Kai tarptautinė tyrėjų komanda nusprendė sukurti „AI mokslininką“, kuris valdytų visą mokslinį procesą, jie nežinojo, kiek pasieks. Ar jų sukurta sistema tikrai sugebėtų generuoti įdomias hipotezes, vykdyti eksperimentus, įvertinti rezultatus ir rašyti darbus?

Pasak mokslininko Cong Lu, tai, kuo jie baigėsi, buvo AI įrankis, kuris, jų nuomone, prilygsta ankstyvam daktaro laipsniui. studentas. Jis sako, kad jame buvo „nuostabiai kūrybingų idėjų“, tačiau tų gerų idėjų buvo daug daugiau nei blogų. Ji stengėsi nuosekliai surašyti savo rezultatus ir kartais neteisingai suprasdavo rezultatus: „Tai nėra taip toli nuo daktaro laipsnio. studentas laukiškai spėlioja, kodėl kažkas pavyko“, – sako Lu. Ir galbūt kaip ankstyvas daktaro laipsnis. studentas, kuris dar nesupranta etikos, kartais sugalvojo dalykus savo darbuose, nepaisant visų mokslininkų pastangų išlaikyti tai sąžiningą.

Britų Kolumbijos universiteto doktorantūros mokslinis bendradarbis Lu bendradarbiavo projekte su keletu kitų akademikų, taip pat su tyrėjais iš triukšmingo Tokijuje įsikūrusio startuolio Sakana AI. Komanda neseniai paskelbė išankstinį spaudinį apie darbą ArXiv serveryje. Ir nors preprintas apima apribojimų ir etinių sumetimų aptarimą, jame taip pat yra gana grandiozinės kalbos, kuri AI mokslininką vadina „naujos mokslo atradimų eros pradžia“ ir „pirmuoju išsamiu visiškai automatinio mokslinio atradimo pagrindu. leidžianti pasienio didžiųjų kalbų modeliams (LLM) savarankiškai atlikti tyrimus ir perduoti savo išvadas.

Panašu, kad dirbtinio intelekto mokslininkas užvaldo senumo jausmą. Tai skatina entuziazmo AI mokslui bangą, tačiau kai kurie kritikai mano, kad ši banga nieko vertingo neišmes į paplūdimį.

„AI mokslui“ pamišimas

Šis tyrimas yra platesnės AI mokslo krypties dalis. Galima teigti, kad „Google DeepMind“ pamišimą pradėjo 2020 m., kai pristatė AlphaFold – dirbtinio intelekto sistemą, kuri nustebino biologus, nes precedento neturinčiu tikslumu numatė 3D baltymų struktūras. Nuo tada, kai pasirodė generatyvusis AI, įsitraukė daug daugiau didelių įmonių žaidėjų. Tarek Besold, SonyAI vyresnysis mokslininkas, vadovaujantis bendrovės AI mokslinių atradimų programai, sako, kad dirbtinis intelektas mokslui yratikslas, kurio siekdama dirbtinio intelekto bendruomenė gali susitelkti siekdama tobulinti pagrindines technologijas, bet – dar svarbiau – padėti žmonijai spręsti kai kurias aktualiausias mūsų laikų problemas.

Tačiau judėjimas turi savo kritikų. Netrukus po to, kai 2023 m. pasirodė „Google DeepMind“ dokumentas, kuriame teigiama, kad buvo atrasta 2,2 milijono naujų kristalų struktūrų („atitinka beveik 800 metų žinių“), du medžiagų mokslininkai išanalizavo atsitiktinę siūlomų struktūrų atranką ir teigė radę „negausias“ įrodymų apie junginius, kurie atitinka naujumo, patikimumo ir naudingumo trifektą. Kitaip tariant, dirbtinis intelektas gali greitai sukurti daug rezultatų, tačiau tie rezultatai iš tikrųjų gali būti nenaudingi.

Kaip veikia AI mokslininkas

DI mokslininko atveju Lu ir jo bendradarbiai išbandė savo sistemą tik informatikos srityje, prašydami ištirti temas, susijusias su dideliais kalbų modeliais, kuriuos naudoja pokalbių robotai, tokie kaip „ChatGPT“ ir pats AI mokslininkas, ir sklaidos modelius, kurie valdo vaizdą. generatoriai, tokie kaip DALL-E.

Pirmasis AI mokslininko žingsnis yra hipotezės generavimas. Atsižvelgiant į tiriamo modelio kodą, jis laisvai generuoja idėjas eksperimentams, kuriuos galėtų vykdyti, kad pagerintų modelio veikimą, ir įvertina kiekvieną idėją pagal įdomumą, naujumą ir įgyvendinamumą. Jis gali kartoti šį veiksmą, generuodamas aukščiausius balus surinkusių idėjų variantus. Tada jis patikrina Semantic Scholar, kad pamatytų, ar jo pasiūlymai per daug panašūs į esamą darbą. Tada jis naudoja kodavimo asistentą, vadinamą Aider, kad paleistų savo kodą ir užsirašytų rezultatus eksperimento žurnalo formatu. Jis gali naudoti tuos rezultatus, kad sukurtų idėjas tolesniems eksperimentams.

AI mokslininkas yra visapusiškas mokslinio atradimo įrankis, pagrįstas dideliais kalbos modeliais. Britų Kolumbijos universitetas

Kitas žingsnis – dirbtinio intelekto mokslininkas, naudodamas šabloną, pagrįstą konferencijos gairėmis, surašyti savo rezultatus dokumente. Tačiau, sako Lu, sistemai sunku parašyti nuoseklų devynių puslapių dokumentą, paaiškinantį jo rezultatus – „rašymo etapą gali būti taip pat sunku pasiekti kaip ir eksperimento etapą“, – sako jis. Taigi tyrėjai suskirstė procesą į kelis etapus: AI mokslininkas parašė po vieną skyrių ir patikrino kiekvieną skyrių su kitais, kad pašalintų pasikartojančią ir prieštaringą informaciją. Jis taip pat vėl pereina per „Semantic Scholar“, kad surastų citatas ir sudarytų bibliografiją.

Bet tada yra haliucinacijų problema – techninis terminas, apibūdinantis AI, gaminantį daiktus. Lu sako, kad nors jie nurodė AI mokslininkui naudoti tik skaičius iš jo eksperimentinio žurnalo, „kartais jis vis tiek nepaklus“. Lu sako, kad modelis nepaklusdavo mažiau nei 10 procentų laiko, bet „manome, kad 10 procentų tikriausiai yra nepriimtina“. Jis sako, kad jie tiria sprendimą, pavyzdžiui, nurodo sistemai susieti kiekvieną savo dokumente esantį skaičių su vieta, kur jis pasirodė eksperimentiniame žurnale. Tačiau sistema taip pat padarė mažiau akivaizdžių samprotavimo ir supratimo klaidų, kurias, atrodo, sunkiau ištaisyti.

Be to, AI mokslininkas netgi turi tarpusavio peržiūros modulį, kurio galbūt nematėte, kad įvertintų jo parengtus dokumentus. „Visada žinojome, kad norime kažkokio automatizuoto (vertinimo), kad nereikėtų valandų valandas pilti visų rankraščių“, – sako Lu. Ir nors jis pažymi, kad „visada buvo susirūpinimas, kad patys vertiname savo namų darbus“, jis sako, kad jie parengė savo vertintoją pagal pirmaujančios AI konferencijos „NeurIPS“ apžvalgininkų gaires ir nustatė, kad jos apskritai yra griežtesnės nei vertintojai. Teoriškai tarpusavio peržiūros funkcija galėtų būti naudojama kitam eksperimentų etapui vadovauti.

AI mokslininko kritika

Nors tyrėjai savo AI mokslininką apsiribojo mašininio mokymosi eksperimentais, Lu sako, kad komanda turėjo keletą įdomių pokalbių su kitų sričių mokslininkais. Teoriškai, anot jo, AI mokslininkas galėtų padėti bet kurioje srityje, kurioje eksperimentai gali būti vykdomi modeliuojant. „Kai kurie biologai sakė, kad yra daug dalykų, kuriuos jie gali padaryti in silico“, – sako jis, kaip galimas veiklos sritis paminėdamas kvantinį skaičiavimą ir medžiagų mokslą.

