CCC, bu yılki AAAS Yıllık Konferansında üç bilimsel oturumu destekledi. Bu hafta oturumun öne çıkan başlıklarını özetleyeceğiz, “Bilimde Üretken Yapay Zeka: Vaatler ve Tuzaklar.Bu panelin moderatörlüğünde Dr.Matthew Türk, Chicago'daki Toyota Teknoloji Enstitüsü'nün başkanı) Dr.Rebecca WillettChicago Üniversitesi'nde istatistik ve bilgisayar bilimi profesörü, Dr. Markus BuehlerMassachusetts Teknoloji Enstitüsü'nde mühendislik profesörü ve Dr.Duncan Watson-ParrisScripps Oşinografi Enstitüsü'nde ve UC San Diego Halıcıoğlu Veri Bilimi Enstitüsü'nde yardımcı doçent olarak görev yapmaktadır. Dördüncü Bölümde panelin Soru-Cevap kısmını özetliyoruz. 

Panelistlerin sunumlarını Soru-Cevap oturumu izledi ve Dr. Matthew Turk tartışmayı başlattı. “Bu panelin başlığında 'Vaatler ve Tuzaklar' var. Vaatlerin çoğunu tartıştık ama tuzakların çoğunu ele almadık. Üretken yapay zekanın geleceği konusunda sizi endişelendiren şey nedir?”

Dr. Rebecca Wilett, "Bu modellerin güvenilirliği ve güvenilirliği büyük bir endişe kaynağıdır" diye başladı. “Bu modeller makul olan ancak temel ve göze çarpan unsurların eksik olduğu şeyleri tahmin edebiliyor; Bir insan olarak orada bir şeylerin eksik olduğunu fark edebilir miyim?”

Dr. Markus Buehler, bir modelin gerçek tahmininin bir saniye alabileceğini, ancak deneysel doğrulama sürecinin aylar, bir yıl veya daha uzun sürebileceğini ekledi. Peki, sonuçları doğrulamadığımız bu süreçte nasıl hareket etmeliyiz? "Aynı zamanda yeni nesil üretken yapay zeka geliştiricilerini de güvenilir ve doğrulanabilir modeller tasarlamaları ve bu modelleri oluştururken fizik tabanlı içgörüleri kullanabilmeleri için eğitmemiz gerekiyor."

Dr. Duncan Watson-Parris önceki her iki noktaya da dayanarak şunları söyledi: “Bu modeller makul sonuçlar üretmek üzere tasarlandığından, bunların doğruluğunu doğrulamak için yalnızca sonuçlara bakamayız. Üretken yapay zeka araştırmacılarının, sonuçlarını doğrulamak için bu modellerin nasıl çalıştığına dair derinlemesine bir anlayışa sahip olmaları gerekiyor; bu nedenle gelecek neslin doğru şekilde eğitilmesi çok önemli."

Dinleyici Üyesi: “Malzeme biliminde, bazı malzemeleri incelemek için ileriye doğru yönü biliyoruz, ancak oda sıcaklığındaki süper iletkenler gibi diğerleri için nasıl ilerleyeceğimizi bilmiyoruz. Bu bilinmeyen materyalleri incelemede ileriye dönük yolun nasıl olacağını düşünüyorsunuz? Peki bu tür araştırmalar düzenleyici açıdan nasıl etkinleştirilmelidir?”

"Eh, ben süperiletken araştırmalarında uzman değilim" dedi Dr. Buehler, "bu yüzden bu konu hakkında doğrudan konuşmayacağım ama genel olarak malzeme biliminde, özellikle de kendi alanım olan protein alanında nasıl ilerlemeler kaydettiğimiz hakkında konuşabilirim" ve biyomateryal geliştirme. İlerleme kaydetme şeklimiz sınırları zorlama yeteneğine sahip olmaktır. Yeni deneyler yürütüyoruz, tuhaf fikirleri ve teorileri test ediyoruz ve hangilerinin işe yaradığını ve nedenini görüyoruz. Bu araştırmayı nasıl mümkün kılacağımıza gelince, toplu erişime sahip daha fazla açık kaynaklı modele ihtiyacımız var. Politikacıların, araştırmacıların ve halkın bu tür modellere erişebilmesini sağlayacak şekilde bu teknolojileri aşırı düzenlememeleri konusunda teşvik ediyorum. İnsanların bu modelleri kullanmasını engellemenin iyi bir fikir olduğunu düşünmüyorum, özellikle de fikirleri ve gelişmeleri kitle kaynaklarından temin edebildiğimiz ve insan faaliyetinin çeşitli alanlarından bilgi sunabildiğimiz bir zamanda. Örneğin, matbaa icat edildiğinde, yetkililer bu teknolojinin kullanılabilirliğini sınırlamaya çalıştı, böylece çok az kitap toplu olarak okunabildi, ancak bu çaba sefil bir şekilde başarısız oldu. Kamuoyunu korumanın en iyi yolu, bu modellere erişimi, onları toplumun maksimum yararı için kapsamlı bir şekilde geliştirebileceğimiz, keşfedebileceğimiz ve değerlendirebileceğimiz şekilde kolaylaştırmaktır.”

