Deze blogpost is een vervolg op samenvatting van gisteren van de Handhaving van een rijke breedte voor kunstmatige intelligentie panel tijdens de AAAS-bijeenkomst van 2023. Dit panel werd gemodereerd door Maria Gini (University of Minnesota) en het panel bestond uit David Danks (University of California – San Diego), Bo Li (University of Illinois – Urbana-Champaign) en Melanie Mitchell (Santa Fe Institute)

Na het panel opende Dr. Gini de discussie voor het publiek voor vragen en antwoorden. De eerste vraag kwam van een onderzoeker in het publiek:

• In hoeverre denkt u dat homogeniteit een kosteneffect is in termen van de beschikbare hardware? Neurale netwerken zijn goedkoop te creëren en te beheren, en ze zijn vaak het meest levensvatbare type AI om met een beperkt budget te bestuderen.

Dr. Danks antwoordde en zei dat de kosten om prestatiewinst te behalen al een tijdje lager zijn voor deep learning en neurale netwerken dan voor andere delen van AI, maar die vergelijking begint te veranderen. De beste vorderingen vinden plaats bij bedrijven die toegang hebben tot enorme computerbronnen die universiteiten niet hebben. Er heeft een verschuiving plaatsgevonden van vindingrijkheid in AI naar computergebruik op enorme datasets waarvan Danks zei dat hij hoopte dat dit in de toekomst zou worden verholpen.

De volgende vraag werd gesteld door Dan Lopresti, CCC-voorzitter en professor Computer Science and Engineering aan de Lehigh University.

• De grafiek die Dr. Danks eerder liet zien, toonde aan dat de eb en vloed van diepe neurale netwerken geen nieuw fenomeen is. Is er iets mis met die eb en vloed, en zijn er alternatieve kosten verbonden aan het besteden van aandacht aan deep learning versus andere vormen van AI? Moeten we ons meer richten op de kosten van onderzoek?

Dr. Danks antwoordde dat de eb en vloed natuurlijk is, maar de grafiek onderschat de dominantie van neuraal netwerkonderzoek omdat de grafiek alleen de prominentie van neurale netwerken in gepubliceerde onderzoeksdocumenten laat zien. Veel werk uit de industrie komt niet in gepubliceerde artikelen terecht, en dit onderzoek maakt een groot deel uit van het AI-onderzoek dat tegenwoordig wordt uitgevoerd. Dr. Mitchell voegde eraan toe dat ze gelooft dat er een natuurlijke neiging is om op de kar te springen en dat feedback van financieringsinstanties aanleiding geeft tot deze bubbels in financiering. De dia die Dr. Danks liet zien, behandelde alleen methoden voor machinaal leren en geen andere methoden van AI. Machine learning heeft het AI-onderzoek volledig overgenomen. Er is geen druk om te innoveren, zei Mitchell, en ze verwacht in de toekomst meer problemen met neurale netwerken te zien die ons zullen dwingen te innoveren. Dr. Li antwoordde toen en zei dat ze dit probleem zag ontstaan ​​in 2011 tijdens haar doctoraat, toen ze werkte aan Neural Support Vector Machines (NSVM's) terwijl ze duur programmeerwerk deed. In 2012 was al het onderzoek gericht op diepe neurale netwerken. Het is tijd om neurale netwerken en de problemen die ze hebben veroorzaakt opnieuw te onderzoeken, zei dr. Li. Veel mensen werken nu aan het verbeteren van de betrouwbaarheid van AI, een veelbelovende verschuiving die Li zei dat ze blij was te zien.

De volgende vraag kwam van een medisch onderzoeker in het publiek.

• Door naar deze discussie te luisteren kreeg ik de hoop dat we meer hulp krijgen van AI op medisch gebied. Het probleem is dat het medisch onderzoek sterk is gegroeid en dat het voor artsen en onderzoekers bijna onmogelijk is om alles te begrijpen wat er over een enkel onderwerp bekend is. Kan ik een AI-programma vragen om mij een samenvatting te geven van al het onderzoek over een onderwerp, en zal het die taak effectief uitvoeren? Momenteel lijken de beschikbare AI-platforms hier niet toe in staat, en ze verzinnen soms zelfs referenties wanneer ze geen echte bronnen over een onderwerp kunnen vinden. Hebben we binnenkort een effectief en betrouwbaar hulpmiddel om medisch onderzoek te ondersteunen?

Dr. Mitchell reageerde als eerste en zei dat niemand ooit correct is bij het voorspellen van tijdlijnen in AI, maar dat er in korte tijd geen allesomvattende tool zal zijn zoals de vraagsteller die beschrijft. Er zullen meer gespecialiseerde tools worden ontwikkeld en er is een doel voor betrouwbare AI-assistenten die het internet kunnen doorzoeken en bevindingen over een bepaald onderwerp kunnen samenvatten, maar dat doel is veel moeilijker dan de meeste mensen denken. Het hallucinatieprobleem met chatbots is een zeer moeilijk probleem om op te lossen, en er is meer training in real-world scenario's voor nodig om het te bestrijden. Dr. Li was het eens met Dr. Mitchell's diagnose van een langere tijdlijn voor het zien van een effectieve AI-medische assistent. Ze voegde eraan toe dat er veel sterke benaderingen zijn voor het gebruik van AI in medisch onderzoek, vooral bij het voorspellen van de eiwitstructuur. Bronnen zoals Chat GPT hebben momenteel een lage mate van nauwkeurigheid, maar een beter begrip van hoe het algoritme zich heeft ontwikkeld, zal onderzoekers helpen deze modellen te verfijnen om ervoor te zorgen dat ze geschikt zijn voor toepassingen die een hoge mate van precisie vereisen.

De volgende vraag werd gesteld door een andere onderzoeker in het publiek:

• Er zijn sociale en politieke componenten aan het argument van wat AI wel en niet vormt, en er is veel normatief politieoptreden opgetreden om de definitie te beperken. Hoe moeten we de breedte vergroten van wat AI inhoudt?

Dr. Mitchell reageerde als eerste en zei dat normatief politiewerk op alle gebieden van de wetenschap voorkomt, maar dat grenzen veranderlijk zijn. De term 'kunstmatige intelligentie' zelf, zei Mitchell, is bedacht om het veld te onderscheiden van neurale netwerken, die duidelijk zijn veranderd. Dit gaat terug op het punt van Dr. Danks om duizend bloemen te laten bloeien. Hoe bepaal je welke bloemen bloeien en welke verwelken? Mitchell stelde dat de praktijk momenteel te conservatief is en dat het moeilijk is om multidisciplinaire voorstellen gefinancierd te krijgen omdat ze niet goed samenwerken. Dr. Danks voegde eraan toe dat er op dit moment veel grensbewaking plaatsvindt, maar de AI-gemeenschap begint wakker te worden met de problemen die ontstaan ​​doordat alle wetenschappers dezelfde dingen onderzoeken. Danks verklaarde dat hij eerder dat jaar een grote AI-conferentie bijwoonde en dat er een veel diversere reeks papers aanwezig was dan in voorgaande jaren. Hij merkte op dat als je eerder geen artikel over neurale netwerken had gepubliceerd, je niet voor de conferentie zou zijn uitgenodigd. Dr. Li voegde eraan toe dat mensen beginnen te heroverwegen wat AI is, en de ontwerpdoelen voor AI-programma's. 

De volgende vraag kwam van een onderzoeker in het publiek die zich zorgen maakte over de energie die nodig is om AI-toepassingen te trainen.

• We weten dat biologische intelligentie relatief efficiënt kan presteren vanuit het oogpunt van energie. Hoe kunnen we eraan werken om AI in de toekomst dichter bij die benchmark te brengen?

Dr. Mitchell antwoordde en zei dat dit absoluut waar is, en dat er veel werk is verzet op het gebied van neuromorfisch computergebruik om computers meer op het menselijk brein te laten functioneren. Dat heeft echter meer te maken met computerhardware dan met algoritmische innovatie. Zolang we oneindige rekenkracht hebben, zei Mitchell, zal er geen impuls zijn om efficiëntere algoritmen te maken, maar als we deze algoritmen willen toepassen om aan echte robots te werken, zullen we ze uiteindelijk moeten herwerken. Dr. Danks was het ermee eens dat de breedte van hardware veel diverser zal moeten zijn om edge computing en neuromorfische benaderingen in de toekomst mogelijk te maken. Dr. Danks merkt op dat een van de dingen waar de National AI Research Resource (NAIRR) om vraagt, is het verbreden van de verschillende soorten rekenkracht die beschikbaar zijn voor onderzoekers. Dr. Li voegde eraan toe dat hoewel AI-systemen en biologische computers in veel opzichten verschillen, er nog steeds veel vooruitgang kan worden geboekt door ons te laten inspireren door de natuur. Ze wees erop dat het menselijk brein buitengewoon efficiënt is, en als we deze efficiëntie zouden kunnen nabootsen, zouden we effectievere en duurzamere modellen hebben.

Heel erg bedankt voor het lezen! We hopen dat u genoten heeft van onze samenvattingen van de CCC-panels bij AAAS en we kijken uit naar het bijwonen van AAAS 2024 in Denver, Colorado.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
• De toekomst slaan met Adryenn Ashley. Toegang hier.
• Bron: https://feeds.feedblitz.com/~/737691068/0/cccblog~CCC-at-AAAS-Panel-Recap-Maintaining-a-Rich-Breadth-for-Artificial-Intelligence-QA/