人工智能科學研究機器學習的真正目的

圖片來源：

iStock

人工智能科學研究：機器學習的真正目的

研究人員正在測試人工智能評估大量數據的能力，這些數據可能會帶來突破性發現。

作者：
作者姓名
量子運行遠見
2023 年 5 月 11 日

傳統上，提出假設被認為是一項純粹的人類活動，因為它需要創造力、直覺和批判性思維。然而，隨著技術的進步，科學家越來越多地轉向機器學習 (ML) 來產生新發現。算法可以快速分析大量數據並識別人類可能看不到的模式。

語境

研究人員不依賴於人類的先入之見，而是構建了受人腦啟發設計的神經網絡 ML 算法，並根據數據模式提出新的假設。因此，許多領域可能很快就會轉向機器學習來加速科學發現並減少人類偏見。對於未探索的電池材料，科學家們傳統上依靠數據庫搜索技術、建模及其化學感知來識別可行的分子。來自英國利物浦大學的一個團隊使用 ML 來簡化創作過程。

首先，研究人員創建了一個神經網絡，該網絡根據化學組合產生有價值的新材料的可能性對化學組合進行優先排序。然後，科學家們利用這些排名來指導他們的實驗室研究。結果，他們發現了四種可行的電池材料選擇，而沒有對清單上的所有材料進行測試，從而避免了數月的反複試驗。新材料並不是 ML 可以幫助研究的唯一領域。研究人員還使用神經網絡來解決更重要的技術和理論問題。例如，蘇黎世理論物理研究所的物理學家雷納托·雷納 (Renato Renner) 希望使用 ML 對世界如何運轉做出統一的解釋。

此外，更複雜的生成式 AI 模型（如 OpenAI 的 ChatGPT）允許研究人員自動生成新數據、模型和假設。這一壯舉是通過生成對抗網絡 (GAN)、變分自動編碼器 (VAE) 和基於變換器的語言模型（例如生成式預訓練 Transformer-3 或 GPT-3）等技術實現的。這些 AI 模型可用於生成合成數據集、設計和優化新的 ML 架構，以及通過識別以前未知的數據中的模式和關係來開發新的科學假設。

破壞性影響

科學家們可能會越來越多地使用生成式人工智能來幫助研究。憑藉基於這些知識分析模式和預測結果的能力，這些模型可能會解決人類尚未解決的複雜科學理論。這不僅可以節省時間和金錢，還可以幫助人類對科學的理解遠遠超出目前的界限。

研發 (R&D) 企業可能會發現更容易籌集到適當的資金，因為 ML 可以更快地處理數據。因此，科學家將通過僱用新員工或與知名企業和公司合作來尋求更多幫助，以產生更好的結果。這種興趣的總體影響將是積極的，不僅對科學進步而且對科學領域內的專業人士也是如此。

然而，一個潛在的障礙是這些自適應模型的解決方案通常對人類來說具有挑戰性，尤其是涉及的推理。由於機器只給出答案而不解釋答案背後的原因，科學家可能對過程和結論仍然不確定。這種模糊性削弱了對結果的信心，並減少了有助於分析的神經網絡數量。因此，研究人員有必要開發一個可以自我解釋的模型。

人工智能科學研究的啟示

人工智能科學研究的更廣泛影響可能包括：

研究論文作者身份標準的變化，包括賦予 AI 知識產權信用。同樣，人工智能係統有一天會被授予潛在的諾貝爾獎獲得者，這可能會引發關於這些算法是否應該被承認為發明家的激烈爭論。
AI 生成的研究可能會導致新形式的責任以及與在科學發現中使用 AI 和自主系統相關的進一步法律和倫理問題。
科學家使用各種生成式 AI 工具來加速醫學開發和測試。
運行這些複雜算法所需的高計算能力導致能源使用量增加。
未來的科學家正在接受培訓，以便在他們的工作流程中使用 AI 和其他 ML 工具。
各國政府制定了關於進行人工智能生成的科學實驗的限制和要求的全球標準。