İzleyici Üyesi: “Günümüzde çoğu üretken yapay zeka modeli, farklı senaryoları simüle etmeye veya taklit etmeye odaklanan regresyon modelleridir. Ancak bilimdeki keşifler, hayal ettiğimiz hipotezler ve tahminlerle beslenir. Peki, çoğunlukla deneme amacıyla kullanılan mevcut modeller yerine, yeni tahminler üretmeye yönelik modelleri nasıl yaratacağız?”

İlk olarak Dr. Buehler şöyle yanıt verdi: “Haklısın, geleneksel makine öğrenimi modellerinin çoğu genellikle regresyona dayalıdır, ancak bugün bahsettiğimiz modeller farklı çalışıyor. Pek çok yeteneğe sahip çok etmenli sistemleri bir araya getirdiğinizde, aslında yeni senaryoları keşfetmeye başlarlar ve yürüttükleri deneylere dayanarak mantık yürütmeye ve tahminlerde bulunmaya başlarlar. Daha insan oluyorlar. Bir araştırmacı olarak siz bir deneyi yürütüp hemen bitirmezsiniz; bir deney yaparsınız ve ardından verilere bakmaya başlarsınız, onu doğrularsınız ve bu verilere dayanarak yeni tahminler yaparsınız, noktaları birleştirir ve tahminde bulunursunuz. hipotezler kurmak ve yeni bir senaryonun nasıl ortaya çıkacağını hayal etmek. Deney yapar, yeni veriler toplar, bir teori geliştirir ve belki de belirli bir ilgi konusu hakkında bütünleşik bir çerçeve önerirsiniz. Daha sonra fikirlerinizi meslektaşlarınızın eleştirilerine karşı savunursunuz ve belki de yeni bilgiler kullanıldığında hipotezinizi revize edersiniz. Yeni çok etmenli rakip sistemler bu şekilde çalışır, ancak elbette insan becerilerini, çok büyük miktarda veri ve bilgi temsilleri üzerinde çok daha fazla akıl yürütme yeteneği ile tamamlarlar. Bu modeller halihazırda üzerinde çalışılanların çok ötesine geçen, bilimsel keşif ve yenilik sürecine katkıda bulunan yeni hipotezler üretebilir."

"Bunu tamamlayacağım," diye araya girdi Dr. Willett, "tamamlanma keşfi alanı ve sembolik gerileme, hipotez oluşturmayı çok daha fazla hedefleyen başka bir alan olarak. Bu alanda devam eden birçok çalışma var.”

İzleyici Üyesi: "Bu tür modellere erişimi nasıl artırırız ve modellerin çoğunun İngilizce konuşanlar için oluşturulması gibi engellerin üstesinden nasıl geliriz?"

Dr. Rebecca Willett şöyle cevap verdi: “Birçok insanın bu modelleri kullanma şansı var ama onları tasarlamak ve eğitmek milyonlarca dolara mal oluyor. Eğer yalnızca küçük bir grup kuruluş bu modelleri oluşturabiliyorsa, o zaman bilim camiasında kararları yalnızca çok küçük bir grup insan alıyor ve öncelikleri belirliyor. Ve çoğu zaman bu kuruluşların ve bireylerin öncelikleri kâr odaklıdır. Bununla birlikte, manzaranın değişmeye başladığını düşünüyorum. NSF gibi kuruluşlar, daha geniş bilimsel topluluğun erişebileceği bir altyapı oluşturmaya çalışıyor. Bu çaba süper bilgisayarların erken dönem gelişimine benzemektedir. İlk günlerde araştırmacılar bir süper bilgisayara erişim sağlamak için uzun teklifler sunmak zorunda kaldılar. Yapay zeka ve üretken yapay zekada benzer paradigmaların ortaya çıktığını göreceğimizi düşünüyorum."

"Kabul ediyorum" dedi Dr. Watson-Parris. "Buna düzenleyici açıdan da ek olarak, temel araştırmayı, belki uygulama alanlarını, ancak araştırmanın kendisini düzenlemememiz gerektiğini düşünüyorum."

Okuduğunuz için çok teşekkür ederiz. AAAS 2024'teki diğer iki panelimizin özetleri için bizi takip etmeye devam edin.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/