AI siyentipikong pananaliksik: Ang tunay na layunin ng machine learning

CREDIT NG LARAWAN:
Image credit
iStock

AI siyentipikong pananaliksik: Ang tunay na layunin ng machine learning

AI siyentipikong pananaliksik: Ang tunay na layunin ng machine learning

Teksto ng subheading
Sinusubukan ng mga mananaliksik ang kakayahan ng artificial intelligence upang suriin ang napakaraming data na maaaring humantong sa mga pagtuklas ng tagumpay.
    • May-akda:
    • pangalan Author
      Quantumrun Foresight
    • Mayo 11, 2023

    Ang pagbuo ng mga hypotheses ay tradisyonal na itinuturing na isang aktibidad ng tao lamang, dahil nangangailangan ito ng pagkamalikhain, intuwisyon, at kritikal na pag-iisip. Gayunpaman, sa mga pagsulong sa teknolohiya, lalong lumilipat ang mga siyentipiko sa machine learning (ML) upang makabuo ng mga bagong pagtuklas. Mabilis na masusuri ng mga algorithm ang maraming data at matukoy ang mga pattern na maaaring hindi makita ng mga tao.

    Kaugnay na kahulugan

    Sa halip na depende sa mga preconception ng tao, ang mga mananaliksik ay gumawa ng mga neural network ML algorithm na may disenyong inspirasyon ng utak ng tao, na nagmumungkahi ng mga bagong hypotheses batay sa mga pattern ng data. Bilang resulta, maraming lugar ang maaaring lumipat sa ML sa lalong madaling panahon upang mapabilis ang pagtuklas ng siyensya at bawasan ang mga bias ng tao. Sa kaso ng hindi pa na-explore na mga materyales ng baterya, ang mga siyentipiko ay tradisyonal na umaasa sa mga diskarte sa paghahanap ng database, pagmomodelo, at kanilang kemikal na kahulugan upang matukoy ang mga mabubuhay na molekula. Isang team mula sa Unibersidad ng Liverpool na nakabase sa UK ang gumamit ng ML upang pasimplehin ang proseso ng creative. 

    Una, ang mga mananaliksik ay lumikha ng isang neural network na inuuna ang mga kumbinasyon ng kemikal batay sa kanilang posibilidad na makagawa ng isang mahalagang bagong materyal. Pagkatapos ay ginamit ng mga siyentipiko ang mga ranggo na ito upang gabayan ang kanilang mga pag-aaral sa laboratoryo. Bilang resulta, nakahanap sila ng apat na mapagpipiliang materyal ng baterya nang hindi sinusuri ang lahat sa kanilang listahan, na hindi sila naranasan ng mga buwan ng pagsubok at pagkakamali. Ang mga bagong materyales ay hindi lamang ang larangan kung saan maaaring tumulong ang ML sa pananaliksik. Gumagamit din ang mga mananaliksik ng mga neural network upang malutas ang mas makabuluhang mga teknolohikal at teoretikal na alalahanin. Halimbawa, umaasa ang isang physicist sa Zurich's Institute for Theoretical Physics, si Renato Renner, na bumuo ng magkakaugnay na paliwanag kung paano gumagana ang mundo gamit ang ML. 

    Bukod pa rito, ang mas sopistikadong generative AI na mga modelo tulad ng OpenAI's ChatGPT ay nagbibigay-daan sa mga mananaliksik na awtomatikong bumuo ng mga bagong data, modelo, at hypotheses. Nakamit ang tagumpay na ito sa pamamagitan ng mga diskarte gaya ng generative adversarial network (GAN), variational autoencoders (VAEs), at transformer-based na mga modelo ng wika (gaya ng Generative Pre-trained Transformer-3 o GPT-3). Ang mga AI model na ito ay maaaring gamitin upang bumuo ng mga synthetic data set, magdisenyo at mag-optimize ng mga bagong ML architecture, at bumuo ng mga bagong scientific hypotheses sa pamamagitan ng pagtukoy ng mga pattern at relasyon sa data na dati ay hindi alam.

