CCC đã hỗ trợ ba phiên khoa học tại Hội nghị thường niên AAAS năm nay. Tuần này, chúng tôi sẽ tóm tắt những điểm nổi bật của phiên họp, “AI sáng tạo trong khoa học: Lời hứa và cạm bẫy.” Bảng điều khiển này, được kiểm duyệt bởi Tiến sĩ Matthew Turk, chủ tịch Viện Công nghệ Toyota tại Chicago), đặc biệt Tiến sĩ Rebecca Willett, giáo sư thống kê và khoa học máy tính tại Đại học Chicago, Tiến sĩ Markus Buehler, giáo sư kỹ thuật tại Viện Công nghệ Massachusetts, và Tiến sĩ Duncan Watson-Parris, trợ lý giáo sư tại Viện Hải dương học Scripps và Viện Khoa học Dữ liệu Halıcıoğlu tại UC San Diego. Trong Phần Bốn, chúng tôi tóm tắt phần Hỏi & Đáp của hội thảo. 

Phần hỏi đáp tiếp theo phần trình bày của tham luận viên và Tiến sĩ Matthew Turk đã bắt đầu cuộc thảo luận. “'Lời hứa và cạm bẫy' nằm trong tiêu đề của hội thảo này. Chúng ta đã thảo luận về nhiều lời hứa nhưng vẫn chưa giải quyết được nhiều cạm bẫy. Điều gì khiến bạn lo lắng về tương lai của AI sáng tạo?”

Tiến sĩ Rebecca Wilett bắt đầu: “Độ tin cậy và độ tin cậy của những mô hình này là một mối quan tâm lớn”. “Những mô hình này có thể dự đoán những điều hợp lý nhưng lại thiếu các yếu tố quan trọng, nổi bật; Liệu tôi, với tư cách là một con người, có thể nhận ra rằng có điều gì đó còn thiếu ở đó không?”

Tiến sĩ Markus Buehler nói thêm rằng dự đoán thực tế của một mô hình có thể mất một giây, nhưng quá trình xác thực thử nghiệm có thể mất vài tháng, một năm hoặc lâu hơn. Vậy tạm thời chúng tôi chưa xác minh được kết quả thì nên hoạt động như thế nào? “Chúng ta cũng cần đào tạo thế hệ nhà phát triển AI sáng tạo tiếp theo để họ thiết kế các mô hình đáng tin cậy và có thể kiểm chứng, đồng thời chúng ta có thể sử dụng những hiểu biết sâu sắc dựa trên vật lý trong việc xây dựng các mô hình này.”

Tiến sĩ Duncan Watson-Parris dựa trên cả hai điểm trước đó và nói rằng “Vì những mô hình này được thiết kế để tạo ra kết quả hợp lý nên chúng tôi không thể chỉ nhìn vào kết quả để xác minh tính chính xác của chúng. Các nhà nghiên cứu AI sáng tạo cần có sự hiểu biết sâu sắc về cách thức hoạt động của các mô hình này để xác minh kết quả của chúng, đó là lý do tại sao việc giáo dục chính xác cho thế hệ tiếp theo lại quan trọng đến vậy.”

Khán giả: “Trong khoa học vật liệu, chúng tôi biết hướng nghiên cứu một số vật liệu, nhưng đối với những vật liệu khác, như chất siêu dẫn ở nhiệt độ phòng, chúng tôi không biết hướng tiếp theo. Bạn nghĩ con đường phía trước trong việc nghiên cứu những tài liệu chưa biết này sẽ như thế nào? Và loại nghiên cứu này nên được kích hoạt như thế nào từ quan điểm pháp lý?”

Tiến sĩ Buehler nói: “Tôi không phải là chuyên gia nghiên cứu chất siêu dẫn, vì vậy tôi sẽ không nói trực tiếp về vấn đề đó, nhưng tôi có thể nói một cách khái quát về cách chúng ta đạt được những tiến bộ trong khoa học vật liệu, đặc biệt là trong lĩnh vực protein của tôi. và phát triển vật liệu sinh học. Cách chúng ta đạt được những tiến bộ là có khả năng vượt qua giới hạn. Chúng tôi thực hiện các thí nghiệm mới và kiểm tra các ý tưởng cũng như lý thuyết kỳ lạ và xem cái nào hiệu quả và tại sao. Về cách chúng tôi kích hoạt nghiên cứu này, chúng tôi cần nhiều mô hình nguồn mở hơn với quyền truy cập chung. Tôi khuyến khích các chính trị gia không quản lý quá mức những công nghệ này để các nhà nghiên cứu và công chúng có thể tiếp cận với những loại mô hình này. Tôi không nghĩ ngăn cản mọi người sử dụng những mô hình này là một ý tưởng hay, đặc biệt khi chúng ta có thể huy động ý tưởng và sự phát triển từ cộng đồng cũng như giới thiệu kiến ​​thức từ các lĩnh vực hoạt động đa dạng của con người. Ví dụ, khi máy in được phát minh, chính quyền đã cố gắng hạn chế sự sẵn có của công nghệ này để rất ít sách có thể được đọc hàng loạt, nhưng nỗ lực này đã thất bại thảm hại. Cách tốt nhất để bảo vệ công chúng là tạo điều kiện tiếp cận những mô hình này theo cách mà chúng tôi có thể phát triển, khám phá và đánh giá chúng một cách rộng rãi vì lợi ích tối đa cho xã hội.”

