Čínski vedci sú na pokraji vytvorenia „skutočných vedcov AI“

Čínski výskumníci sú na pokraji prelomového prístupu k rozvoju „umelej inteligencie (AI) vedcov“ schopných vykonávať experimenty a riešiť vedecké problémy. Nedávne pokroky v modeloch hlbokého učenia spôsobili revolúciu vo vedeckom výskume, ale súčasné modely sa stále snažia presne napodobňovať fyzické interakcie v reálnom svete.

Tím výskumníkov z Pekingskej univerzity a Orientálneho technologického inštitútu (EIT) v Číne však vyvinul nový rámec pre trénovanie modelov strojového učenia založených na predchádzajúcich znalostiach, ako sú fyzikálne zákony alebo matematická logika, spolu s údajmi.

South China Morning Post uvádza, že takýto prístup by mohol viesť k vytvoreniu „skutočných vedcov s umelou inteligenciou“, ktorí dokážu zlepšovať experimenty a riešiť vedecké problémy. Modely hlbokého učenia výrazne ovplyvnili vedecký výskum tým, že odhalili vzťahy vo veľkých súboroch údajov. Napriek týmto pokrokom čelia súčasné modely, ako napríklad OpenAI Sora, obmedzeniam pri presnej simulácii určitých fyzických interakcií v reálnom svete.

Napríklad Sora, model prevodu textu na video, si získal veľkú popularitu vďaka vylepšenej realistickej reprezentácii objektov. Nedokáže však presne modelovať základné interakcie, napríklad smer, ktorým sa pohybuje plameň sviečok na sviatočnej torte.

Výskumníci navrhujú začleniť „predchádzajúce poznatky“, ako sú zákony fyziky alebo matematickej logiky, spolu s údajmi na trénovanie presnejších modelov strojového učenia.

Začlenenie ľudských vedomostí do modelov AI môže zvýšiť ich účinnosť a predikčnú schopnosť. Na vyriešenie tohto problému tím vyvinul rámec na hodnotenie hodnoty predchádzajúcich znalostí a určenie ich vplyvu na presnosť modelu. Ich rámec sa zameriava na hodnotenie hodnoty znalostí pomocou odvodených pravidiel, pričom sa zohľadňujú faktory, ako je objem údajov a rozsah hodnotenia. Vykonávaním kvantitatívnych experimentov sa výskumníci snažia objasniť zložitý vzťah medzi údajmi a predchádzajúcimi znalosťami, vrátane závislosti, synergie a substitučných účinkov.

Tento modelovo-diagnostický systém možno aplikovať na rôzne sieťové architektúry, čím poskytuje komplexné pochopenie úlohy predchádzajúcich znalostí v modeloch hlbokého učenia.

Výskumníci testovali svoj rámec na modeloch na riešenie viacrozmerných rovníc a predpovedanie výsledkov chemických experimentov. Zistili, že začlenenie predchádzajúcich poznatkov výrazne zlepšilo výkonnosť týchto modelov, najmä vo vedeckých oblastiach, kde je zásadný súlad s fyzikálnymi zákonmi, aby sa predišlo potenciálne katastrofickým výsledkom. Z dlhodobého hľadiska sa tím zameriava na vývoj modelov AI, ktoré dokážu nezávisle identifikovať a aplikovať relevantné znalosti bez ľudského zásahu.

Pripúšťajú však, že s narastajúcim množstvom údajov v modeli môžu vzniknúť problémy, ako je dominancia všeobecných pravidiel nad špecifickými miestnymi pravidlami, a to najmä v oblastiach ako biológia a chémia, kde môžu všeobecné pravidlá chýbať.

Prečítajte si tiež:

•  Obrnené vozidlo Cockerill iX dostalo AI pre efektívny boj proti dronom
• Čo je AMD XDNA? Architektúra, ktorá poháňa AI na procesoroch Ryzen