دعمت CCC ثلاث جلسات علمية في المؤتمر السنوي AAAS لهذا العام. وفي هذا الأسبوع سنلخص أبرز ما جاء في الدورة “الذكاء الاصطناعي التوليدي في العلوم: الوعود والمزالق."هذه اللجنة، أدارها دكتور ماثيو ترك، رئيس معهد تويوتا التكنولوجي في شيكاغو). الدكتورة ريبيكا ويليت، أستاذ الإحصاء وعلوم الكمبيوتر في جامعة شيكاغو، الدكتور ماركوس بوهلر، أستاذ الهندسة في معهد ماساتشوستس للتكنولوجيا، و الدكتور دنكان واتسون باريس، أستاذ مساعد في معهد سكريبس لعلوم المحيطات ومعهد هاليجي أوغلو لعلوم البيانات بجامعة كاليفورنيا في سان دييغو. في الجزء الرابع، نلخص جزء الأسئلة والأجوبة من اللوحة.
تلت العروض التي قدمها أعضاء اللجنة جلسة أسئلة وأجوبة، وبدأ الدكتور ماثيو تورك المناقشة. ""الوعود والمزالق" موجود في عنوان هذه اللوحة. لقد ناقشنا العديد من الوعود، لكننا لم نعالج الكثير من المزالق. ما الذي يقلقك بشأن مستقبل الذكاء الاصطناعي التوليدي؟
"إن موثوقية وجدارة هذه النماذج هي مصدر قلق كبير"، بدأت الدكتورة ريبيكا ويليت. «يمكن لهذه النماذج أن تتنبأ بأشياء معقولة، ولكنها تفتقد العناصر الأساسية البارزة؛ هل يمكنني، كإنسان، أن أدرك أن هناك شيئًا مفقودًا هناك؟
وأضاف الدكتور ماركوس بوهلر أن التنبؤ الفعلي للنموذج قد يستغرق ثانية واحدة، لكن العملية التجريبية للتحقق من الصحة يمكن أن تستغرق أشهرًا أو سنة أو أكثر. إذن، كيف ينبغي لنا أن نعمل في هذه الأثناء عندما لم نتحقق من النتائج؟ "نحن بحاجة أيضًا إلى تثقيف الجيل القادم من مطوري الذكاء الاصطناعي المبدعين حتى يتمكنوا من تصميم نماذج جديرة بالثقة وقابلة للتحقق، وحتى نتمكن من استخدام الرؤى القائمة على الفيزياء في بناء هذه النماذج."
اعتمد الدكتور دنكان واتسون-باريس على النقطتين السابقتين قائلاً: "نظرًا لأن هذه النماذج مصممة لتوليد نتائج معقولة، لا يمكننا مجرد النظر إلى النتائج للتحقق من دقتها. يحتاج باحثو الذكاء الاصطناعي التوليدي إلى فهم عميق لكيفية عمل هذه النماذج من أجل التحقق من نتائجها، ولهذا السبب يعد تعليم الجيل القادم بشكل صحيح أمرًا في غاية الأهمية.
عضو من الجمهور: "في علم المواد، نحن نعرف الاتجاه المستقبلي لدراسة بعض المواد، ولكن بالنسبة لمواد أخرى، مثل الموصلات الفائقة في درجة حرارة الغرفة، لا نعرف كيفية المضي قدمًا. في رأيك، كيف سيبدو الطريق إلى الأمام في دراسة هذه المواد غير المعروفة؟ وكيف ينبغي تمكين هذا النوع من الأبحاث من وجهة نظر تنظيمية؟
قال الدكتور بوهلر: «حسنًا، أنا لست خبيرًا في أبحاث الموصلات الفائقة، لذا لن أتحدث مباشرة عن ذلك، ولكن يمكنني التحدث بشكل عام عن كيفية تحقيق التقدم في علم المواد، وتحديدًا في مجال البروتين الخاص بي. وتطوير المواد الحيوية. الطريقة التي نحقق بها التقدم هي أن نكون قادرين على تجاوز الحدود. نحن نجري تجارب جديدة ونختبر الأفكار والنظريات الغريبة ونرى أي منها ينجح ولماذا. أما بالنسبة لكيفية تمكين هذا البحث، فنحن بحاجة إلى المزيد من النماذج مفتوحة المصدر مع إمكانية الوصول الجماعي. وأود أن أشجع الساسة على عدم الإفراط في تنظيم هذه التكنولوجيات، بحيث يتمكن الباحثون وعامة الناس من الوصول إلى هذا النوع من النماذج. لا أعتقد أنها فكرة جيدة أن نمنع الناس من استخدام هذه النماذج، خاصة عندما نتمكن من حشد الأفكار والتطورات وتقديم المعرفة من مجالات متنوعة من النشاط البشري. على سبيل المثال، عندما تم اختراع آلة الطباعة، حاولت السلطات الحد من توافر هذه التكنولوجيا بحيث لا يمكن قراءة سوى عدد قليل من الكتب بشكل جماعي، ولكن هذا الجهد فشل فشلا ذريعا. إن أفضل طريقة لحماية الجمهور هي تسهيل الوصول إلى هذه النماذج بطريقة تمكننا من تطويرها واستكشافها وتقييمها على نطاق واسع لتحقيق أقصى فائدة للمجتمع.
