人工智能科学研究:机器学习的真正目的

图片来源:
图片来源
iStock

人工智能科学研究:机器学习的真正目的

人工智能科学研究:机器学习的真正目的

副标题文字
研究人员正在测试人工智能评估大量数据的能力,这些数据可能会带来突破性发现。
    • 作者:
    • 作者姓名
      量子运行远见
    • 2023 年 5 月 11 日

    传统上,提出假设被认为是一项纯粹的人类活动,因为它需要创造力、直觉和批判性思维。 然而,随着技术的进步,科学家越来越多地转向机器学习 (ML) 来产生新发现。 算法可以快速分析大量数据并识别人类可能看不到的模式。

    语境

    研究人员不依赖于人类的先入之见,而是构建了受人脑启发设计的神经网络 ML 算法,并根据数据模式提出新的假设。 因此,许多领域可能很快就会转向机器学习来加速科学发现并减少人类偏见。 对于未探索的电池材料,科学家们传统上依靠数据库搜索技术、建模及其化学感知来识别可行的分子。 来自英国利物浦大学的一个团队使用 ML 来简化创作过程。 

    首先,研究人员创建了一个神经网络,该网络根据化学组合产生有价值的新材料的可能性对化学组合进行优先排序。 然后,科学家们利用这些排名来指导他们的实验室研究。 结果,他们发现了四种可行的电池材料选择,而没有对清单上的所有材料进行测试,从而避免了数月的反复试验。 新材料并不是 ML 可以帮助研究的唯一领域。 研究人员还使用神经网络来解决更重要的技术和理论问题。 例如,苏黎世理论物理研究所的物理学家雷纳托·雷纳 (Renato Renner) 希望使用 ML 对世界如何运转做出统一的解释。 

    此外,更复杂的生成式 AI 模型(如 OpenAI 的 ChatGPT)允许研究人员自动生成新数据、模型和假设。 这一壮举是通过生成对抗网络 (GAN)、变分自动编码器 (VAE) 和基于转换器的语言模型(例如生成式预训练 Transformer-3 或 GPT-3)等技术实现的。 这些 AI 模型可用于生成合成数据集、设计和优化新的 ML 架构,以及通过识别以前未知的数据中的模式和关系来开发新的科学假设。

    破坏性影响

    科学家们可能会越来越多地使用生成式人工智能来帮助研究。 凭借基于这些知识分析模式和预测结果的能力,这些模型可能会解决人类尚未解决的复杂科学理论。 这不仅可以节省时间和金钱,还可以帮助人类对科学的理解远远超出目前的界限。 

    研发 (R&D) 企业可能会发现更容易筹集到适当的资金,因为 ML 可以更快地处理数据。 因此,科学家将通过雇用新员工或与知名企业和公司合作来寻求更多帮助,以产生更好的结果。 这种兴趣的总体影响将是积极的,不仅对科学进步而且对科学领域内的专业人士也是如此。 

    然而,一个潜在的障碍是这些自适应模型的解决方案通常对人类来说具有挑战性,尤其是涉及的推理。 由于机器只给出答案而不解释答案背后的原因,科学家可能对过程和结论仍然不确定。 这种模糊性削弱了对结果的信心,并减少了有助于分析的神经网络数量。 因此,研究人员有必要开发一个可以自我解释的模型。

    人工智能科学研究的启示

    人工智能科学研究的更广泛影响可能包括:

    • 研究论文作者身份标准的变化,包括赋予 AI 知识产权信用。 同样,人工智能系统有一天会被授予潜在的诺贝尔奖获得者,这可能会引发关于这些算法是否应该被承认为发明家的激烈争论。
    • AI 生成的研究可能会导致新形式的责任以及与在科学发现中使用 AI 和自主系统相关的进一步法律和伦理问题。
    • 科学家使用各种生成式 AI 工具来加速医学开发和测试。
    • 运行这些复杂算法所需的高计算能力导致能源使用量增加。
    • 未来的科学家正在接受培训,以便在他们的工作流程中使用 AI 和其他 ML 工具。
    • 各国政府制定了关于进行人工智能生成的科学实验的限制和要求的全球标准。

    需要考虑的问题

    • 如果您是一名科学家,您的机构或实验室计划如何纳入人工智能辅助研究?
    • 您认为人工智能生成的研究将如何影响科学家和研究人员的就业市场?

    洞察参考

    此见解引用了以下流行和机构链接: