Bilimin Evrimi: Descartes'tan Üretken Yapay Zekaya

üretken yapay zeka

Oluşturan resim SanatMiko Midjourney'i kullanma

On yedinci yüzyılda Descartes ile başlayan bilimin gözlemlenebilir ve tekrarlanabilir deneyler anlamına geldiği inancı bu ölçüde sona ermiştir. Küresel anlayış, aksine, bir bilgi altyapısı tarafından desteklenen hesaplamalı modellere dayanmaktadır.

— Dünya Nasıl Görülür, Nicolas Mirzoeff

Arap rakam sistemi, sayıların kolayca manipüle edilmesine izin verdi, bu da matematiğin ve onun bilimi doğrulama aracı olarak rolüne yol açtı. Aslında, bilim tarihi büyük ölçüde bilimdeki yeni temelleri doğrulayan yeni matematiğin tarihidir. Bugün, son beş yılda Yapay Zeka (AI) ve Makine Öğreniminde (ML) ilerlemeler olan yeni bir "matematiksel" araç setimiz var. Bu yeni makine öğrenimi, gerçekten yeni metin veya sanat üretmekle ilgili değil. Bu yeni makine öğrenimi, yeni bilimi daha önce keşfettiğimizden daha temel bir düzeyde doğrulamakla ilgilidir. Bu makalenin amacı, yeni bilimi doğrulamak için bu yeni makine öğrenimi aracı hakkında konuşmaktır.

Modern bilim, Newton ve Descartes'ın çalışmalarıyla başladı. Newton bize ilk doğru fizik anlayışını verdi, ancak aynı zamanda diferansiyel hesabı geliştirmesiyle de tanınır. Fizik bilimi ve matematiğin bu eşleşmesi, özellikle mühendislik ve fizikteki çok değişkenli problemlere kısmi diferansiyel denklemlerin uygulanmasında araştırmaları şekillendirmeye devam ediyor. Descartes, geometriyi açıklamak için cebiri geliştirmekle tanınır. Bir geometrik şekil bir dizi denklemle (cebir) açıklanabilir, burada koordinatlar bir noktayı, noktalar çizgileri ve çizgiler düzlemleri ve şekli belirler. Bu cebir, Descartes'ın makrodan mikro düzeye kadar somut olanın yukarıdan aşağıya incelenmesi ve maddeye, yapıya ve doğrusal, deterministik nedenselliğe odaklanma olarak bilim görüşünü destekledi. Descartes, şaşırtıcı olmayan bir şekilde, matematik ve bilim alanındaki çalışmalarının yanı sıra ampirist bir filozoftu. Onun "doğal" felsefesi, bilimi sonraki iki yüz yıl boyunca ve bugün bile şekillendirdi.

Bilimdeki bir sonraki büyük ilerleme Kuantum Teorisiydi. Kuantum fiziğinin temellerinin çoğu yeni matematiğe dayanıyordu. İlk olarak, Ludwig Boltzmann bize fizik bilimi çalışmalarına olasılık ve belirsizliği getiren istatistiksel mekaniği verdi. Maxwell, Poincare, Heisenberg, Schrödinger, Bohr, Plank ve Einstein, Boltzmann'ın çalışmalarını geliştirmek için matematiği kullandılar. Bu bize olasılıksal bir tarzda davranan atom altı, görünmez parçacıklar üzerine inşa edilmiş yeni bir gerçeklik anlayışı bıraktı. Descartes'ın doğa felsefesinden daha fazla uzaklaşamazdık. Bilim artık görünmeyene odaklandı. Neyse ki, matematik ve bilimdeki bir sonraki buluş olan Kaos Teorisi, kuantum fiziğinin belirsizliği ile her gün gördüğümüz doğal dünya arasında köprü kurmamıza yardımcı oldu.

1972'de MIT profesörü Edward Lorenz deterministik kaos fikrini ortaya attı. IBM'de araştırmacı olan Benoît Mandelbrot, Lorenz'in çalışmasını ilerleterek "doğada örüntü oluşumunun matematiksel bir temelini" oluşturdu. [1]ve başlangıç koşullarına hassas bağımlılığa (SDIC) sahip deterministik, doğrusal olmayan sistemlerin bir bilgisayarda modellenebileceğini gösterdi. Mandelbrot, doğa biliminin daha önce çok az anlaşılan bir bölümünü açıklamakla kalmadı, aynı zamanda tüm doğada tutarlı bir şekilde tekrar eden kalıpları açıklamak için "fraktallar" kavramını ortaya attı. Belgelenen kalıplarla, matematik kolayca geldi ve bilgisayarlaşma, meteoroloji, jeoloji ve biyoloji gibi alanlarda kaotik olayların modellenmesinde daha fazla araştırmayı büyük ölçüde kolaylaştırdı. Kuantum fiziğinden sonra Descartes'ın metafiziğinden ve epistemolojisinden geriye ne kaldıysa, kaos teorisinin gösterdiği doğal kalıplara ilişkin yeni anlayış, matematiğin daha önce açıklanamayan bilimi açıklamak için başka bir yolunu gösterdi. Kaos teorisi ayrıca belki daha önemli bir noktayı da gösterdi. Bilim, sistemlerdeki kalıpları aramak için bilgisayar modellemesi uygulanarak anlaşılabilir. Bilimde sistemlere bu odaklanma daha sonra başka bir sistem kategorisine uygulandı - karmaşıklık bilimi.

Bu kapsamlı eğitim içeriği sizin için yararlıysa, AI posta listemize abone olun yeni materyal çıkardığımızda uyarılmak.

1984'te Nobel Fizik Ödülü sahibi Murray Gell-Mann, karmaşık sistemleri keşfetmek için bir grup seçkin bilim adamı ve akademisyenle birlikte Santa Fe Enstitüsü'nü kurdu. Gell-Mann, karmaşıklığı şöyle açıklıyor: "Aramamız gereken, bugün ortaya çıkan, son derece disiplinler arası olan harika sentezlerdi" diyor Gell-Mann. [2]. Bazıları zaten yolundaydı: Moleküler biyoloji. Doğrusal olmayan bilim. Bilişsel bilim. Ama kesinlikle orada ortaya çıkan başka sentezler de vardı ve bu yeni enstitü onları araştırmalı” dedi. Kaotik sistemlerin aksine, karmaşık sistemler aşağıda gösterildiği gibi deterministik değildir. Deterministik sistemler, "bir modelin belirli bir durumunu her zaman aynı durum geçişleri geçmişi tarafından takip edilen" "benzersiz evrim" sergiler. [3]

“Doğrusal olmayan” özelliği, “sistem bir değişkendeki değişimle orantılı olarak değişmek zorunda değildir” [4], tüm doğal ve insan yapımı sistemlerin geri besleme döngüleri içeren ağlar olduğu fikrini matematiksel olarak yakalama esnekliği sağlar. Zamanın farklı noktalarında farklı durumlardaki farklı ağa bağlı değişkenler olan bu bağlanabilirlik, karmaşık sistemlerin deterministik olmayan doğasını, sistemlerin çok değişkenli doğasını ve bu sistemlerin ortaya çıkan kalitesini açıklar. Ortaya çıkma, bütünün özelliklerinin bileşenler tarafından toplanarak açıklanamadığı bir sistem özelliğidir. Suyun buza dönüşmesi, ortaya çıkmanın bir örneğidir. Karmaşıklığın bize gösterdiği, Kartezyen bilimin çok ötesine geçen ilkelerle açıklanan başka bir sistem türüydü.

Karmaşık sistemlerin bir özelliği, makine öğreniminin bilimi açıklamak için bir araç olarak neden bu kadar ilerleme kaydettiğini açıklıyor. Karmaşık sistemler aşağıdan yukarıya hiyerarşiktir. Bunun anlamı, kuantum parçacıklarının birleşerek moleküller, sonra hücreler, organlar (sistemler) ve nihayetinde insanlar (sistemler) haline gelen atomları oluşturmasıdır. Nobel ekonomisti Herbert Simon, bileşenlerin bu birleşimine sentez adını verdi. [5] ve insan yaratıcılığının ve evriminin temelidir. Slot makinesi döner ve kolu her çektiğinizde sonuçlar değişir. Sistemler hiyerarşisinin herhangi bir seviyesindeki bazı sonuçlar hayatta kalmayı arttırırken, diğer varyasyonlar bunu yapmaz. İster sentetik ister doğal bir süreç olsun, bu kombinatoryal süreç, potansiyel olarak sonuçları iyileştirmek için çeşitlilik yaratır. Kombinatoryal sürecin bu kavramı, hesaplamalı biyoloji, kimya ve fizik için entelektüel temeldir.

Harvard'daki efsanevi biyoloji profesörü EO Wilson gayet iyi açıklıyor.

