सीसीसी ने इस वर्ष के एएएएस वार्षिक सम्मेलन में तीन वैज्ञानिक सत्रों का समर्थन किया। इस सप्ताह, हम सत्र की मुख्य बातों का सारांश देंगे, “विज्ञान में जनरेटिव एआई: वादे और नुकसान.यह पैनल, द्वारा संचालित है डॉ. मैथ्यू तुर्क, शिकागो में टोयोटा टेक्नोलॉजिकल इंस्टीट्यूट के अध्यक्ष), विशेष रुप से प्रदर्शित डॉ. रेबेका विलेट, शिकागो विश्वविद्यालय में सांख्यिकी और कंप्यूटर विज्ञान के प्रोफेसर, डॉ. मार्कस ब्यूहलर, मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में इंजीनियरिंग के प्रोफेसर, और डॉ. डंकन वॉटसन-पैरिस, स्क्रिप्स इंस्टीट्यूशन ऑफ ओशनोग्राफी और यूसी सैन डिएगो में हेलिकियोग्लू डेटा साइंस इंस्टीट्यूट में सहायक प्रोफेसर। भाग चार में, हम पैनल के प्रश्नोत्तर भाग का सारांश प्रस्तुत करते हैं।
पैनलिस्ट की प्रस्तुतियों के बाद एक प्रश्नोत्तर सत्र हुआ और डॉ. मैथ्यू तुर्क ने चर्चा की शुरुआत की। “'वादे और ख़तरे' इस पैनल के शीर्षक में है। हमने कई वादों पर चर्चा की है, लेकिन हमने कई कमियों पर ध्यान नहीं दिया है। जेनेरिक एआई के भविष्य के बारे में आपको क्या चिंता है?
डॉ. रेबेका विलेट ने कहा, "इन मॉडलों की विश्वसनीयता और भरोसेमंदता एक बड़ी चिंता का विषय है।" “ये मॉडल उन चीजों की भविष्यवाणी कर सकते हैं जो प्रशंसनीय हैं, लेकिन उनमें प्रमुख, प्रमुख तत्व गायब हैं; क्या मैं एक इंसान के तौर पर यह पहचान सकता हूँ कि वहाँ कुछ कमी है?”
डॉ. मार्कस ब्यूहलर ने कहा कि किसी मॉडल की वास्तविक भविष्यवाणी में एक सेकंड का समय लग सकता है, लेकिन सत्यापन की प्रायोगिक प्रक्रिया में महीनों या एक साल या उससे अधिक समय लग सकता है। तो जब हमने परिणामों का सत्यापन नहीं किया है तो हमें अंतरिम में कैसे काम करना चाहिए? "हमें जेनेरिक एआई डेवलपर्स की अगली पीढ़ी को भी शिक्षित करने की आवश्यकता है ताकि वे ऐसे मॉडल डिज़ाइन करें जो भरोसेमंद और सत्यापन योग्य हों, और हम इन मॉडलों के निर्माण में भौतिकी-आधारित अंतर्दृष्टि का उपयोग कर सकें।"
डॉ. डंकन वॉटसन-पैरिस ने पिछले दोनों बिंदुओं पर आधारित कहा, "क्योंकि ये मॉडल विश्वसनीय परिणाम उत्पन्न करने के लिए डिज़ाइन किए गए हैं, हम उनकी सटीकता को सत्यापित करने के लिए केवल परिणामों को नहीं देख सकते हैं। जेनरेटिव एआई शोधकर्ताओं को अपने परिणामों को सत्यापित करने के लिए इस बात की गहरी समझ होनी चाहिए कि ये मॉडल कैसे काम करते हैं, यही कारण है कि अगली पीढ़ी को सही ढंग से शिक्षित करना इतना महत्वपूर्ण है।
श्रोता सदस्य: “सामग्री विज्ञान में, हम कुछ सामग्रियों के अध्ययन के लिए आगे की दिशा जानते हैं, लेकिन अन्य के लिए, जैसे कमरे के तापमान वाले सुपरकंडक्टर्स के लिए, हम नहीं जानते कि कैसे आगे बढ़ना है। आपको क्या लगता है कि इन अज्ञात सामग्रियों के अध्ययन में आगे का रास्ता कैसा होगा? और इस प्रकार के शोध को नियामक दृष्टिकोण से कैसे सक्षम किया जाना चाहिए?"
"ठीक है, मैं सुपरकंडक्टर अनुसंधान में विशेषज्ञ नहीं हूं," डॉ. ब्यूहलर ने कहा, "इसलिए मैं सीधे तौर पर उस पर बात नहीं करूंगा, लेकिन मैं आम तौर पर इस बारे में बात कर सकता हूं कि हम सामग्री विज्ञान में कैसे प्रगति करते हैं, विशेष रूप से प्रोटीन के मेरे क्षेत्र में और जैवसामग्रियों का विकास। जिस तरह से हम आगे बढ़ते हैं वह लिफाफे को आगे बढ़ाने की क्षमता रखता है। हम नए प्रयोग चलाते हैं और अजीब विचारों और सिद्धांतों का परीक्षण करते हैं और देखते हैं कि कौन सा काम करता है और क्यों। हमें इस शोध को कैसे सक्षम करना चाहिए, इसके लिए हमें सामूहिक पहुंच वाले अधिक ओपन-सोर्स मॉडल की आवश्यकता है। मैं राजनेताओं को इन प्रौद्योगिकियों को अति-विनियमित न करने के लिए प्रोत्साहित करूंगा, ताकि शोधकर्ताओं और जनता को इस प्रकार के मॉडल तक पहुंच मिल सके। मुझे नहीं लगता कि लोगों को इन मॉडलों का उपयोग करने से रोकना एक अच्छा विचार है, खासकर जब हम विचारों और विकासों को क्राउडसोर्स कर सकते हैं और मानव गतिविधि के विभिन्न क्षेत्रों से ज्ञान पेश कर सकते हैं। उदाहरण के लिए, जब प्रिंटिंग प्रेस का आविष्कार हुआ, तो अधिकारियों ने इस तकनीक की उपलब्धता को सीमित करने की कोशिश की ताकि कुछ किताबें सामूहिक रूप से पढ़ी जा सकें, लेकिन यह प्रयास बुरी तरह विफल रहा। जनता की सुरक्षा का सबसे अच्छा तरीका इन मॉडलों तक पहुंच को इस तरह से सुविधाजनक बनाना है कि हम समाज के अधिकतम लाभ के लिए उन्हें बड़े पैमाने पर विकसित, अन्वेषण और मूल्यांकन कर सकें।
श्रोता सदस्य: “आजकल अधिकांश जेनरेटिव एआई मॉडल प्रतिगमन मॉडल हैं जो विभिन्न परिदृश्यों का अनुकरण या अनुकरण करने पर ध्यान केंद्रित करते हैं। हालाँकि, विज्ञान में खोज उन परिकल्पनाओं और भविष्यवाणियों से प्रेरित होती है जिनका हम सपना देखते हैं। तो हम ऐसे मॉडल कैसे बनाएं जिनका उद्देश्य मौजूदा मॉडल के बजाय नई भविष्यवाणियां करना है जो ज्यादातर प्रयोग के लिए उपयोग किए जाते हैं?
डॉ. ब्यूहलर ने सबसे पहले जवाब देते हुए कहा, “आप सही हैं, अधिकांश पारंपरिक मशीन लर्निंग मॉडल अक्सर प्रतिगमन आधारित होते हैं, लेकिन जिन मॉडलों के बारे में हमने आज बात की, वे अलग तरह से काम करते हैं। जब आप कई क्षमताओं वाले मल्टी-एजेंट सिस्टम को एक साथ रखते हैं, तो वे वास्तव में नए परिदृश्यों का पता लगाना शुरू करते हैं और वे अपने द्वारा चलाए गए प्रयोगों के आधार पर तर्क करना और भविष्यवाणियां करना शुरू करते हैं। वे अधिक मानवीय बन जाते हैं। आप, एक शोधकर्ता के रूप में, एक प्रयोग नहीं चलाएंगे और बस समाप्त कर देंगे - आप एक प्रयोग चलाएंगे और फिर डेटा को देखना शुरू करेंगे और इसे सत्यापित करेंगे और इस डेटा के आधार पर नई भविष्यवाणियां करेंगे, बिंदुओं को जोड़ने और एक्सट्रपलेशन करने के लिए परिकल्पनाएँ बनाना और कल्पना करना कि एक नया परिदृश्य कैसे सामने आएगा। आप प्रयोग करेंगे, नया डेटा एकत्र करेंगे, एक सिद्धांत विकसित करेंगे और रुचि के किसी विशेष मामले के बारे में शायद एक एकीकृत रूपरेखा प्रस्तावित करेंगे। तब आप अपने सहकर्मियों की आलोचनाओं के विरुद्ध अपने विचारों का बचाव करेंगे और नई जानकारी का उपयोग होने पर शायद अपनी परिकल्पना को संशोधित करेंगे। नए मल्टी-एजेंट प्रतिकूल सिस्टम इसी तरह काम करते हैं, लेकिन निश्चित रूप से वे बड़ी मात्रा में डेटा और ज्ञान के प्रतिनिधित्व पर तर्क करने की कहीं अधिक क्षमता के साथ मानव कौशल को पूरक करते हैं। ये मॉडल पहले से ही नई परिकल्पनाएं उत्पन्न कर सकते हैं जो खोज और नवाचार की वैज्ञानिक प्रक्रिया को जोड़ते हुए पहले से ही अध्ययन किए गए दायरे से कहीं आगे बढ़ जाती हैं।
"मैं इसे पूरक करूंगा," डॉ. विलेट ने कहा, "पूर्ण खोज और प्रतीकात्मक प्रतिगमन के क्षेत्र के साथ परिकल्पना निर्माण की दिशा में अधिक लक्षित एक और क्षेत्र है। इस क्षेत्र में बहुत सारा काम चल रहा है।”
श्रोता सदस्य: "हम इस प्रकार के मॉडलों तक पहुंच कैसे बढ़ा सकते हैं और बाधाओं को कैसे दूर कर सकते हैं, जैसे कि अधिकांश मॉडल अंग्रेजी बोलने वालों के लिए बनाए जा रहे हैं?"
डॉ. रेबेका विलेट ने उत्तर देते हुए कहा, “बहुत से लोगों के पास इन मॉडलों का उपयोग करने की पहुंच है, लेकिन उन्हें डिजाइन करने और प्रशिक्षण देने में कई मिलियन डॉलर का खर्च आता है। यदि संगठनों का केवल एक छोटा समूह ही इन मॉडलों को स्थापित करने में सक्षम है, तो केवल बहुत ही छोटे लोगों का समूह वैज्ञानिक समुदाय में निर्णय ले रहा है और प्राथमिकताएँ निर्धारित कर रहा है। और अक्सर इन संगठनों और व्यक्तियों की प्राथमिकताएँ लाभ से प्रेरित होती हैं। उन्होंने कहा, मुझे लगता है कि परिदृश्य बदलना शुरू हो रहा है। एनएसएफ जैसे संगठन ऐसे बुनियादी ढांचे का निर्माण करने की कोशिश कर रहे हैं जिन तक व्यापक वैज्ञानिक समुदाय पहुंच सके। यह प्रयास सुपर कंप्यूटर के प्रारंभिक विकास जैसा दिखता है। शुरुआती दिनों में, शोधकर्ताओं को सुपर कंप्यूटर तक पहुंच पाने के लिए लंबे-चौड़े प्रस्ताव प्रस्तुत करने पड़ते थे। मुझे लगता है कि हम एआई और जेनरेटिव एआई में समान उभरते प्रतिमान देखने जा रहे हैं।
"मैं सहमत हूं," डॉ. वाटसन-पैरिस ने कहा। "नियामक पक्ष से इसे जोड़ते हुए, मुझे नहीं लगता कि हमें बुनियादी अनुसंधान को विनियमित करना चाहिए, शायद अनुप्रयोग स्थान, लेकिन स्वयं अनुसंधान को नहीं।"
पढ़ने के लिए आपका बहुत-बहुत धन्यवाद, और AAAS 2024 में हमारे अन्य दो पैनलों के पुनर्कथन के लिए बने रहें।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/
