AI научни изследвания: истинската цел на машинното обучение

• Автор:
• име Автор

  Quantumrun Foresight
• Май 11, 2023

Разработването на хипотези традиционно се счита за изключително човешка дейност, тъй като изисква креативност, интуиция и критично мислене. С технологичния напредък обаче учените все повече се обръщат към машинното обучение (ML), за да генерират нови открития. Алгоритмите могат бързо да анализират големи количества данни и да идентифицират модели, които хората може да не могат да видят.

Контекст

Вместо да зависят от човешките предубеждения, изследователите са конструирали невронни мрежови ML алгоритми с дизайн, вдъхновен от човешкия мозък, предлагайки нови хипотези, базирани на модели на данни. В резултат на това много области може скоро да се обърнат към машинното обучение, за да ускорят научните открития и да намалят човешките пристрастия. В случай на неизследвани материали за батерии, учените традиционно разчитат на техники за търсене в бази данни, моделиране и техния химичен усет, за да идентифицират жизнеспособни молекули. Екип от базирания в Обединеното кралство университет в Ливърпул използва ML, за да опрости творческия процес. 

Първо, изследователите създадоха невронна мрежа, която приоритизира химичните комбинации въз основа на вероятността да произведат ценен нов материал. След това учените използваха тези класации, за да ръководят своите лабораторни изследвания. В резултат на това те намериха четири жизнеспособни избора на материал за батерии, без да тестват всичко в техния списък, спестявайки им месеци опити и грешки. Новите материали не са единственото поле, в което машинното обучение може да подпомогне изследванията. Изследователите също използват невронни мрежи за решаване на по-значими технологични и теоретични проблеми. Например, физик от Цюрихския институт за теоретична физика, Ренато Ренър, се надява да разработи последователно обяснение за това как работи светът, използвайки ML. 

Освен това по-усъвършенстваните генеративни AI модели като ChatGPT на OpenAI позволяват на изследователите автоматично да генерират нови данни, модели и хипотези. Това постижение се постига чрез техники като генериращи състезателни мрежи (GAN), вариационни автокодери (VAE) и базирани на трансформатор езикови модели (като Generative Pre-trained Transformer-3 или GPT-3). Тези AI модели могат да се използват за генериране на синтетични набори от данни, проектиране и оптимизиране на нови ML архитектури и разработване на нови научни хипотези чрез идентифициране на модели и връзки в данни, които преди това са били неизвестни.

Разрушително въздействие

Учените може все повече да използват генеративен AI за подпомагане на изследванията. Със способността да анализират модели и да прогнозират резултати въз основа на това знание, тези модели могат да решат сложни теории на науката, които са останали неразгадани от човечеството. Това не само ще спести време и пари, но и ще помогне на човешкото разбиране за науката да се разпростре далеч отвъд сегашните си граници. 

Предприятието за научноизследователска и развойна дейност (R&D) вероятно ще намери по-лесно да събере подходящо финансиране, тъй като ML може да обработва данни по-бързо. В резултат на това учените ще търсят повече помощ, като наемат нови служители или си сътрудничат с известни бизнеси и компании, за да постигнат по-добри резултати. Цялостното въздействие на този интерес ще бъде положително не само за научния напредък, но и за професионалистите в научните области. 

Потенциална пречка обаче е, че решенията от тези адаптивни модели често са предизвикателство за разбиране от хората, особено свързаните с тях разсъждения. Поради това, че машините дават само отговори и не обясняват причината зад решението, учените може да останат несигурни относно процеса и заключението. Тази неяснота отслабва доверието в резултатите и намалява броя на невронните мрежи, които могат да помогнат при анализа. Следователно ще бъде необходимо изследователите да разработят модел, който може да се обясни.

Последици от научните изследвания на AI

По-широките последици от научните изследвания на ИИ могат да включват:

• Промени в стандартите за авторство за научни статии, включително даване на интелектуална собственост на AI. По същия начин системите с изкуствен интелект един ден ще бъдат присъдени като потенциални получатели на Нобелова награда, което може да предизвика интензивни дебати дали тези алгоритми трябва да бъдат признати за изобретатели.
• Изследванията, генерирани от AI, могат да доведат до нови форми на отговорност и допълнителни правни и етични въпроси, свързани с използването на AI и автономни системи в научни открития.
• Учени, работещи с различни генеративни AI инструменти за бързо проследяване на медицински разработки и тестове.
• Увеличава се потреблението на енергия, причинено от високата изчислителна мощност, необходима за изпълнението на тези сложни алгоритми.
• Бъдещите учени се обучават да използват AI и други инструменти за машинно обучение в своите работни процеси.
• Правителствата създават глобални стандарти за ограниченията и изискванията за провеждане на научни експерименти, генерирани от AI.

Въпроси за разглеждане

• Ако сте учен, как вашата институция или лаборатория планира да включи изследвания, подпомогнати от AI?
• Как смятате, че изследванията, генерирани от AI, ще повлияят на пазара на труда за учени и изследователи?