“Bilgeliğe açken bilgi içinde boğuluyoruz. Bundan böyle dünya, doğru bilgiyi doğru zamanda bir araya getirebilen, bu konuda eleştirel düşünebilen ve akıllıca önemli seçimler yapabilen insanlar olan sentezleyiciler tarafından yönetilecek.” (1999)

Bu düşünceye dayanarak, Wilson hesaplamalı biyoloji olarak adlandırılan şeyi kurdu - ML'nin biyolojik araştırmaya uygulanması. Biyolojide, sadece hayvanlar ve türler değil, tüm genomlar ve bunların çok katmanlı bileşen hiyerarşisi dikkate alınmalıydı. Zaman içinde veri kümelerinin boyutu arttıkça, makine öğrenimi uygulaması veri analitiğinden tahmine dayalı ve normatif analitiğe, biyolojiden tıp bilimine, tarıma, malzeme bilimine ve siber-fiziksel uygulamalara genişledi. Makine öğrenimi, çok çeşitli disiplinlerde örüntü tanıma için kullanılabilecek mükemmel bir araçtı. Sonunda, makine öğreniminin verileri analiz etmekten daha fazlası için kullanılabileceğini fark ettik. Makine öğrenimi tıp, malzeme bilimi, tarım ve diğer birçok alandaki sorunlara önerilen çözümler geliştirmek için kullanılabilir. Makine öğrenimi, en iyi teorik çözümleri belirlemek için bileşenlerin sentetik kombinasyonlarını analiz edebilir. Artık binlerce ve binlerce çözümü değerlendirmek zorunda değildik. Makine öğrenimi çözümleri önceden taradı, iş yükünü azalttı ve daha da önemlisi (hayat kurtaran çözümler için) pazara sunma süresini kısalttı.

Hannah Fry gerçekte ne olduğunu açıklıyor.

“Matematik, gerçeği kopyalamak değil, onu soyutlamakla ilgilidir. Ve süreçte gerçek değer sunar. Dünyayı soyut bir perspektiften görmenize izin vererek, aksi takdirde gizli kalacak olan kalıpları ve mekanizmaları benzersiz bir şekilde yakalayabilen ve tanımlayabilen bir dil yaratırsınız. Ve son 200 yılda herhangi bir bilim insanı veya mühendisin size söyleyeceği gibi, bu kalıpları anlamak, onlardan yararlanmanın ilk adımıdır." [6]

Wilson'ın öngördüğü gibi makine öğrenimi, örüntü tanıma için algoritmaların kullanılması yoluyla matematiksel manipülasyon için tarihteki en iyi araç haline geldi. Karmaşıklık ekonomisti W. Bryan Arthur'un açıkladığı gibi, "Denklemlerle, aradığımız bir biçime ulaşmak için sistemi manipüle ediyoruz: bir çözümün bir ifadesi, bir formül, bir gerekli koşul, biraz matematiksel yapı, bir şeyin aranan bir gösterimi. sistemin içerdiği gerçek.” … “Algoritmalar bize oluşumu inceleme imkanı veriyor. Araştırmacı, hangi üretken sürecin belirli bir modeli ürettiğini ve bunun farklı algoritmik tasarımlarla nasıl değişebileceğini inceler. Dolayısıyla, oluşturulan model veya yapı ile onu oluşturan algoritma arasında bir ileri geri vardır. Tarz deneysel hale gelir: Bir algoritma bir yapı üretir ve bu yapı, onu üreten algoritmayı sorgulamak için geri beslenir. [7] Makine öğreniminin evrimindeki bir sonraki adım, bu "üretken süreci" yeniden amaçlandırmaktı.

Synergy Research'e göre makine öğreniminin popülaritesi ve kullanışlılığı arttıkça, bulut bilişim de gelişti ve 1/2026'ye kadar 2027 trilyon doların üzerinde gelire ulaşacağı tahmin ediliyor. [8] Daha iyi veritabanı teknolojisiyle birleştirilmiş bulut bilgi işlem, herhangi bir özel sorun için veri kümesi boyutunun genişletilmesini destekledi. Veritabanı teknolojisi geliştikçe, mevcut makine öğrenimi algoritmalarının çeşitliliğindeki bir gelişmeyle eşleşti. Ortaya çıkan bir dizi algoritma, orijinal yazı ve sanat üretmek için metin ve sanat verilerini manipüle etmesiyle büyük ilgi toplayan Üretken Yapay Zeka idi. Daha önemli gelişme, Generative AI'nın bilimde kullanılmasıydı.

