Vedecký výskum AI: Skutočný účel strojového učenia

• Autor:
• meno autora

  Predvídavosť Quantumrun
• Môže 11, 2023

Rozvíjanie hypotéz sa tradične považovalo za výlučne ľudskú činnosť, pretože si vyžaduje kreativitu, intuíciu a kritické myslenie. S technologickým pokrokom sa však vedci čoraz viac obracajú na strojové učenie (ML), aby vytvorili nové objavy. Algoritmy dokážu rýchlo analyzovať veľké množstvo údajov a identifikovať vzory, ktoré ľudia nemusia vidieť.

Kontext

Namiesto toho, aby sa spoliehali na ľudské predsudky, výskumníci vytvorili algoritmy ML neurónovej siete s dizajnom inšpirovaným ľudským mozgom, čo naznačuje nové hypotézy založené na vzorcoch údajov. V dôsledku toho sa mnohé oblasti môžu čoskoro obrátiť na ML, aby urýchlili vedecké objavy a znížili ľudské zaujatosti. V prípade nepreskúmaných materiálov batérií sa vedci pri identifikácii životaschopných molekúl tradične spoliehali na techniky vyhľadávania v databáze, modelovanie a svoj chemický zmysel. Tím z University of Liverpool so sídlom vo Veľkej Británii použil ML na zjednodušenie kreatívneho procesu. 

Po prvé, vedci vytvorili neurónovú sieť, ktorá uprednostňovala chemické kombinácie na základe ich pravdepodobnosti výroby cenného nového materiálu. Vedci potom použili tieto hodnotenia na usmernenie svojich laboratórnych štúdií. Výsledkom bolo, že našli štyri realizovateľné materiály pre batérie bez toho, aby testovali všetko na svojom zozname, čím si ušetrili mesiace pokusov a omylov. Nové materiály nie sú jedinou oblasťou, kde môže ML pomôcť výskumu. Výskumníci tiež používajú neurónové siete na riešenie dôležitejších technologických a teoretických problémov. Napríklad fyzik z Zürich's Institute for Theoretical Physics, Renato Renner, dúfa, že sa mu podarí vyvinúť súdržné vysvetlenie toho, ako svet funguje pomocou ML. 

Sofistikovanejšie generatívne modely AI, ako je ChatGPT od OpenAI, navyše umožňujú výskumníkom automaticky generovať nové údaje, modely a hypotézy. Tento výkon je dosiahnutý pomocou techník, ako sú generatívne adversariálne siete (GAN), variačné automatické kódovače (VAE) a jazykové modely založené na transformátoroch (ako napríklad Generative Pre-trained Transformer-3 alebo GPT-3). Tieto modely AI možno použiť na generovanie syntetických súborov údajov, navrhovanie a optimalizáciu nových architektúr ML a vývoj nových vedeckých hypotéz identifikáciou vzorov a vzťahov v údajoch, ktoré boli predtým neznáme.

Rušivý vplyv

Vedci môžu čoraz viac využívať generatívnu AI na pomoc pri výskume. So schopnosťou analyzovať vzorce a predpovedať výsledky na základe týchto znalostí môžu tieto modely vyriešiť zložité vedecké teórie, ktoré ľudstvo nevyriešilo. Nielenže to ušetrí čas a peniaze, ale pomôže to aj ľudskému chápaniu vedy ďaleko za jej súčasné hranice. 

Pre výskum a vývoj (R&D) bude pravdepodobne jednoduchšie získať primerané finančné prostriedky, pretože ML dokáže spracovať údaje rýchlejšie. Výsledkom je, že vedci budú hľadať viac pomoci prijímaním nových zamestnancov alebo spoluprácou so známymi podnikmi a spoločnosťami, aby dosiahli lepšie výsledky. Celkový dopad tohto záujmu bude pozitívny nielen pre vedecký pokrok, ale aj pre odborníkov vo vedných oblastiach. 

Potenciálnou prekážkou však je, že riešenia z týchto adaptívnych modelov sú pre ľudí často náročné na pochopenie, najmä s tým spojené uvažovanie. Vzhľadom na to, že stroje iba poskytujú odpovede a nevysvetľujú dôvod riešenia, vedci môžu zostať neistí ohľadom procesu a záveru. Táto nejasnosť oslabuje dôveru vo výsledky a znižuje počet neurónových sietí, ktoré môžu pomôcť pri analýze. Preto bude potrebné, aby výskumníci vyvinuli model, ktorý dokáže vysvetliť sám seba.

Dôsledky vedeckého výskumu AI

Širšie dôsledky vedeckého výskumu AI môžu zahŕňať:

• Zmeny v normách pre autorstvo pre výskumné práce vrátane poskytovania kreditu duševného vlastníctva AI. Podobne systémy AI budú jedného dňa ocenené ako potenciálni príjemcovia Nobelovej ceny, čo môže spôsobiť intenzívne debaty o tom, či by sa tieto algoritmy mali považovať za vynálezcov.
• Výskum generovaný AI môže viesť k novým formám zodpovednosti a ďalším právnym a etickým otázkam súvisiacim s používaním AI a autonómnych systémov vo vedeckých objavoch.
• Vedci pracujúci s rôznymi generatívnymi nástrojmi AI na urýchlenie medicínskeho vývoja a testovania.
• Zvýšená spotreba energie spôsobená vysokým výpočtovým výkonom potrebným na spustenie týchto prepracovaných algoritmov.
• Budúci vedci sú vyškolení na používanie AI a iných nástrojov ML vo svojich pracovných postupoch.
• Vlády vytvárajúce globálne štandardy týkajúce sa obmedzení a požiadaviek na vykonávanie vedeckých experimentov generovaných AI.

Otázky na zváženie

• Ak ste vedec, ako vaša inštitúcia alebo laboratórium plánuje začleniť výskum s pomocou AI?
• Ako si myslíte, že výskum generovaný AI ovplyvní trh práce pre vedcov a výskumníkov?