Znanstvene raziskave AI: Pravi namen strojnega učenja

KREDIT ZA SLIKO:
Image kredit
iStock

Znanstvene raziskave AI: Pravi namen strojnega učenja

Znanstvene raziskave AI: Pravi namen strojnega učenja

Besedilo podnaslova
Raziskovalci preizkušajo zmogljivost umetne inteligence za ovrednotenje ogromnih količin podatkov, ki lahko vodijo do prebojnih odkritij.
    • Avtor:
    • ime avtorja
      Quantumrun Foresight
    • Maj 11, 2023

    Postavljanje hipotez je tradicionalno veljalo za izključno človeško dejavnost, saj zahteva ustvarjalnost, intuicijo in kritično mišljenje. Vendar pa se s tehnološkim napredkom znanstveniki vedno bolj obračajo na strojno učenje (ML), da ustvarijo nova odkritja. Algoritmi lahko hitro analizirajo velike količine podatkov in prepoznajo vzorce, ki jih ljudje morda ne morejo videti.

    Ozadje

    Namesto da bi bili odvisni od človeških predsodkov, so raziskovalci izdelali algoritme nevronske mreže ML z zasnovo, ki so jo navdihnili človeški možgani, in predlagajo nove hipoteze na podlagi podatkovnih vzorcev. Posledično se bodo mnoga področja kmalu lahko obrnila na strojno učenje, da bi pospešila znanstvena odkritja in zmanjšala človeško predsodko. V primeru neraziskanih baterijskih materialov so se znanstveniki tradicionalno zanašali na tehnike iskanja po bazah podatkov, modeliranje in njihov kemijski občutek za identifikacijo sposobnih molekul. Ekipa z univerze v Liverpoolu s sedežem v Združenem kraljestvu je uporabila ML, da bi poenostavila ustvarjalni proces. 

    Najprej so raziskovalci ustvarili nevronsko mrežo, ki je dala prednost kemičnim kombinacijam na podlagi njihove verjetnosti, da bodo proizvedle dragocen nov material. Znanstveniki so te lestvice nato uporabili za vodenje svojih laboratorijskih študij. Posledično so našli štiri izvedljive izbire materiala za baterijo, ne da bi preizkusili vse na seznamu, s čimer so jim prihranili mesece poskusov in napak. Novi materiali niso edino področje, kjer lahko ML pomaga pri raziskavah. Raziskovalci uporabljajo tudi nevronske mreže za reševanje pomembnejših tehnoloških in teoretičnih vprašanj. Na primer, fizik z züriškega Inštituta za teoretično fiziko, Renato Renner, upa, da bo razvil kohezivno razlago o tem, kako svet deluje z uporabo strojnega jezika. 

    Poleg tega bolj sofisticirani generativni modeli umetne inteligence, kot je OpenAI's ChatGPT, omogočajo raziskovalcem samodejno ustvarjanje novih podatkov, modelov in hipotez. Ta podvig je dosežen s tehnikami, kot so generativna kontradiktorna omrežja (GAN), variacijski samodejni kodirniki (VAE) in jezikovni modeli, ki temeljijo na transformatorjih (kot je Generative Pre-trained Transformer-3 ali GPT-3). Te modele umetne inteligence je mogoče uporabiti za ustvarjanje sintetičnih naborov podatkov, načrtovanje in optimizacijo novih arhitektur ML ter razvoj novih znanstvenih hipotez s prepoznavanjem vzorcev in odnosov v podatkih, ki prej niso bili znani.

    Moteč vpliv

    Znanstveniki bodo morda vse bolj uporabljali generativno umetno inteligenco za pomoč pri raziskavah. Z zmožnostjo analiziranja vzorcev in napovedovanja rezultatov na podlagi tega znanja bi lahko ti modeli rešili zapletene teorije znanosti, ki jih človeštvo še ni razrešilo. Ne samo, da bo to prihranilo čas in denar, ampak bo tudi pomagalo, da se človeško razumevanje znanosti razširi daleč preko trenutnih meja. 

    Podjetje za raziskave in razvoj (R&R) bo verjetno lažje zbralo ustrezno financiranje, ker lahko ML hitreje obdeluje podatke. Posledično bodo znanstveniki iskali več pomoči z najemom novih zaposlenih ali sodelovanjem z znanimi podjetji in podjetji, da bi dosegli boljše rezultate. Splošni učinek tega zanimanja bo pozitiven, ne le za znanstveni napredek, ampak tudi za strokovnjake na znanstvenih področjih. 

    Vendar pa je možna ovira, da so rešitve iz teh prilagodljivih modelov za ljudi pogosto zahtevne za razumevanje, zlasti razmišljanje, ki je vključeno. Ker stroji dajejo le odgovore in ne pojasnjujejo razloga za rešitev, so znanstveniki morda negotovi glede postopka in zaključka. Ta nejasnost slabi zaupanje v rezultate in zmanjšuje število nevronskih mrež, ki lahko pomagajo pri analizi. Zato bodo raziskovalci morali razviti model, ki bo lahko razložil samega sebe.

    Posledice znanstvenih raziskav AI

    Širše posledice znanstvenih raziskav umetne inteligence lahko vključujejo:

    • Spremembe standardov avtorstva za raziskovalne članke, vključno s pripisom intelektualne lastnine AI. Podobno bodo sistemi AI nekega dne nagrajeni kot potencialni prejemniki Nobelove nagrade, kar lahko povzroči intenzivne razprave o tem, ali je treba te algoritme priznati kot izumitelje.
    • Raziskave, ki jih ustvari umetna inteligenca, lahko privedejo do novih oblik odgovornosti ter dodatnih pravnih in etičnih vprašanj, povezanih z uporabo umetne inteligence in avtonomnih sistemov pri znanstvenih odkritjih.
    • Znanstveniki, ki delajo z različnimi generativnimi orodji umetne inteligence, da bi pospešili medicinski razvoj in testiranje.
    • Povečana poraba energije zaradi visoke računalniške moči, ki je potrebna za izvajanje teh dodelanih algoritmov.
    • Bodoči znanstveniki se usposabljajo za uporabo umetne inteligence in drugih orodij ML v svojih delovnih tokovih.
    • Vlade ustvarjajo globalne standarde o omejitvah in zahtevah za izvajanje znanstvenih poskusov, ki jih ustvari umetna inteligenca.

    Vprašanja, ki jih je treba upoštevati

    • Če ste znanstvenik, kako vaša ustanova ali laboratorij načrtuje vključitev raziskav s pomočjo umetne inteligence?
    • Kaj mislite, kako bodo raziskave, ki jih ustvari umetna inteligenca, vplivale na trg dela za znanstvenike in raziskovalce?

    Insight reference

    Za ta vpogled so bile navedene naslednje priljubljene in institucionalne povezave: