saintifik. 

Walau bagaimanapun, sekatan jalan yang berpotensi ialah penyelesaian daripada model penyesuaian ini sering mencabar manusia untuk memahami, terutamanya alasan yang terlibat. Disebabkan mesin hanya memberikan jawapan dan tidak menjelaskan sebab di sebalik penyelesaian itu, saintis mungkin masih tidak pasti tentang proses dan kesimpulannya. Kekaburan ini melemahkan keyakinan terhadap keputusan dan mengurangkan bilangan rangkaian saraf yang boleh membantu dengan analisis. Oleh itu, adalah perlu bagi penyelidik untuk membangunkan model yang boleh menjelaskan dirinya sendiri.

Implikasi penyelidikan saintifik AI

Implikasi yang lebih luas daripada penyelidikan saintifik AI mungkin termasuk:

• Perubahan dalam piawaian kepengarangan untuk kertas penyelidikan, termasuk memberi kredit harta intelek kepada AI. Begitu juga, sistem AI suatu hari nanti akan dianugerahkan sebagai penerima Hadiah Nobel yang berpotensi, yang boleh menyebabkan perdebatan sengit sama ada algoritma ini harus diakui sebagai pencipta.
• Penyelidikan yang dijana AI boleh membawa kepada bentuk liabiliti baharu dan persoalan undang-undang dan etika lanjut yang berkaitan dengan penggunaan AI dan sistem autonomi dalam penemuan saintifik.
• Para saintis bekerja dengan pelbagai alat AI generatif untuk mempercepatkan perkembangan dan ujian perubatan.
• Meningkatkan penggunaan tenaga yang disebabkan oleh kuasa pengkomputeran yang tinggi yang diperlukan untuk menjalankan algoritma yang terperinci ini.
• Saintis masa depan sedang dilatih untuk menggunakan AI dan alatan ML lain dalam aliran kerja mereka.
• Kerajaan mewujudkan piawaian global mengenai batasan dan keperluan menjalankan eksperimen saintifik yang dijana AI.

Soalan yang perlu dipertimbangkan

• Jika anda seorang saintis, bagaimanakah institusi atau makmal anda merancang untuk menggabungkan penyelidikan berbantukan AI?
• Pada pendapat anda, bagaimanakah penyelidikan yang dijana AI akan memberi kesan kepada pasaran kerja untuk saintis dan penyelidik?