Научно истраживање вештачке интелигенције: права сврха машинског учења

КРЕДИТ ЗА СЛИКУ:
Слика кредит
иСтоцк

Научно истраживање вештачке интелигенције: права сврха машинског учења

Научно истраживање вештачке интелигенције: права сврха машинског учења

Текст поднаслова
Истраживачи тестирају способност вештачке интелигенције да процени огромне количине података који могу довести до револуционарних открића.
    • Аутор:
    • ime аутора
      Куантумрун Форесигхт
    • Може 11, 2023

    Развијање хипотеза се традиционално сматра искључиво људском активношћу, јер захтева креативност, интуицију и критичко размишљање. Међутим, са технолошким напретком, научници се све више окрећу машинском учењу (МЛ) како би створили нова открића. Алгоритми могу брзо анализирати велике количине података и идентификовати обрасце које људи можда неће моћи да виде.

    Контекст

    Уместо да зависе од људских предубеђења, истраживачи су конструисали МЛ алгоритме неуронске мреже са дизајном инспирисаним људским мозгом, сугеришући нове хипотезе засноване на обрасцима података. Као резултат тога, многе области би се ускоро могле окренути МЛ како би се убрзала научна открића и смањиле људске предрасуде. У случају неистражених материјала батерија, научници су се традиционално ослањали на технике претраживања базе података, моделирање и њихов хемијски смисао да би идентификовали одрживе молекуле. Тим са Универзитета у Ливерпулу са седиштем у Великој Британији користио је МЛ да поједностави креативни процес. 

    Прво, истраживачи су створили неуронску мрежу која је дала приоритет хемијским комбинацијама на основу њихове вероватноће да произведу вредан нови материјал. Научници су затим користили ове рангове да би водили своје лабораторијске студије. Као резултат тога, пронашли су четири одржива избора материјала за батерије без тестирања свега на својој листи, поштедећи их месецима покушаја и грешака. Нови материјали нису једина област у којој МЛ може помоћи у истраживању. Истраживачи такође користе неуронске мреже за решавање значајнијих технолошких и теоријских проблема. На пример, физичар са Института за теоријску физику у Цириху, Ренато Реннер, нада се да ће развити кохезивно објашњење о томе како свет функционише користећи МЛ. 

    Поред тога, софистициранији генеративни АИ модели као што је ОпенАИ ЦхатГПТ омогућавају истраживачима да аутоматски генеришу нове податке, моделе и хипотезе. Овај подвиг се постиже техникама као што су генеративне адверсаријске мреже (ГАН), варијациони аутоенкодери (ВАЕ) и језички модели засновани на трансформаторима (као што су Генеративни унапред обучени трансформатор-3 или ГПТ-3). Ови модели вештачке интелигенције могу да се користе за генерисање синтетичких скупова података, дизајнирање и оптимизацију нових МЛ архитектура и развој нових научних хипотеза идентификацијом образаца и односа у подацима који су раније били непознати.

    Ометајући утицај

    Научници могу све више да користе генеративну вештачку интелигенцију да помогну у истраживању. Са способношћу анализе образаца и предвиђања исхода на основу тог знања, ови модели би могли да реше сложене теорије науке које су остале нерешене од стране човечанства. Не само да ће ово уштедети време и новац, већ ће такође помоћи људском разумевању науке да се прошири далеко изван својих тренутних граница. 

    Истраживање и развој (Р&Д) подухват ће вероватно лакше прикупити одговарајућа средства јер МЛ може брже да обрађује податке. Као резултат тога, научници ће тражити више помоћи запошљавањем нових запослених или сарадњом са познатим предузећима и компанијама како би постигли боље резултате. Укупан утицај овог интересовања биће позитиван, не само за научна достигнућа већ и за професионалце у научним областима. 

    Међутим, потенцијална препрека је то што су решења из ових адаптивних модела често изазовна за људе да их схвате, посебно резоновање које је укључено. Због тога што машине само дају одговоре и не објашњавају разлоге за решење, научници могу остати несигурни у погледу процеса и закључка. Ова нејасноћа слаби поверење у резултате и смањује број неуронских мрежа које могу помоћи у анализи. Стога ће бити неопходно да истраживачи развију модел који може сам себе да објасни.

    Импликације научног истраживања АИ

    Шире импликације научног истраживања АИ могу укључивати:

    • Промене у стандардима ауторства за истраживачке радове, укључујући давање заслуга за интелектуалну својину АИ. Слично томе, системи вештачке интелигенције једног дана ће бити награђени као потенцијални добитници Нобелове награде, што може изазвати интензивне дебате о томе да ли ови алгоритми треба да буду признати као проналазачи.
    • Истраживање генерисано вештачком интелигенцијом може довести до нових облика одговорности и даљих правних и етичких питања везаних за коришћење вештачке интелигенције и аутономних система у научним открићима.
    • Научници који раде са различитим генеративним АИ алатима да убрзају медицински развој и тестирање.
    • Повећање потрошње енергије узроковано великом рачунарском снагом потребном за покретање ових сложених алгоритама.
    • Будући научници се обучавају да користе вештачку интелигенцију и друге алате за МЛ у својим токовима рада.
    • Владе креирају глобалне стандарде о ограничењима и захтевима за спровођење научних експеримената генерисаних вештачком интелигенцијом.

    Питања која треба размотрити

    • Ако сте научник, како ваша институција или лабораторија планира да укључи истраживања уз помоћ вештачке интелигенције?
    • Шта мислите како ће истраживања генерисана вештачком интелигенцијом утицати на тржиште рада за научнике и истраживаче?

    Референце за увид

    Следеће популарне и институционалне везе су референциране за овај увид: