Ang mga mananaliksik na Tsino ay nasa bingit ng paglikha ng "mga totoong AI scientist"

Ang mga mananaliksik ng China ay nasa bingit ng isang groundbreaking na diskarte sa pagbuo ng "artificial intelligence (AI) scientists" na may kakayahang magsagawa ng mga eksperimento at paglutas ng mga problemang pang-agham. Binago ng mga kamakailang pagsulong sa mga modelo ng malalim na pag-aaral ang siyentipikong pananaliksik, ngunit nahihirapan pa rin ang mga kasalukuyang modelo na tumpak na gayahin ang mga pisikal na pakikipag-ugnayan sa totoong mundo.

Gayunpaman, ang isang pangkat ng mga mananaliksik mula sa Peking University at ang Oriental Institute of Technology (EIT) sa China ay bumuo ng isang bagong balangkas para sa pagsasanay ng mga modelo ng machine learning batay sa dating kaalaman, gaya ng mga batas ng pisika o mathematical logic, kasama ng data.

South China Morning Post ay nag-ulat na ang ganitong paraan ay maaaring humantong sa paglikha ng "mga tunay na siyentipiko na may artipisyal na katalinuhan" na maaaring mapabuti ang mga eksperimento at malutas ang mga problemang pang-agham. Malaki ang impluwensya ng mga modelo ng malalim na pag-aaral sa siyentipikong pananaliksik sa pamamagitan ng pagbubunyag ng mga ugnayan sa malalaking set ng data. Sa kabila ng mga pagsulong na ito, ang mga kasalukuyang modelo tulad ng Sora ng OpenAI ay nahaharap sa mga limitasyon sa tumpak na pagtulad sa ilang pisikal na pakikipag-ugnayan sa totoong mundo.

Halimbawa, ang Sora, isang text-to-video na modelo, ay nakakuha ng malawak na katanyagan dahil sa pinabuting, makatotohanang representasyon ng mga bagay. Gayunpaman, hindi ito maaaring tumpak na magmodelo ng mga pangunahing pakikipag-ugnayan, halimbawa, ang direksyon kung saan gumagalaw ang apoy ng mga kandila sa holiday cake.

Iminumungkahi ng mga mananaliksik na isama ang "naunang kaalaman," tulad ng mga batas ng pisika o matematikal na lohika, kasama ang data upang sanayin ang mas tumpak na mga modelo ng machine learning.

Ang pag-embed ng kaalaman ng tao sa mga modelo ng AI ay maaaring mapataas ang kanilang pagiging epektibo at kakayahang manghula. Upang malutas ang problemang ito, bumuo ang koponan ng isang balangkas para sa pagsusuri ng halaga ng dating kaalaman at pagtukoy ng epekto nito sa katumpakan ng modelo. Nilalayon ng kanilang balangkas na suriin ang halaga ng kaalaman gamit ang mga nagmula na panuntunan, na isinasaalang-alang ang mga salik tulad ng dami ng data at saklaw ng pagsusuri. Sa pamamagitan ng pagsasagawa ng mga quantitative experiment, sinisikap ng mga mananaliksik na linawin ang kumplikadong ugnayan sa pagitan ng data at dating kaalaman, kabilang ang pagtitiwala, synergy, at mga epekto ng pagpapalit.

Maaaring ilapat ang model-diagnostic system na ito sa iba't ibang arkitektura ng network, na nagbibigay ng komprehensibong pag-unawa sa papel ng dating kaalaman sa mga modelo ng malalim na pag-aaral.

Sinubukan ng mga mananaliksik ang kanilang balangkas sa mga modelo para sa paglutas ng mga multidimensional na equation at paghula ng mga resulta ng mga eksperimento sa kemikal. Nalaman nila na ang pagsasama ng dating kaalaman ay lubos na nagpabuti sa pagganap ng mga modelong ito, lalo na sa mga siyentipikong larangan kung saan ang pagkakapare-pareho sa mga pisikal na batas ay kritikal sa pag-iwas sa mga potensyal na sakuna na resulta. Sa pangmatagalan, nilalayon ng team na bumuo ng mga modelo ng AI na maaaring independiyenteng matukoy at mailapat ang nauugnay na kaalaman nang walang interbensyon ng tao.

Gayunpaman, kinikilala nila na habang tumataas ang dami ng data sa modelo, maaaring lumitaw ang mga problema tulad ng pangingibabaw ng mga pangkalahatang tuntunin sa mga partikular na lokal na panuntunan, lalo na sa mga larangan tulad ng biology at chemistry, kung saan maaaring kulang ang mga pangkalahatang tuntunin.

Basahin din:

•  Ang Cockerill iX armored vehicle ay nakatanggap ng AI para sa epektibong labanan laban sa mga drone
• Ano ang AMD XDNA? Ang arkitektura na nagpapagana ng AI sa mga processor ng Ryzen