Badania naukowe AI: prawdziwy cel uczenia maszynowego

KREDYT WZROKU:
Image credit
iStock

Badania naukowe AI: prawdziwy cel uczenia maszynowego

Badania naukowe AI: prawdziwy cel uczenia maszynowego

Tekst podtytułu
Naukowcy testują zdolność sztucznej inteligencji do oceny ogromnych ilości danych, co może prowadzić do przełomowych odkryć.
    • Autor:
    • nazwisko autora
      Foresight Quantumrun
    • 11 maja 2023 r.

    Opracowywanie hipotez było tradycyjnie uważane za czynność wyłącznie ludzką, ponieważ wymaga kreatywności, intuicji i krytycznego myślenia. Jednak wraz z postępem technologicznym naukowcy coraz częściej zwracają się do uczenia maszynowego (ML), aby generować nowe odkrycia. Algorytmy mogą szybko analizować duże ilości danych i identyfikować wzorce, których ludzie mogą nie widzieć.

    Kontekst

    Zamiast polegać na ludzkich uprzedzeniach, naukowcy skonstruowali algorytmy ML sieci neuronowej z projektem inspirowanym ludzkim mózgiem, sugerując nowe hipotezy oparte na wzorcach danych. W rezultacie wiele obszarów może wkrótce zwrócić się ku uczeniu maszynowemu, aby przyspieszyć odkrycia naukowe i zmniejszyć ludzkie uprzedzenia. W przypadku niezbadanych materiałów akumulatorowych naukowcy tradycyjnie polegali na technikach przeszukiwania baz danych, modelowaniu i wyczuciu chemicznym, aby zidentyfikować zdolne do życia cząsteczki. Zespół z brytyjskiego Uniwersytetu w Liverpoolu wykorzystał ML, aby uprościć proces twórczy. 

    Najpierw naukowcy stworzyli sieć neuronową, która ustalała priorytety kombinacji chemicznych na podstawie prawdopodobieństwa wytworzenia cennego nowego materiału. Następnie naukowcy wykorzystali te rankingi, aby kierować swoimi badaniami laboratoryjnymi. W rezultacie znaleźli cztery realne opcje materiałów na baterie bez testowania wszystkiego z ich listy, oszczędzając im miesięcy prób i błędów. Nowe materiały to nie jedyna dziedzina, w której ML może pomóc w badaniach. Naukowcy wykorzystują również sieci neuronowe do rozwiązywania ważniejszych problemów technologicznych i teoretycznych. Na przykład Renato Renner, fizyk z Instytutu Fizyki Teoretycznej w Zurychu, ma nadzieję na opracowanie spójnego wyjaśnienia działania świata za pomocą uczenia maszynowego. 

    Ponadto bardziej wyrafinowane generatywne modele sztucznej inteligencji, takie jak ChatGPT OpenAI, umożliwiają naukowcom automatyczne generowanie nowych danych, modeli i hipotez. Osiąga się to dzięki technikom, takim jak generatywne sieci przeciwstawne (GAN), wariacyjne automatyczne kodery (VAE) i modele językowe oparte na transformatorach (takie jak Generative Pre-trained Transformer-3 lub GPT-3). Tych modeli AI można używać do generowania zestawów danych syntetycznych, projektowania i optymalizowania nowych architektur uczenia maszynowego oraz opracowywania nowych hipotez naukowych poprzez identyfikowanie wzorców i relacji w danych, które były wcześniej nieznane.

    Zakłócający wpływ

    Naukowcy mogą w coraz większym stopniu wykorzystywać generatywną sztuczną inteligencję do pomocy w badaniach. Dzięki możliwości analizowania wzorców i przewidywania wyników w oparciu o tę wiedzę, modele te mogą rozwiązywać złożone teorie naukowe, które pozostały nierozwiązane przez ludzkość. Nie tylko zaoszczędzi to czas i pieniądze, ale także pomoże ludzkiemu zrozumieniu nauki wyjść daleko poza jej obecne granice. 

    Przedsięwzięciu badawczo-rozwojowemu (R&D) prawdopodobnie łatwiej będzie zebrać odpowiednie fundusze, ponieważ ML może szybciej przetwarzać dane. W rezultacie naukowcy będą szukać większej pomocy, zatrudniając nowych pracowników lub współpracując ze znanymi firmami i firmami, aby osiągać lepsze wyniki. Ogólny wpływ tego zainteresowania będzie pozytywny, nie tylko dla postępu naukowego, ale także dla profesjonalistów w dziedzinach naukowych. 

    Jednak potencjalną przeszkodą jest to, że rozwiązania z tych modeli adaptacyjnych są często trudne do zrozumienia dla ludzi, zwłaszcza związane z tym rozumowanie. Ze względu na to, że maszyny udzielają tylko odpowiedzi i nie wyjaśniają przyczyny rozwiązania, naukowcy mogą pozostać niepewni co do procesu i wniosków. Ta niejasność osłabia zaufanie do wyników i zmniejsza liczbę sieci neuronowych, które mogą pomóc w analizie. Dlatego konieczne będzie, aby naukowcy opracowali model, który sam się wyjaśni.

    Implikacje badań naukowych AI

    Szersze implikacje badań naukowych nad sztuczną inteligencją mogą obejmować:

    • Zmiany w standardach autorstwa artykułów naukowych, w tym przyznanie AI własności intelektualnej. Podobnie systemy sztucznej inteligencji pewnego dnia zostaną nagrodzone jako potencjalni odbiorcy Nagrody Nobla, co może wywołać intensywne debaty na temat tego, czy te algorytmy powinny zostać uznane za wynalazców.
    • Badania generowane przez sztuczną inteligencję mogą prowadzić do nowych form odpowiedzialności oraz dalszych kwestii prawnych i etycznych związanych z wykorzystaniem sztucznej inteligencji i systemów autonomicznych w odkryciach naukowych.
    • Naukowcy pracujący z różnymi generatywnymi narzędziami sztucznej inteligencji, aby przyspieszyć rozwój i testy medyczne.
    • Rosnące zużycie energii spowodowane dużą mocą obliczeniową potrzebną do uruchomienia tych skomplikowanych algorytmów.
    • Przyszli naukowcy są szkoleni w zakresie korzystania ze sztucznej inteligencji i innych narzędzi uczenia maszynowego w swoich przepływach pracy.
    • Rządy tworzące globalne standardy dotyczące ograniczeń i wymagań przeprowadzania eksperymentów naukowych generowanych przez sztuczną inteligencję.

    Pytania do rozważenia

    • Jeśli jesteś naukowcem, w jaki sposób Twoja instytucja lub laboratorium planuje włączyć badania wspomagane przez sztuczną inteligencję?
    • Jak myślisz, w jaki sposób badania generowane przez sztuczną inteligencję wpłyną na rynek pracy naukowców i badaczy?

    Referencje informacyjne

    W celu uzyskania tego wglądu odniesiono się do następujących popularnych i instytucjonalnych powiązań: