Το CCC υποστήριξε τρεις επιστημονικές συνεδρίες στο φετινό Ετήσιο Συνέδριο AAAS. Αυτή την εβδομάδα, θα συνοψίσουμε τα κυριότερα σημεία της συνεδρίας, "Generative AI in Science: Promises and Pitfalls.” Αυτό το πάνελ, με συντονιστή Δρ Μάθιου Τουρκ, πρόεδρος του Τεχνολογικού Ινστιτούτου Toyota στο Σικάγο), εμφανίστηκε Δρ Ρεμπέκα Γουίλετ, καθηγητής στατιστικής και πληροφορικής στο Πανεπιστήμιο του Σικάγο, Δρ Markus Buehler, καθηγητής μηχανικής στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης και Ο Δρ Ντάνκαν Γουάτσον-Πάρις, επίκουρος καθηγητής στο Scripps Institute of Oceanography και στο Halıcıoğlu Data Science Institute στο UC San Diego. Στο τέταρτο μέρος, συνοψίζουμε το τμήμα Q&A του πίνακα. 

Ακολούθησε μια συνεδρία Q&A που ακολούθησε τις παρουσιάσεις του πάνελ και ο Δρ. Matthew Turk ξεκίνησε τη συζήτηση. «Υποσχέσεις και παγίδες» βρίσκεται στον τίτλο αυτού του πάνελ. Έχουμε συζητήσει πολλές από τις υποσχέσεις, αλλά δεν έχουμε αντιμετωπίσει πολλές από τις παγίδες. Τι σας ανησυχεί για το μέλλον της γενετικής τεχνητής νοημοσύνης;»

«Η αξιοπιστία και η αξιοπιστία αυτών των μοντέλων είναι μεγάλη ανησυχία», ξεκίνησε η Δρ. Rebecca Wilett. «Αυτά τα μοντέλα μπορούν να προβλέψουν πράγματα που είναι εύλογα, αλλά λείπουν βασικά, σημαντικά στοιχεία. Μπορώ, ως άνθρωπος, να αναγνωρίσω ότι κάτι λείπει εκεί;».

Ο Δρ Markus Buehler πρόσθεσε ότι η πραγματική πρόβλεψη ενός μοντέλου μπορεί να διαρκέσει ένα δευτερόλεπτο, αλλά η πειραματική διαδικασία επικύρωσης μπορεί να διαρκέσει μήνες ή ένα χρόνο ή περισσότερο. Πώς πρέπει, λοιπόν, να λειτουργούμε στο ενδιάμεσο όταν δεν έχουμε επαληθεύσει τα αποτελέσματα; «Πρέπει επίσης να εκπαιδεύσουμε την επόμενη γενιά προγραμματιστών τεχνητής νοημοσύνης, ώστε να σχεδιάζουν μοντέλα που να είναι αξιόπιστα και επαληθεύσιμα και να μπορούμε να χρησιμοποιούμε γνώσεις βασισμένες στη φυσική στην κατασκευή αυτών των μοντέλων».

Ο Δρ Duncan Watson-Parris βασίστηκε και στα δύο προηγούμενα σημεία, λέγοντας: «Επειδή αυτά τα μοντέλα έχουν σχεδιαστεί για να παράγουν εύλογα αποτελέσματα, δεν μπορούμε απλώς να εξετάσουμε τα αποτελέσματα για να επαληθεύσουμε την ακρίβειά τους. Οι ερευνητές της γενετικής τεχνητής νοημοσύνης πρέπει να έχουν βαθιά κατανόηση του τρόπου λειτουργίας αυτών των μοντέλων προκειμένου να επαληθεύσουν τα αποτελέσματά τους, γι' αυτό είναι τόσο σημαντική η σωστή εκπαίδευση της επόμενης γενιάς».

Μέλος κοινού: «Στην επιστήμη των υλικών, γνωρίζουμε την κατεύθυνση προς τα εμπρός για τη μελέτη ορισμένων υλικών, αλλά για άλλα, όπως οι υπεραγωγοί θερμοκρασίας δωματίου, δεν ξέρουμε πώς να προχωρήσουμε. Πώς πιστεύετε ότι θα είναι η πορεία προς τα εμπρός στη μελέτη αυτών των άγνωστων υλικών; Και πώς πρέπει να επιτραπεί αυτού του είδους η έρευνα από κανονιστική άποψη;».

