AI ilmiy tadqiqoti: Mashinani o'rganishning asl maqsadi

• Muallif:
• Muallifning ismi

  Kvant davrini bashorat qilish
• , 11 2023 mumkin

Gipotezalarni ishlab chiqish an'anaviy ravishda faqat inson faoliyati hisoblangan, chunki u ijodkorlik, sezgi va tanqidiy fikrlashni talab qiladi. Biroq, texnologik taraqqiyot bilan olimlar yangi kashfiyotlar yaratish uchun mashinani o'rganishga (ML) tobora ko'proq murojaat qilmoqdalar. Algoritmlar katta hajmdagi ma'lumotlarni tezda tahlil qilishi va odamlar ko'ra olmaydigan naqshlarni aniqlashi mumkin.

Kontekst

Tadqiqotchilar insonning taxminlariga bog'liq emas, balki inson miyasidan ilhomlangan dizayn bilan neyron tarmoq ML algoritmlarini yaratdilar va ma'lumotlar naqshlariga asoslangan yangi farazlarni taklif qildilar. Natijada, ko'plab sohalar tez orada ilmiy kashfiyotlarni tezlashtirish va insoniy qarashlarni kamaytirish uchun MLga murojaat qilishi mumkin. O'rganilmagan batareya materiallari bo'lsa, olimlar an'anaviy ravishda ma'lumotlar bazasini qidirish texnikasi, modellashtirish va hayotiy molekulalarni aniqlash uchun ularning kimyoviy ma'nosiga tayangan. Buyuk Britaniyada joylashgan Liverpul universiteti jamoasi ijodiy jarayonni soddalashtirish uchun MLdan foydalangan. 

Birinchidan, tadqiqotchilar qimmatbaho yangi materialni ishlab chiqarish ehtimoli asosida kimyoviy birikmalarga ustunlik beruvchi neyron tarmoq yaratdilar. Keyin olimlar ushbu reytingdan o'zlarining laboratoriya tadqiqotlarini boshqarish uchun foydalanganlar. Natijada, ular o'zlarining ro'yxatidagi hamma narsani sinovdan o'tkazmasdan, bir necha oylik sinov va xatolardan saqlagan holda to'rtta hayotiy batareya materialini topdilar. Yangi materiallar ML tadqiqotga yordam beradigan yagona soha emas. Tadqiqotchilar, shuningdek, muhim texnologik va nazariy muammolarni hal qilish uchun neyron tarmoqlardan foydalanadilar. Misol uchun, Tsyurixning Nazariy fizika instituti fizikasi Renato Renner ML yordamida dunyo qanday ishlashini yaxlit tushuntirishni ishlab chiqishga umid qilmoqda. 

Bundan tashqari, OpenAI’ning ChatGPT kabi yanada murakkab generativ AI modellari tadqiqotchilarga avtomatik ravishda yangi ma’lumotlar, modellar va farazlarni yaratish imkonini beradi. Ushbu muvaffaqiyatga generativ raqib tarmoqlari (GAN), variatsion avtokoderlar (VAE) va transformatorga asoslangan til modellari (masalan, Generativ Oldindan o'qitilgan Transformator-3 yoki GPT-3) kabi texnikalar orqali erishiladi. Ushbu AI modellari sintetik ma'lumotlar to'plamlarini yaratish, yangi ML arxitekturalarini loyihalash va optimallashtirish va ilgari noma'lum bo'lgan ma'lumotlardagi naqsh va munosabatlarni aniqlash orqali yangi ilmiy farazlarni ishlab chiqish uchun ishlatilishi mumkin.

Buzg'unchi ta'sir

Olimlar tadqiqotga yordam berish uchun generativ AIdan tobora ko'proq foydalanishlari mumkin. Ushbu bilimlar asosida naqshlarni tahlil qilish va natijalarni bashorat qilish qobiliyatiga ega bo'lgan ushbu modellar insoniyat tomonidan hal qilinmagan fanning murakkab nazariyalarini hal qilishi mumkin. Bu nafaqat vaqt va pulni tejaydi, balki insonning ilm-fan haqidagi tushunchasini hozirgi chegaralaridan ancha uzoqlashtirishga yordam beradi. 

Ilmiy-tadqiqot va ishlanmalar (R&D) korxonasi tegishli moliyalashtirishni to'plashni osonlashtiradi, chunki ML ma'lumotlarni tezroq qayta ishlay oladi. Natijada, olimlar yangi xodimlarni yollash yoki yaxshi natijalarga erishish uchun taniqli biznes va kompaniyalar bilan hamkorlik qilish orqali ko'proq yordam so'rashadi. Ushbu qiziqishning umumiy ta'siri nafaqat ilmiy yutuqlar uchun, balki ilmiy sohalardagi mutaxassislar uchun ham ijobiy bo'ladi. 

Biroq, potentsial yo'l to'sig'i shundaki, ushbu moslashuvchan modellarning echimlari odamlar uchun, ayniqsa, mantiqiy fikrni tushunish uchun ko'pincha qiyin bo'ladi. Mashinalar faqat javob berishlari va yechimning sababini tushuntirmasliklari sababli, olimlar jarayon va xulosa haqida noaniq qolishi mumkin. Bu noaniqlik natijalarga ishonchni zaiflashtiradi va tahlil qilishda yordam beradigan neyron tarmoqlar sonini kamaytiradi. Shuning uchun tadqiqotchilar o'zini tushuntira oladigan modelni ishlab chiqishlari kerak bo'ladi.

AI ilmiy tadqiqotlarining oqibatlari

AI ilmiy tadqiqotlarining kengroq oqibatlari quyidagilarni o'z ichiga olishi mumkin:

• Tadqiqot maqolalari uchun mualliflik standartlaridagi o'zgarishlar, jumladan, AIga intellektual mulk krediti berish. Xuddi shunday, AI tizimlari bir kuni potentsial Nobel mukofoti sovrindorlari sifatida taqdirlanadi, bu esa ushbu algoritmlarni ixtirochi sifatida tan olish kerakmi yoki yo'qmi degan qizg'in munozaralarga sabab bo'lishi mumkin.
• AI tomonidan yaratilgan tadqiqotlar yangi mas'uliyat shakllariga va ilmiy kashfiyotlar uchun AI va avtonom tizimlardan foydalanish bilan bog'liq keyingi huquqiy va axloqiy savollarga olib kelishi mumkin.
• Olimlar tibbiy ishlanmalar va sinovlarni tez kuzatish uchun turli generativ AI vositalari bilan ishlaydi.
• Ushbu murakkab algoritmlarni ishlatish uchun zarur bo'lgan yuqori hisoblash quvvati tufayli energiya sarfini oshirish.
• Bo'lajak olimlar o'zlarining ish jarayonlarida AI va boshqa ML vositalaridan foydalanishga o'rgatiladi.
• Hukumatlar AI tomonidan yaratilgan ilmiy tajribalarni o'tkazishning cheklovlari va talablari bo'yicha global standartlarni yaratmoqda.

Ko'rib chiqilishi kerak bo'lgan savollar

• Agar siz olim bo'lsangiz, sizning muassasangiz yoki laboratoriyangiz sun'iy intellekt yordamidagi tadqiqotlarni o'z ichiga qanday qilib rejalashtirmoqda?
• Sizningcha, AI tomonidan yaratilgan tadqiqotlar olimlar va tadqiqotchilar uchun mehnat bozoriga qanday ta'sir qiladi?