Kërkimi shkencor i AI: Qëllimi i vërtetë i të mësuarit të makinerisë

• Author:
• Emri i autorit

  Parashikimi Kuantumrun
• Mund 11, 2023

Zhvillimi i hipotezave është konsideruar tradicionalisht një aktivitet vetëm njerëzor, pasi kërkon kreativitet, intuitë dhe mendim kritik. Megjithatë, me përparimet teknologjike, shkencëtarët po i drejtohen gjithnjë e më shumë mësimit të makinerive (ML) për të gjeneruar zbulime të reja. Algoritmet mund të analizojnë shpejt sasi të mëdha të dhënash dhe të identifikojnë modele që njerëzit mund të mos jenë në gjendje t'i shohin.

Kontekst

Në vend që të varen nga paragjykimet njerëzore, studiuesit kanë ndërtuar algoritme të rrjetit nervor ML me një dizajn të frymëzuar nga truri i njeriut, duke sugjeruar hipoteza të reja bazuar në modelet e të dhënave. Si rezultat, shumë zona së shpejti mund të kthehen në ML për të përshpejtuar zbulimin shkencor dhe për të ulur paragjykimet njerëzore. Në rastin e materialeve të baterive të paeksploruara, shkencëtarët tradicionalisht janë mbështetur në teknikat e kërkimit të bazës së të dhënave, modelimin dhe sensin e tyre kimik për të identifikuar molekulat e qëndrueshme. Një ekip nga Universiteti i Liverpool-it me bazë në Mbretërinë e Bashkuar përdori ML për të thjeshtuar procesin krijues. 

Së pari, studiuesit krijuan një rrjet nervor që u dha përparësi kombinimeve kimike bazuar në gjasat e tyre për të prodhuar një material të ri të vlefshëm. Shkencëtarët më pas përdorën këto renditje për të udhëhequr studimet e tyre laboratorike. Si rezultat, ata gjetën katër zgjedhje të mundshme të materialit të baterisë pa testuar gjithçka në listën e tyre, duke i kursyer atyre muaj provë dhe gabime. Materialet e reja nuk janë fusha e vetme ku ML mund të ndihmojë kërkimin. Studiuesit përdorin gjithashtu rrjetet nervore për të zgjidhur shqetësime më të rëndësishme teknologjike dhe teorike. Për shembull, një fizikan në Institutin për Fizikën Teorike të Cyrihut, Renato Renner, shpreson të zhvillojë një shpjegim koheziv se si funksionon bota duke përdorur ML. 

Për më tepër, modelet më të sofistikuara gjeneruese të AI si ChatGPT i OpenAI i lejojnë studiuesit të gjenerojnë automatikisht të dhëna, modele dhe hipoteza të reja. Kjo arritje arrihet përmes teknikave të tilla si rrjetet kundërshtare gjeneruese (GANs), koduesit automatikë variacional (VAE) dhe modele gjuhësore të bazuara në transformator (të tillë si Transformer-3 i Trajnuar Paraprakisht Gjenerues ose GPT-3). Këto modele të AI mund të përdoren për të gjeneruar grupe të dhënash sintetike, për të dizajnuar dhe optimizuar arkitektura të reja ML dhe për të zhvilluar hipoteza të reja shkencore duke identifikuar modele dhe marrëdhënie në të dhëna që ishin të panjohura më parë.

Ndikim shkatërrues

Shkencëtarët mund të përdorin gjithnjë e më shumë AI gjeneruese për të ndihmuar në kërkime. Me aftësinë për të analizuar modelet dhe për të parashikuar rezultatet bazuar në atë njohuri, këto modele mund të zgjidhin teori komplekse të shkencës që kanë mbetur të pazgjidhura nga njerëzimi. Kjo jo vetëm që do të kursejë kohë dhe para, por gjithashtu do të ndihmojë të kuptuarit njerëzor të shkencës të shtrihet shumë përtej kufijve të saj aktualë. 

Një sipërmarrje kërkimi dhe zhvillimi (R&D) ka të ngjarë ta ketë më të lehtë të mbledhë fondet e duhura sepse ML mund të përpunojë të dhënat më shpejt. Si rezultat, shkencëtarët do të kërkojnë më shumë ndihmë duke punësuar punonjës të rinj ose duke bashkëpunuar me biznese dhe kompani të njohura për të prodhuar rezultate më të mira. Ndikimi i përgjithshëm i këtij interesi do të jetë pozitiv jo vetëm për përparimet shkencore por edhe për profesionistët e fushave shkencore. 

Megjithatë, një pengesë e mundshme është se zgjidhjet nga këto modele adaptive janë shpesh sfiduese për njerëzit, veçanërisht arsyetimin e përfshirë. Për shkak se makinat japin vetëm përgjigje dhe nuk shpjegojnë arsyen e zgjidhjes, shkencëtarët mund të mbeten të pasigurt për procesin dhe përfundimin. Kjo errësirë ​​dobëson besimin në rezultatet dhe zvogëlon numrin e rrjeteve nervore që mund të ndihmojnë me analizën. Prandaj, do të jetë e nevojshme që studiuesit të zhvillojnë një model që mund të shpjegojë vetveten.

Implikimet e kërkimit shkencor të AI

Implikimet më të gjera të kërkimit shkencor të AI mund të përfshijnë:

• Ndryshimet në standardet e autorësisë për punimet kërkimore, duke përfshirë dhënien e kredisë së pronësisë intelektuale për AI. Në mënyrë të ngjashme, sistemet e AI një ditë do të shpërblehen si marrës të mundshëm të çmimit Nobel, gjë që mund të shkaktojë debate intensive nëse këta algoritme duhet të njihen si shpikës.
• Hulumtimi i gjeneruar nga AI mund të çojë në forma të reja përgjegjësie dhe pyetje të mëtejshme ligjore dhe etike që lidhen me përdorimin e AI dhe sistemeve autonome në zbulimet shkencore.
• Shkencëtarët që punojnë me mjete të ndryshme gjeneruese të AI për të përshpejtuar zhvillimet dhe testimet mjekësore.
• Rritja e përdorimit të energjisë e shkaktuar nga fuqia e lartë llogaritëse e nevojshme për ekzekutimin e këtyre algoritmeve të përpunuara.
• Shkencëtarët e ardhshëm po trajnohen për të përdorur AI dhe mjete të tjera ML në rrjedhat e tyre të punës.
• Qeveritë që krijojnë standarde globale për kufizimet dhe kërkesat e kryerjes së eksperimenteve shkencore të krijuara nga AI.

Pyetje që duhen marrë parasysh

• Nëse jeni shkencëtar, si planifikon institucioni ose laboratori juaj të përfshijë kërkime të asistuara nga AI?
• Si mendoni se hulumtimi i krijuar nga AI do të ndikojë në tregun e punës për shkencëtarët dhe studiuesit?