Znanstvena istraživanja umjetne inteligencije: Prava svrha strojnog učenja

• Autor:
• ime autora

  Quantumrun Foresight
• Neka 11, 2023

Razvijanje hipoteza tradicionalno se smatralo isključivo ljudskom aktivnošću, jer zahtijeva kreativnost, intuiciju i kritičko razmišljanje. Međutim, s tehnološkim napretkom, znanstvenici se sve više okreću strojnom učenju (ML) za stvaranje novih otkrića. Algoritmi mogu brzo analizirati velike količine podataka i identificirati obrasce koje ljudi možda ne mogu vidjeti.

Kontekst

Umjesto da ovise o ljudskim predrasudama, istraživači su konstruirali algoritme neuronske mreže ML s dizajnom inspiriranim ljudskim mozgom, predlažući nove hipoteze temeljene na uzorcima podataka. Kao rezultat toga, mnoga bi se područja uskoro mogla okrenuti ML-u kako bi ubrzala znanstvena otkrića i smanjila ljudske predrasude. U slučaju neistraženih baterijskih materijala, znanstvenici su se tradicionalno oslanjali na tehnike pretraživanja baze podataka, modeliranje i njihov kemijski osjećaj kako bi identificirali održive molekule. Tim sa Sveučilišta Liverpool sa sjedištem u Velikoj Britaniji koristio je ML kako bi pojednostavio kreativni proces. 

Prvo, istraživači su stvorili neuronsku mrežu koja daje prioritet kemijskim kombinacijama na temelju njihove vjerojatnosti proizvodnje vrijednog novog materijala. Znanstvenici su zatim upotrijebili te rangove za usmjeravanje svojih laboratorijskih studija. Kao rezultat toga, pronašli su četiri održiva izbora materijala za baterije bez testiranja svega na popisu, poštedivši ih mjesecima pokušaja i pogrešaka. Novi materijali nisu jedino polje u kojem ML može pomoći u istraživanju. Istraživači također koriste neuronske mreže za rješavanje značajnijih tehnoloških i teorijskih problema. Na primjer, fizičar na Institutu za teorijsku fiziku u Zürichu, Renato Renner, nada se da će razviti kohezivno objašnjenje kako svijet funkcionira koristeći ML. 

Osim toga, sofisticiraniji generativni modeli umjetne inteligencije poput OpenAI-jevog ChatGPT-a omogućuju istraživačima da automatski generiraju nove podatke, modele i hipoteze. Ovaj podvig se postiže tehnikama kao što su generativne kontradiktorne mreže (GAN), varijacijski autokoderi (VAE) i jezični modeli temeljeni na transformatorima (kao što je Generative Pre-trained Transformer-3 ili GPT-3). Ovi modeli umjetne inteligencije mogu se koristiti za generiranje sintetičkih skupova podataka, dizajn i optimizaciju novih ML arhitektura i razvoj novih znanstvenih hipoteza identificiranjem obrazaca i odnosa u podacima koji su prethodno bili nepoznati.

Razarajući učinak

Znanstvenici bi mogli sve više koristiti generativnu umjetnu inteligenciju kao pomoć u istraživanju. Uz mogućnost analize obrazaca i predviđanja ishoda na temelju tog znanja, ovi modeli mogu riješiti složene teorije znanosti koje čovječanstvo nije riješilo. Ne samo da će to uštedjeti vrijeme i novac, već će također pomoći da se ljudsko razumijevanje znanosti proširi daleko izvan svojih sadašnjih granica. 

Poduzeću za istraživanje i razvoj (R&D) vjerojatno će biti lakše prikupiti odgovarajuća sredstva jer ML može brže obrađivati ​​podatke. Kao rezultat toga, znanstvenici će tražiti više pomoći zapošljavanjem novih zaposlenika ili suradnjom s poznatim poduzećima i kompanijama kako bi postigli bolje rezultate. Sveukupni učinak ovog interesa bit će pozitivan, ne samo za znanstveni napredak, već i za stručnjake unutar znanstvenih područja. 

Međutim, potencijalna zapreka na putu je to što su rješenja iz ovih adaptivnih modela često izazovna za ljude da shvate, posebno uključeno razmišljanje. Budući da strojevi samo daju odgovore, a ne objašnjavaju razlog iza rješenja, znanstvenici mogu ostati nesigurni u vezi procesa i zaključka. Ova nejasnoća slabi povjerenje u rezultate i smanjuje broj neuronskih mreža koje mogu pomoći u analizi. Stoga će biti potrebno da istraživači razviju model koji može objasniti sam sebe.

Implikacije AI znanstvenih istraživanja

Šire implikacije znanstvenih istraživanja umjetne inteligencije mogu uključivati:

• Promjene u standardima autorstva za istraživačke radove, uključujući davanje priznanja intelektualnog vlasništva AI-ju. Slično tome, AI sustavi će jednog dana biti nagrađeni kao potencijalni dobitnici Nobelove nagrade, što može izazvati intenzivne rasprave o tome treba li ove algoritme priznati kao izumitelje.
• Istraživanja generirana umjetnom inteligencijom mogu dovesti do novih oblika odgovornosti i daljnjih pravnih i etičkih pitanja u vezi s korištenjem umjetne inteligencije i autonomnih sustava u znanstvenim otkrićima.
• Znanstvenici koji rade s raznim generativnim AI alatima za ubrzavanje medicinskog razvoja i testiranja.
• Povećana potrošnja energije uzrokovana visokom računalnom snagom potrebnom za pokretanje ovih složenih algoritama.
• Budući znanstvenici koji se obučavaju za korištenje AI i drugih ML alata u svojim radnim procesima.
• Vlade stvaraju globalne standarde o ograničenjima i zahtjevima provođenja znanstvenih eksperimenata generiranih umjetnom inteligencijom.

Pitanja za razmatranje

• Ako ste znanstvenik, kako vaša institucija ili laboratorij planira uključiti istraživanje potpomognuto umjetnom inteligencijom?
• Što mislite kako će istraživanje generirano umjetnom inteligencijom utjecati na tržište rada za znanstvenike i istraživače?