Nghiên cứu khoa học AI: Mục đích thực sự của học máy

• tác giả:
• tên tác giả

  Tầm nhìn lượng tử
• 11 Tháng Năm, 2023

Phát triển các giả thuyết theo truyền thống được coi là một hoạt động duy nhất của con người, vì nó đòi hỏi sự sáng tạo, trực giác và tư duy phản biện. Tuy nhiên, với những tiến bộ công nghệ, các nhà khoa học đang ngày càng chuyển sang học máy (ML) để tạo ra những khám phá mới lạ. Các thuật toán có thể phân tích một lượng lớn dữ liệu một cách nhanh chóng và xác định các mẫu mà con người có thể không nhìn thấy.

Bối cảnh

Thay vì phụ thuộc vào định kiến ​​của con người, các nhà nghiên cứu đã xây dựng các thuật toán ML mạng thần kinh với thiết kế lấy cảm hứng từ bộ não con người, đề xuất các giả thuyết mới dựa trên các mẫu dữ liệu. Do đó, nhiều lĩnh vực có thể sớm chuyển sang ML để tăng tốc khám phá khoa học và giảm bớt thành kiến ​​của con người. Trong trường hợp vật liệu pin chưa được khám phá, các nhà khoa học thường dựa vào các kỹ thuật tìm kiếm cơ sở dữ liệu, mô hình hóa và ý nghĩa hóa học của chúng để xác định các phân tử khả thi. Một nhóm từ Đại học Liverpool có trụ sở tại Vương quốc Anh đã sử dụng ML để đơn giản hóa quy trình sáng tạo. 

Đầu tiên, các nhà nghiên cứu đã tạo ra một mạng nơ-ron ưu tiên các kết hợp hóa học dựa trên khả năng tạo ra một vật liệu mới có giá trị của chúng. Sau đó, các nhà khoa học đã sử dụng các bảng xếp hạng này để hướng dẫn các nghiên cứu trong phòng thí nghiệm của họ. Kết quả là họ đã tìm thấy bốn lựa chọn vật liệu pin khả thi mà không cần thử nghiệm mọi thứ trong danh sách của họ, giúp họ tiết kiệm được hàng tháng thử và sai. Vật liệu mới không phải là lĩnh vực duy nhất mà ML có thể hỗ trợ nghiên cứu. Các nhà nghiên cứu cũng sử dụng mạng lưới thần kinh để giải quyết các mối quan tâm về công nghệ và lý thuyết quan trọng hơn. Ví dụ, một nhà vật lý tại Viện Vật lý Lý thuyết của Zurich, Renato Renner, hy vọng sẽ phát triển một lời giải thích thống nhất về cách thế giới vận hành bằng cách sử dụng ML. 

Ngoài ra, các mô hình AI tổng quát tinh vi hơn như ChatGPT của OpenAI cho phép các nhà nghiên cứu tự động tạo dữ liệu, mô hình và giả thuyết mới. Kỳ tích này đạt được thông qua các kỹ thuật như mạng đối thủ chung (GAN), bộ mã hóa tự động biến đổi (VAE) và các mô hình ngôn ngữ dựa trên máy biến áp (chẳng hạn như Transformer-3 hoặc GPT-3 đã được đào tạo trước). Các mô hình AI này có thể được sử dụng để tạo các tập dữ liệu tổng hợp, thiết kế và tối ưu hóa các kiến ​​trúc ML mới, đồng thời phát triển các giả thuyết khoa học mới bằng cách xác định các mẫu và mối quan hệ trong dữ liệu mà trước đây chưa biết.

Tác động gián đoạn

Các nhà khoa học ngày càng có thể sử dụng trí tuệ nhân tạo để hỗ trợ nghiên cứu. Với khả năng phân tích các mẫu và dự đoán kết quả dựa trên kiến ​​thức đó, những mô hình này có thể giải quyết các lý thuyết khoa học phức tạp mà loài người vẫn chưa giải quyết được. Điều này không chỉ tiết kiệm thời gian và tiền bạc mà còn giúp sự hiểu biết của con người về khoa học vượt xa ranh giới hiện tại của nó. 

Một liên doanh nghiên cứu và phát triển (R&D) có thể sẽ dễ dàng thu thập nguồn vốn phù hợp hơn vì ML có thể xử lý dữ liệu nhanh hơn. Do đó, các nhà khoa học sẽ tìm kiếm thêm sự trợ giúp bằng cách thuê nhân viên mới hoặc hợp tác với các doanh nghiệp và công ty nổi tiếng để tạo ra kết quả tốt hơn. Tác động tổng thể của mối quan tâm này sẽ là tích cực, không chỉ đối với những tiến bộ khoa học mà còn đối với các chuyên gia trong lĩnh vực khoa học. 

Tuy nhiên, một rào cản tiềm năng là các giải pháp từ các mô hình thích ứng này thường gây khó khăn cho con người trong việc nắm bắt, đặc biệt là lý luận liên quan. Do máy móc chỉ đưa ra câu trả lời chứ không giải thích lý do đằng sau giải pháp, các nhà khoa học có thể vẫn không chắc chắn về quy trình và kết luận. Sự mù mờ này làm suy yếu niềm tin vào kết quả và giảm số lượng mạng thần kinh có thể hỗ trợ phân tích. Do đó, các nhà nghiên cứu sẽ cần phải phát triển một mô hình có thể tự giải thích.

Ý nghĩa của nghiên cứu khoa học AI

Ý nghĩa rộng hơn của nghiên cứu khoa học AI có thể bao gồm:

• Những thay đổi về tiêu chuẩn quyền tác giả đối với các tài liệu nghiên cứu, bao gồm cả việc cấp tín dụng sở hữu trí tuệ cho AI. Tương tự như vậy, các hệ thống AI một ngày nào đó sẽ được trao giải thưởng Nobel tiềm năng, điều này có thể gây ra các cuộc tranh luận gay gắt về việc liệu các thuật toán này có nên được công nhận là nhà phát minh hay không.
• Nghiên cứu do AI tạo ra có thể dẫn đến các hình thức trách nhiệm pháp lý mới và các câu hỏi pháp lý và đạo đức khác liên quan đến việc sử dụng AI và các hệ thống tự trị trong các khám phá khoa học.
• Các nhà khoa học làm việc với nhiều công cụ AI tổng quát khác nhau để theo dõi nhanh quá trình phát triển và thử nghiệm y tế.
• Tăng mức sử dụng năng lượng do sức mạnh tính toán cao cần thiết để chạy các thuật toán phức tạp này.
• Các nhà khoa học tương lai đang được đào tạo để sử dụng AI và các công cụ ML khác trong quy trình làm việc của họ.
• Các chính phủ tạo ra các tiêu chuẩn toàn cầu về những hạn chế và yêu cầu của việc tiến hành các thí nghiệm khoa học do AI tạo ra.

Các câu hỏi cần xem xét

• Nếu bạn là một nhà khoa học, tổ chức hoặc phòng thí nghiệm của bạn dự định kết hợp nghiên cứu với sự hỗ trợ của AI như thế nào?
• Bạn nghĩ nghiên cứu do AI tạo ra sẽ tác động như thế nào đến thị trường việc làm cho các nhà khoa học và nhà nghiên cứu?