عضو من الجمهور: "معظم نماذج الذكاء الاصطناعي المنتجة اليوم هي نماذج انحدارية تركز على محاكاة أو محاكاة سيناريوهات مختلفة. ومع ذلك، فإن الاكتشافات العلمية تغذيها الفرضيات والتنبؤات التي نحلم بها. فكيف يمكننا إنشاء نماذج تهدف إلى تصور تنبؤات جديدة بدلاً من النماذج الحالية التي تستخدم في الغالب للتجريب؟
أجاب الدكتور بوهلر أولاً قائلاً: "أنت على حق، فمعظم نماذج التعلم الآلي التقليدية غالبًا ما تعتمد على الانحدار، لكن النماذج التي تحدثنا عنها اليوم تعمل بشكل مختلف. عندما تقوم بتجميع أنظمة متعددة الوكلاء مع العديد من الإمكانات، فإنهم يبدأون فعليًا في استكشاف سيناريوهات جديدة ويبدأون في التفكير ووضع التنبؤات بناءً على التجارب التي قاموا بإجرائها. يصبحون أكثر إنسانية. أنت، كباحث، لن تقوم بإجراء تجربة وتنتهي للتو - ستجري تجربة ثم تبدأ في النظر إلى البيانات والتحقق من صحتها وعمل تنبؤات جديدة بناءً على هذه البيانات، لربط النقاط والاستقراء وضع الفرضيات وتصوير كيف سيتكشف السيناريو الجديد. يمكنك تجربة وجمع بيانات جديدة وتطوير نظرية وربما اقتراح إطار عمل متكامل حول مسألة معينة محل اهتمام. ومن ثم ستدافع عن أفكارك ضد انتقادات زملائك وربما تراجع فرضيتك عند استخدام معلومات جديدة. هذه هي الطريقة التي تعمل بها أنظمة الخصومة الجديدة متعددة الوكلاء، ولكنها بالطبع تكمل المهارات البشرية بقدرة أكبر بكثير على التفكير في كميات هائلة من البيانات وتمثيلات المعرفة. ويمكن لهذه النماذج أن تولد بالفعل فرضيات جديدة تدفع بالموضوع إلى ما هو أبعد بكثير مما تمت دراسته بالفعل، مما يضيف إلى العملية العلمية للاكتشاف والابتكار.
تدخل الدكتور ويليت قائلاً: «سأكمل ذلك بمجال اكتشاف الاكتمال والانحدار الرمزي باعتبارهما مجالًا آخر أكثر استهدافًا نحو توليد الفرضيات. هناك الكثير من العمل المستمر في هذا المجال."
أحد الحضور: "كيف يمكننا زيادة الوصول إلى هذه الأنواع من النماذج والتغلب على العقبات، مثل معظم النماذج التي يتم إنشاؤها للمتحدثين باللغة الإنجليزية؟"
أجابت الدكتورة ريبيكا ويليت قائلة: "يستطيع الكثير من الأشخاص استخدام هذه النماذج، لكن تصميمها وتدريبها يكلف ملايين الدولارات. إذا كانت مجموعة صغيرة فقط من المنظمات قادرة على إنشاء هذه النماذج، فلن يتمكن سوى مجموعة صغيرة جدًا من الأشخاص من اتخاذ القرارات وتحديد الأولويات في المجتمع العلمي. وغالبًا ما تكون أولويات هذه المنظمات والأفراد مدفوعة بالربح. ومع ذلك، أعتقد أن المشهد بدأ يتغير. تحاول منظمات مثل NSF بناء بنية تحتية يمكن للمجتمع العلمي الأوسع الوصول إليها. يشبه هذا الجهد التطوير المبكر لأجهزة الكمبيوتر العملاقة. في الأيام الأولى، كان على الباحثين تقديم مقترحات مطولة للوصول إلى كمبيوتر فائق السرعة. أعتقد أننا سنرى نماذج ناشئة مماثلة في الذكاء الاصطناعي والذكاء الاصطناعي التوليدي.
قال الدكتور واتسون باريس: "أنا أوافق". "إضافة إلى ذلك من الجانب التنظيمي، لا أعتقد أننا يجب أن ننظم الأبحاث الأساسية، وربما مجالات التطبيق، ولكن ليس البحث نفسه."
شكرًا جزيلاً لك على القراءة، وترقبوا ملخصات اللوحتين الأخريين في AAAS 2024.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/
