Vědecký výzkum AI: Skutečný účel strojového učení

KREDIT OBRAZU:
Kredit
iStock

Vědecký výzkum AI: Skutečný účel strojového učení

Vědecký výzkum AI: Skutečný účel strojového učení

Text podnadpisu
Výzkumníci testují schopnost umělé inteligence vyhodnocovat obrovské množství dat, což může vést k průlomovým objevům.
    • Autor:
    • jméno autora
      Quantumrun Foresight
    • 11

    Rozvíjení hypotéz bylo tradičně považováno za výhradně lidskou činnost, protože vyžaduje kreativitu, intuici a kritické myšlení. S technologickým pokrokem se však vědci stále častěji obracejí na strojové učení (ML), aby generovali nové objevy. Algoritmy mohou rychle analyzovat velké množství dat a identifikovat vzory, které lidé nemusí být schopni vidět.

    Kontext

    Namísto závislosti na lidských předsudcích výzkumníci zkonstruovali algoritmy neuronové sítě ML s designem inspirovaným lidským mozkem, což naznačuje nové hypotézy založené na vzorech dat. V důsledku toho se mnoho oblastí může brzy obrátit na ML, aby urychlily vědecké objevy a snížily lidské předsudky. V případě neprozkoumaných materiálů baterií se vědci při identifikaci životaschopných molekul tradičně spoléhali na techniky vyhledávání v databázi, modelování a svůj chemický smysl. Tým z University of Liverpool se sídlem ve Spojeném království použil ML ke zjednodušení tvůrčího procesu. 

    Nejprve výzkumníci vytvořili neuronovou síť, která upřednostňovala chemické kombinace na základě jejich pravděpodobnosti výroby cenného nového materiálu. Vědci pak použili tyto žebříčky jako vodítko pro své laboratorní studie. Výsledkem bylo, že našli čtyři životaschopné materiály pro baterie, aniž by testovali vše na svém seznamu, což jim ušetřilo měsíce pokusů a omylů. Nové materiály nejsou jedinou oblastí, kde může ML pomoci výzkumu. Výzkumníci také používají neuronové sítě k řešení významnějších technologických a teoretických problémů. Například fyzik z Curyšského institutu pro teoretickou fyziku Renato Renner doufá, že se mu podaří vytvořit ucelené vysvětlení toho, jak svět funguje pomocí ML. 

    Sofistikovanější generativní modely umělé inteligence, jako je ChatGPT od OpenAI, navíc umožňují výzkumníkům automaticky generovat nová data, modely a hypotézy. Tohoto výkonu je dosaženo pomocí technik, jako jsou generativní adversariální sítě (GAN), variační autokodéry (VAE) a jazykové modely založené na transformátoru (jako je Generative Pre-trained Transformer-3 nebo GPT-3). Tyto modely umělé inteligence lze použít ke generování souborů syntetických dat, navrhování a optimalizaci nových architektur ML a vyvíjení nových vědeckých hypotéz identifikací vzorců a vztahů v datech, které byly dříve neznámé.

    Rušivý dopad

    Vědci mohou stále více využívat generativní AI k podpoře výzkumu. Se schopností analyzovat vzorce a předvídat výsledky na základě těchto znalostí mohou tyto modely vyřešit složité vědecké teorie, které lidstvo dosud nevyřešilo. Nejenže to ušetří čas a peníze, ale také to pomůže lidskému chápání vědy daleko za její současné hranice. 

    Podnik pro výzkum a vývoj (R&D) bude pravděpodobně snáze získávat vhodné finanční prostředky, protože ML může zpracovávat data rychleji. V důsledku toho budou vědci hledat další pomoc při najímání nových zaměstnanců nebo spolupráci se známými podniky a společnostmi, aby dosáhli lepších výsledků. Celkový dopad tohoto zájmu bude pozitivní nejen pro vědecký pokrok, ale i pro odborníky ve vědních oborech. 

    Potenciální překážkou však je, že řešení z těchto adaptivních modelů jsou pro lidi často náročné na pochopení, zejména související uvažování. Vzhledem k tomu, že stroje pouze poskytují odpovědi a nevysvětlují důvod řešení, vědci mohou zůstat v nejistotě ohledně procesu a závěru. Tato nejasnost oslabuje důvěru ve výsledky a snižuje počet neuronových sítí, které mohou pomoci s analýzou. Proto bude nutné, aby výzkumníci vyvinuli model, který dokáže vysvětlit sám sebe.

    Důsledky vědeckého výzkumu AI

    Širší důsledky vědeckého výzkumu AI mohou zahrnovat:

    • Změny v autorských standardech pro výzkumné práce, včetně přidělování duševního vlastnictví AI. Podobně systémy umělé inteligence budou jednoho dne oceněny jako potenciální nositelé Nobelovy ceny, což může způsobit intenzivní debaty o tom, zda by tyto algoritmy měly být uznány jako vynálezci.
    • Výzkum generovaný umělou inteligencí může vést k novým formám odpovědnosti a dalším právním a etickým otázkám souvisejícím s používáním umělé inteligence a autonomních systémů ve vědeckých objevech.
    • Vědci pracují s různými generativními nástroji AI, aby urychlili lékařský vývoj a testování.
    • Zvyšující se spotřeba energie způsobená vysokým výpočetním výkonem potřebným ke spuštění těchto propracovaných algoritmů.
    • Budoucí vědci jsou školeni k používání AI a dalších nástrojů ML ve svých pracovních postupech.
    • Vlády vytvářející globální standardy týkající se omezení a požadavků na provádění vědeckých experimentů generovaných umělou inteligencí.

    Otázky k zamyšlení

    • Pokud jste vědec, jak vaše instituce nebo laboratoř plánuje začlenit výzkum s pomocí AI?
    • Jak si myslíte, že výzkum generovaný AI ovlivní trh práce pro vědce a výzkumníky?

    Statistikové reference

    Následující populární a institucionální odkazy byly uvedeny pro tento náhled: