CCC je podprl tri znanstvene seje na letošnji letni konferenci AAAS. Ta teden bomo povzeli poudarke seje, “Generativna umetna inteligenca v znanosti: obljube in pasti.” Ta panel, ki ga moderira Matej Turk dr, predsednik Toyotinega tehnološkega inštituta v Chicagu). Dr. Rebecca Willett, profesor statistike in računalništva na Univerzi v Chicagu, Markus Buehler, profesor inženiringa na tehnološkem inštitutu Massachusetts in Dr. Duncan Watson-Parris, docent na Scripps Institution of Oceanography in Halıcıoğlu Data Science Institute na UC San Diego. V četrtem delu povzemamo del panela z vprašanji in odgovori. 

Predstavitvi panelista je sledila seja vprašanj in odgovorov, razpravo pa je začel dr. Matthew Turk. »'Obljube in pasti' je v naslovu te plošče. Razpravljali smo o številnih obljubah, vendar nismo obravnavali veliko pasti. Kaj vas skrbi glede prihodnosti generativne umetne inteligence?«

"Zanesljivost in zanesljivost teh modelov je velika skrb," je začela dr. Rebecca Wilett. »Ti modeli lahko napovejo stvari, ki so verjetne, vendar jim manjkajo ključni, pomembni elementi; Ali lahko kot človek prepoznam, da tam nekaj manjka?«

Dr. Markus Buehler je dodal, da lahko dejanska napoved modela traja sekundo, eksperimentalni proces potrjevanja pa lahko traja mesece ali leto ali dlje. Kako naj torej delujemo v vmesnem času, ko nismo preverili rezultatov? "Prav tako moramo izobraziti naslednjo generacijo generativnih razvijalcev umetne inteligence, da oblikujejo modele, ki so vredni zaupanja in jih je mogoče preveriti, ter da lahko pri gradnji teh modelov uporabimo vpoglede, ki temeljijo na fiziki."

Dr. Duncan Watson-Parris je nadgradil obe prejšnji točki in rekel: »Ker so ti modeli zasnovani za ustvarjanje verjetnih rezultatov, ne moremo le pogledati rezultatov, da bi preverili njihovo točnost. Generativni raziskovalci umetne inteligence morajo dobro razumeti, kako ti modeli delujejo, da lahko preverijo njihove rezultate, zato je pravilno izobraževanje naslednje generacije tako pomembno.«

Član občinstva: »V znanosti o materialih poznamo smer preučevanja nekaterih materialov, za druge, kot so superprevodniki pri sobni temperaturi, pa ne vemo, kako naprej. Kaj mislite, kakšna bo pot naprej pri preučevanju teh neznanih materialov? In kako naj se tovrstne raziskave omogočijo z regulativnega vidika?«

»No, nisem strokovnjak za raziskave superprevodnikov,« je rekel dr. Buehler, »zato o tem ne bom govoril neposredno, lahko pa na splošno govorim o tem, kako napredujemo v znanosti o materialih, še posebej na mojem področju beljakovin. in razvoj biomaterialov. Način, kako napredujemo, je zmožnost, da dosežemo meje. Izvajamo nove poskuse in preizkušamo nenavadne zamisli in teorije ter ugotavljamo, katere delujejo in zakaj. Glede tega, kako naj omogočimo te raziskave, potrebujemo več odprtokodnih modelov s kolektivnim dostopom. Politike bi spodbudil, naj teh tehnologij ne regulirajo pretirano, tako da imajo raziskovalci in javnost dostop do tovrstnih modelov. Mislim, da ni dobra ideja, da bi ljudem preprečili uporabo teh modelov, še posebej, če lahko množično zbiramo ideje in razvoj ter uvajamo znanje z različnih področij človeškega delovanja. Na primer, ko je bil izumljen tiskarski stroj, so oblasti poskušale omejiti dostopnost te tehnologije, da bi lahko množično brali le malo knjig, vendar je to prizadevanje klavrno propadlo. Najboljši način za zaščito javnosti je olajšanje dostopa do teh modelov na tak način, da jih lahko razvijamo, raziskujemo in obsežno ocenjujemo v največjo korist družbe.«

Član občinstva: »Večina generativnih modelov AI danes so regresijski modeli, ki se osredotočajo na simulacijo ali posnemanje različnih scenarijev. Vendar pa odkritja v znanosti spodbujajo hipoteze in napovedi, ki jih sanjamo. Torej, kako ustvarimo modele, ki so namenjeni oblikovanju novih napovedi namesto trenutnih modelov, ki se večinoma uporabljajo za eksperimentiranje?

Dr. Buehler je najprej odgovoril z besedami: »Prav imate, večina tradicionalnih modelov strojnega učenja pogosto temelji na regresiji, vendar modeli, o katerih smo govorili danes, delujejo drugače. Ko sestavite sisteme z več agenti s številnimi zmožnostmi, začnejo dejansko raziskovati nove scenarije in začnejo razmišljati ter napovedovati na podlagi poskusov, ki so jih izvedli. Postanejo bolj človeški. Vi, kot raziskovalec, ne bi izvedli eksperimenta in bi ga kar končali – izvedli bi poskus in nato začeli gledati podatke in jih potrjevati ter delati nove napovedi na podlagi teh podatkov, da bi povezali pike in ekstrapolirali z postavljanje hipotez in predstavljanje, kako bi se odvijal nov scenarij. Eksperimentirali bi, zbirali nove podatke, razvili teorijo in morda predlagali integriran okvir o določeni zadevi, ki vas zanima. Potem bi branili svoje ideje pred kritikami svojih kolegov in morda popravili svojo hipotezo, ko bi uporabili nove informacije. Tako delujejo novi večagentni kontradiktorni sistemi, ki pa seveda dopolnjujejo človeške veščine z veliko večjo sposobnostjo razmišljanja o ogromnih količinah podatkov in predstavitev znanja. Ti modeli lahko že ustvarijo nove hipoteze, ki daleč presežejo tisto, kar je bilo že raziskano, in prispevajo k znanstvenemu procesu odkrivanja in inovacij.«

»To bi dopolnil,« se je vmešal dr. Willett, »s področjem odkrivanja dokončanja in simbolične regresije kot drugega področja, ki je veliko bolj usmerjeno v ustvarjanje hipotez. V tem prostoru poteka veliko dela.«

Član občinstva: »Kako povečamo dostop do tovrstnih modelov in premagamo ovire, kot je večina modelov, ustvarjenih za angleško govoreče?«

Dr. Rebecca Willett je odgovorila z besedami: »Veliko ljudi ima dostop do uporabe teh modelov, vendar njihovo oblikovanje in usposabljanje stane več milijonov dolarjev. Če je le majhna skupina organizacij sposobna vzpostaviti te modele, potem le zelo majhna skupina ljudi sprejema odločitve in postavlja prioritete v znanstveni skupnosti. In pogosto so prednostne naloge teh organizacij in posameznikov usmerjene v dobiček. Kljub temu mislim, da se pokrajina začenja spreminjati. Organizacije, kot je NSF, poskušajo zgraditi infrastrukturo, do katere lahko dostopa širša znanstvena skupnost. Ta prizadevanja so podobna zgodnjemu razvoju superračunalnikov. V zgodnjih dneh so morali raziskovalci predložiti dolge predloge, da so dobili dostop do superračunalnika. Mislim, da bomo videli podobne nastajajoče paradigme v AI in generativni AI.”

"Strinjam se," je rekel dr. Watson-Parris. "Če k temu dodam še regulativni vidik, menim, da ne bi smeli urejati temeljnih raziskav, morda aplikacijskih prostorov, ne pa raziskav samih."

Najlepša hvala za branje in spremljajte povzetke naših drugih dveh panelov na AAAS 2024.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/