    Nakakagambalang epekto

    Ang mga siyentipiko ay maaaring lalong gumamit ng generative AI upang tumulong sa pananaliksik. Sa kakayahang pag-aralan ang mga pattern at hulaan ang mga resulta batay sa kaalamang iyon, maaaring malutas ng mga modelong ito ang mga kumplikadong teorya ng agham na nanatiling hindi nalutas ng sangkatauhan. Hindi lamang ito makakatipid ng oras at pera, ngunit makakatulong din ito sa pag-unawa ng tao sa agham na lumampas sa mga kasalukuyang hangganan nito. 

    Ang isang research and development (R&D) venture ay malamang na mas madaling makakalap ng naaangkop na pagpopondo dahil mas mabilis na maproseso ng ML ang data. Bilang resulta, hihingi ng karagdagang tulong ang mga siyentipiko sa pamamagitan ng pagkuha ng mga bagong empleyado o pakikipagtulungan sa mga kilalang negosyo at kumpanya upang makagawa ng mas magagandang resulta. Magiging positibo ang pangkalahatang epekto ng interes na ito, hindi lamang para sa mga pagsulong sa siyensya kundi pati na rin para sa mga propesyonal sa loob ng mga larangang siyentipiko. 

    Gayunpaman, ang isang potensyal na hadlang ay ang mga solusyon mula sa mga adaptive na modelong ito ay madalas na hamon para sa mga tao na maunawaan, lalo na ang pangangatwiran na kasangkot. Dahil ang mga makina ay nagbibigay lamang ng mga sagot at hindi nagpapaliwanag ng dahilan sa likod ng solusyon, maaaring manatiling hindi sigurado ang mga siyentipiko tungkol sa proseso at konklusyon. Ang kalabuan na ito ay nagpapahina sa kumpiyansa sa mga resulta at binabawasan ang bilang ng mga neural network na makakatulong sa pagsusuri. Samakatuwid, ito ay kinakailangan para sa mga mananaliksik upang bumuo ng isang modelo na maaaring ipaliwanag ang sarili nito.

    Mga implikasyon ng siyentipikong pananaliksik ng AI

    Maaaring kabilang sa mas malawak na implikasyon ng AI scientific research ang:

    • Mga pagbabago sa mga pamantayan sa pagiging may-akda para sa mga research paper, kabilang ang pagbibigay ng kredito sa intelektwal na ari-arian sa AI. Katulad nito, ang mga AI system balang araw ay igagawad bilang mga potensyal na tatanggap ng Nobel Prize, na maaaring magdulot ng matinding debate sa kung ang mga algorithm na ito ay dapat kilalanin bilang mga imbentor.
    • Ang pananaliksik na binuo ng AI ay maaaring humantong sa mga bagong anyo ng pananagutan at higit pang mga legal at etikal na tanong na may kaugnayan sa paggamit ng AI at mga autonomous system sa mga siyentipikong pagtuklas.
    • Ang mga siyentipiko na nagtatrabaho sa iba't ibang mga generative AI tool upang mabilis na subaybayan ang mga medikal na pag-unlad at pagsubok.
    • Ang pagtaas ng paggamit ng enerhiya na dulot ng mataas na kapangyarihan sa pag-compute na kailangan para patakbuhin ang mga detalyadong algorithm na ito.
    • Sinasanay ang mga hinaharap na siyentipiko na gumamit ng AI at iba pang mga tool sa ML sa kanilang mga daloy ng trabaho.
    • Mga pamahalaan na gumagawa ng mga pandaigdigang pamantayan sa mga limitasyon at kinakailangan ng pagsasagawa ng AI-generated scientific experiments.

    Mga katanungang dapat isaalang-alang

    • Kung ikaw ay isang scientist, paano ang iyong institusyon o laboratoryo nagpaplano na isama ang AI-assisted research?
    • Sa palagay mo, paano makakaapekto ang pananaliksik na binuo ng AI sa merkado ng trabaho para sa mga siyentipiko at mananaliksik?

    Mga sanggunian ng insight

    Ang mga sumusunod na sikat at institusyonal na link ay isinangguni para sa pananaw na ito:

    Balita sa Uchicago Paano mababago ng AI ang agham