Kai kurie AI mokslui judėjimo kritikai gali nesutikti su tokiu plačiu optimizmu. Anksčiau šiais metais Jennifer Listgarten, UC Berkeley skaičiavimo biologijos profesorė, paskelbė straipsnį. Gamtos biotechnologija teigdamas, kad dirbtinis intelektas nesiruošia padaryti laimėjimų keliose mokslo srityse. Ji rašė, skirtingai nei dirbtinio intelekto natūralios kalbos apdorojimo ir kompiuterinio matymo srityse, dauguma mokslo sričių neturi didžiulio kiekio viešai prieinamų duomenų, reikalingų modeliams parengti.

Kiti du mokslininkai, tyrinėjantys mokslo praktiką, antropologė Lisa Messeri iš Jeilio universiteto ir psichologė MJ Crockett iš Prinstono universiteto paskelbė 2024 m. Gamta kuriuo buvo siekiama panaikinti ažiotažą, supantį dirbtinį intelektą mokslui. Paprašius pakomentuoti šį AI mokslininką, jiedu pakartojo savo susirūpinimą dėl „AI produktų traktavimo kaip savarankiškų tyrinėtojų“. Jie teigia, kad taip rizikuojama susiaurinti tyrimų sritį iki klausimų, kurie tinka dirbtiniam intelektui, ir prarasti perspektyvų įvairovę, kuri skatina tikras naujoves. „Nors „AI mokslininko“ pažadėtas produktyvumas kai kam gali atrodyti patrauklus“, – sako jie IEEE spektras„straipsnių rengimas ir žinių kūrimas nėra tas pats, o pamiršus šį skirtumą kyla pavojus, kad pagaminsime daugiau, o suprasime mažiau“.

Tačiau kiti mano, kad AI mokslininkas yra žingsnis teisinga kryptimi. Besoldas iš SonyAI sako manantis, kad tai puikus pavyzdys, kaip šiuolaikinis dirbtinis intelektas gali remti mokslinius tyrimus, kai taikomas tinkamoje srityje ir tinkamoms užduotims. „Tai gali tapti vienu iš kelių ankstyvųjų prototipų, kurie gali padėti žmonėms suvokti, kas įmanoma, kai dirbtinis intelektas taikomas mokslinių atradimų pasaulyje“, – sako jis.

Kas laukia dirbtinio intelekto mokslininko

Lu sako, kad komanda planuoja toliau tobulinti AI mokslininką, ir jis sako, kad yra daug žemai kabančių vaisių, nes jie siekia pagerinti jo veiklą. Kalbant apie tai, ar tokie AI įrankiai atliks svarbų vaidmenį moksliniame procese: „Manau, kad laikas parodys, kam šie modeliai tinka“, – sako Lu. Jis sako, kad tokios priemonės gali būti naudingos ankstyvose tyrimo projekto apimties nustatymo stadijose, kai tyrėjas bando suprasti daugybę galimų tyrimo krypčių, nors kritikai priduria, kad turėsime palaukti ateities. atlikti tyrimus, siekiant išsiaiškinti, ar šios priemonės tikrai yra pakankamai išsamios ir nešališkos, kad būtų naudingos.

Arba, pasak Lu, jei modelius galima patobulinti tiek, kad jie atitiktų našumą„solidus trečio kurso mokslų daktaras. studentas“, jie galėtų būti jėgos daugiklis kiekvienam, bandančiam įgyvendinti idėją (bent jau tol, kol idėja yra DI tinkamoje srityje). „Tuo metu kiekvienas gali būti profesoriumi ir vykdyti tyrimų darbotvarkę“, – sako Lu. „Tai yra jaudinanti perspektyva, kurios aš laukiu.

Iš jūsų svetainės straipsnių

Susiję straipsniai visame internete



Source link

By admin

Draugai: - Marketingo paslaugos - Teisinės konsultacijos - Skaidrių skenavimas - Fotofilmų kūrimas - Karščiausios naujienos - Ultragarsinis tyrimas - Saulius Narbutas - Įvaizdžio kūrimas - Veidoskaita - Nuotekų valymo įrenginiai -  Padelio treniruotės - Pranešimai spaudai -