Khán giả: “Hầu hết các mô hình AI tổng quát ngày nay đều là mô hình hồi quy tập trung vào việc mô phỏng hoặc mô phỏng các tình huống khác nhau. Tuy nhiên, sự khám phá trong khoa học được thúc đẩy bởi những giả thuyết và dự đoán mà chúng ta mơ ước. Vậy làm cách nào để chúng tôi tạo ra các mô hình nhằm mục đích hình thành các dự đoán mới thay vì các mô hình hiện tại chủ yếu được sử dụng để thử nghiệm?”

Tiến sĩ Buehler đã trả lời trước rằng: “Bạn nói đúng, hầu hết các mô hình học máy truyền thống thường dựa trên hồi quy, nhưng các mô hình mà chúng ta nói đến hôm nay hoạt động khác. Khi bạn kết hợp các hệ thống đa tác nhân với nhiều khả năng, chúng thực sự bắt đầu khám phá các tình huống mới và bắt đầu suy luận cũng như đưa ra dự đoán dựa trên các thử nghiệm mà chúng đã chạy. Họ trở nên con người hơn. Bạn, với tư cách là một nhà nghiên cứu, sẽ không chạy thử nghiệm và kết thúc - bạn sẽ chạy thử nghiệm rồi bắt đầu xem xét dữ liệu và xác thực nó cũng như đưa ra dự đoán mới dựa trên dữ liệu này, để kết nối các dấu chấm và ngoại suy bằng cách đưa ra các giả thuyết và hình dung một kịch bản mới sẽ diễn ra như thế nào. Bạn sẽ thử nghiệm, thu thập dữ liệu mới, phát triển lý thuyết và có thể đề xuất một khuôn khổ tích hợp về một vấn đề quan tâm cụ thể. Sau đó, bạn sẽ bảo vệ ý tưởng của mình trước những lời chỉ trích của đồng nghiệp và có thể xem xét lại giả thuyết của mình khi thông tin mới được sử dụng. Đây là cách các hệ thống đối kháng đa tác nhân mới hoạt động, nhưng tất nhiên chúng bổ sung cho các kỹ năng của con người khả năng suy luận lớn hơn nhiều đối với lượng dữ liệu khổng lồ và cách trình bày kiến ​​thức. Những mô hình này đã có thể tạo ra các giả thuyết mới vượt xa những gì đã được nghiên cứu, bổ sung vào quá trình khám phá và đổi mới khoa học.”

“Tôi sẽ bổ sung điều đó,” Tiến sĩ Willett xen vào, “với lĩnh vực khám phá hoàn thiện và hồi quy biểu tượng là một lĩnh vực khác được nhắm mục tiêu nhiều hơn vào việc tạo ra giả thuyết. Có rất nhiều công việc đang diễn ra trong không gian này.”

Khán giả: “Làm cách nào để chúng tôi tăng khả năng tiếp cận các loại mô hình này và vượt qua các rào cản, chẳng hạn như hầu hết các mô hình được tạo cho người nói tiếng Anh?”

Tiến sĩ Rebecca Willett trả lời: “Rất nhiều người được tiếp cận với việc sử dụng những mô hình này, nhưng việc thiết kế và đào tạo chúng tốn rất nhiều triệu đô la. Nếu chỉ một nhóm nhỏ các tổ chức có thể thiết lập những mô hình này thì chỉ có một nhóm rất nhỏ người đưa ra quyết định và đặt ra các ưu tiên trong cộng đồng khoa học. Và thường ưu tiên của các tổ chức, cá nhân này là lợi nhuận. Điều đó nói lên rằng, tôi nghĩ rằng cảnh quan đó đang bắt đầu thay đổi. Các tổ chức như NSF đang cố gắng xây dựng cơ sở hạ tầng để cộng đồng khoa học rộng lớn hơn có thể tiếp cận. Nỗ lực này giống với sự phát triển ban đầu của siêu máy tính. Trong những ngày đầu, các nhà nghiên cứu phải gửi những đề xuất dài dòng để có được quyền truy cập vào siêu máy tính. Tôi nghĩ chúng ta sẽ thấy những mô hình mới nổi tương tự trong AI và AI sáng tạo.”

“Tôi đồng ý,” Tiến sĩ Watson-Parris nói. “Thêm vào đó từ khía cạnh pháp lý, tôi không nghĩ chúng ta nên điều chỉnh nghiên cứu cơ bản, có lẽ là không gian ứng dụng, chứ không phải bản thân nghiên cứu.”

Cảm ơn bạn rất nhiều vì đã đọc và hãy theo dõi phần tóm tắt về hai bảng khác của chúng tôi tại AAAS 2024.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/