Üretken yapay zeka, denetimsiz, denetimli ve takviye olmak üzere birçok versiyonda gelir. Algoritmanın tarzından bağımsız olarak, sentetik veriler ya yazı ya da sanat biçiminde bir çıktı olarak ya da algoritmaları iyileştirmek için yeni eğitim verileri olarak kullanılır. Eğitim verileri olarak sentetik verilerin bu şekilde kullanılması, kullanıcıları anonim hale getirmek de dahil olmak üzere birçok kullanıma sahiptir. Bununla birlikte, bence daha heyecan verici keşif, bilgisayar bilimcisi, MacArthur Genius ve erken dönem biyotıp şirketi Insitro'nun CEO'su Daphne Koller tarafından açıklanıyor. Insitro, sentetik verileri kullanarak tıbbi veri setlerinde daha önce araştırmacılar tarafından bilinmeyen yeni özellikler buldu. Temel olarak, algoritmalar insanlar tarafından görülmeyen kalıpları gördü ve bunları yeni sentetik verilerde çoğalttı. Gelecekteki sentetik veri kümelerinde tekrarlanan yeni özellikler, Koller tıp çalışmalarını tamamen yeni bir temel tıp bilimi düzeyine taşıyabileceğine inanıyor. [9] Bu mantık, temellerin yeni seviyelerinin araştırılmasını sağlamak için doğa bilimlerinin hemen hemen tüm hesaplamalı alanlarına da uygulanabilir.

VC firması a16z'nin kurucu ortağı Marc Andresseen, yakın zamanda podcast, yeni teknolojinin "temelleri yeniden gözden geçirmemize" izin verdiğine dikkat çekiyor. Bilim adamları, tarihsel olarak, deneysel erişimdeki araçlarla sınırlı kalmıştır. Üretken yapay zeka, bilimi temel düzeyde dönüştürme potansiyeline sahiptir. Modern bilim tarihi başlangıçta ampirik veri analizi ile şekillendi ve matematik tarafından doğrulandı. Bugün, sentetik verilerle, bilim adamlarının yalnızca klinik doğrulama yapmasıyla, tüm keşif sürecini matematiğin eşiğindeyiz. Air Street Capital'deki risk sermayedarlarının dediği gibi, "Tasarım gereği önce yapay zeka". Tasarım gereği bu ilk yapay zeka, şu bölümde iyi açıklanmıştır: Cheminformatics Dergisi:

"İlaç keşfinde yapay zeka ve makine öğreniminin (AI/ML) kullanımı son yıllarda hızla arttı ve ilaç tasarım projeleri için yapay zeka destekli tasarım araçları sağladı. AI'nın güçlü yönleri, heterojen kaynaklardan gelen büyük miktarda veriden modeller bulmasında ve moleküler optimizasyon gibi zorlu görevlerde insanların yeteneklerini en iyi şekilde artırmasında yatmaktadır. De novo moleküler tasarım araçlarındaki ilerlemeler, ilaç tasarımının in silico tasarla-yap-test et-analiz (DMTA) döngülerinde tasarım adımının otomasyonunu sağlar. [10]

Bu noktada ileri düzey araştırmacılar, çok çeşitli endüstrilerde yeni kimyasalların ve ilaçların gelişimini artırmak için yeni yaklaşımı, DMTA'yı hızlandırmak için makine öğrenimini kullanıyor. Araştırmacılar süreci optimize etmek için algoritmaları geliştirmeye devam edecekler, ancak bilimsel araştırmaların çoğu biyoloji, kimya ve tıp biliminde devrim yaratan hesaplamalı modellere kaydı.

Stable Difusion'ın Kurucusu Emad Mostaque, MIT Technology Review (Şubat 2023) noktayı vurgular.

"Google ve Microsoft, geleceklerinin temeli olarak üretken yapay zekaya tamamen katılıyor. “Hala erkendeyiz” diye bir şey yok, trilyon dolarlık şirketler tüm stratejilerini ve odak noktalarını değiştiriyor. Hiç bu kadar hızlı ve anlamlı bir teknoloji ve strateji değişikliği hatırlayamıyorum.”

Generative AI'yı Excel veya iPhone ile karşılaştırmak, bu yeni teknolojinin potansiyel etkisini hafife almaktır. Üretken AI'nın etkisi pekala elektriğe veya Shannon'ın Bilgi Teorisine eşdeğer olabilir. Üretken yapay zeka bir Süper Güç olacak! [11]