«Λοιπόν, δεν είμαι ειδικός στην έρευνα υπεραγωγών», είπε ο Δρ Buehler, «άρα δεν θα μιλήσω απευθείας για αυτό, αλλά μπορώ να μιλήσω γενικά για το πώς κάνουμε προόδους στην επιστήμη των υλικών, ειδικά στον τομέα των πρωτεϊνών μου. και ανάπτυξη βιοϋλικών. Ο τρόπος με τον οποίο κάνουμε προόδους είναι να έχουμε τη δυνατότητα να σπρώχνουμε το φάκελο. Εκτελούμε νέα πειράματα και δοκιμάζουμε περίεργες ιδέες και θεωρίες και βλέπουμε ποιες λειτουργούν και γιατί. Όσο για το πώς θα πρέπει να ενεργοποιήσουμε αυτήν την έρευνα, χρειαζόμαστε περισσότερα μοντέλα ανοιχτού κώδικα με συλλογική πρόσβαση. Θα ενθαρρύνω τους πολιτικούς να μην ρυθμίζουν υπερβολικά αυτές τις τεχνολογίες, έτσι ώστε οι ερευνητές και το κοινό να έχουν πρόσβαση σε τέτοιου είδους μοντέλα. Δεν νομίζω ότι είναι καλή ιδέα να εμποδίζουμε τους ανθρώπους να χρησιμοποιούν αυτά τα μοντέλα, ειδικά όταν μπορούμε να συγκεντρώνουμε ιδέες και εξελίξεις και να εισάγουμε γνώσεις από διάφορους τομείς της ανθρώπινης δραστηριότητας. Για παράδειγμα, όταν εφευρέθηκε το τυπογραφείο, οι αρχές προσπάθησαν να περιορίσουν τη διαθεσιμότητα αυτής της τεχνολογίας, ώστε λίγα βιβλία να μπορούν να διαβαστούν μαζικά, αλλά αυτή η προσπάθεια απέτυχε παταγωδώς. Ο καλύτερος τρόπος για να προστατεύσουμε το κοινό είναι να διευκολύνουμε την πρόσβαση σε αυτά τα μοντέλα με τέτοιο τρόπο ώστε να μπορούμε να τα αναπτύξουμε, να τα εξερευνήσουμε και να τα αξιολογήσουμε εκτενώς προς το μέγιστο όφελος της κοινωνίας».

Μέλος κοινού: «Τα περισσότερα μοντέλα παραγωγής τεχνητής νοημοσύνης σήμερα είναι μοντέλα παλινδρόμησης που επικεντρώνονται στην προσομοίωση ή την εξομοίωση διαφορετικών σεναρίων. Ωστόσο, η ανακάλυψη στην επιστήμη τροφοδοτείται από τις υποθέσεις και τις προβλέψεις που ονειρευόμαστε. Πώς λοιπόν δημιουργούμε μοντέλα που προορίζονται να συλλάβουν νέες προβλέψεις αντί για τα τρέχοντα μοντέλα που χρησιμοποιούνται κυρίως για πειραματισμούς;»

Ο Δρ Buehler απάντησε πρώτος, λέγοντας: «Έχετε δίκιο, τα περισσότερα παραδοσιακά μοντέλα μηχανικής μάθησης βασίζονται συχνά στην παλινδρόμηση, αλλά τα μοντέλα για τα οποία μιλήσαμε σήμερα λειτουργούν διαφορετικά. Όταν συνδυάζετε συστήματα πολλαπλών πρακτόρων με πολλές δυνατότητες, αρχίζουν πραγματικά να εξερευνούν νέα σενάρια και αρχίζουν να συλλογίζονται και να κάνουν προβλέψεις με βάση τα πειράματα που έχουν εκτελέσει. Γίνονται πιο ανθρώπινα. Εσείς, ως ερευνητής, δεν θα εκτελούσατε ένα πείραμα και απλώς θα είχατε τελειώσει – θα εκτελέσατε ένα πείραμα και στη συνέχεια θα αρχίζατε να εξετάζετε τα δεδομένα και να τα επικυρώνετε και να κάνετε νέες προβλέψεις με βάση αυτά τα δεδομένα, για να συνδέσετε τις τελείες και να κάνετε παρέκταση με κάνοντας υποθέσεις και απεικονίζοντας πώς θα εξελισσόταν ένα νέο σενάριο. Θα πειραματιστείτε, θα συλλέξατε νέα δεδομένα, θα αναπτύξατε μια θεωρία και θα προτείνατε ίσως ένα ολοκληρωμένο πλαίσιο για ένα συγκεκριμένο θέμα ενδιαφέροντος. Στη συνέχεια, θα υπερασπιστείτε τις ιδέες σας έναντι των κριτικών των συναδέλφων σας και ίσως θα αναθεωρούσατε την υπόθεσή σας όταν χρησιμοποιούνται νέες πληροφορίες. Αυτός είναι ο τρόπος με τον οποίο λειτουργούν τα νέα συστήματα αντιπάλου πολλαπλών πρακτόρων, αλλά φυσικά συμπληρώνουν τις ανθρώπινες δεξιότητες με μια πολύ μεγαλύτερη ικανότητα να συλλογίζονται τεράστιες ποσότητες δεδομένων και αναπαραστάσεις γνώσης. Αυτά τα μοντέλα μπορούν ήδη να δημιουργήσουν νέες υποθέσεις που ωθούν το περίβλημα πολύ πέρα ​​από αυτό που έχει ήδη μελετηθεί, προσθέτοντας στην επιστημονική διαδικασία της ανακάλυψης και της καινοτομίας».

«Θα το συμπλήρωνα», παρενέβη ο Δρ. Γουίλετ, «με την περιοχή της ανακάλυψης ολοκλήρωσης και της συμβολικής παλινδρόμησης ως μια άλλη περιοχή πολύ πιο στοχευμένη στη δημιουργία υποθέσεων. Υπάρχει πολλή συνεχής δουλειά σε αυτόν τον χώρο».

Μέλος κοινού: "Πώς μπορούμε να αυξήσουμε την πρόσβαση σε αυτούς τους τύπους μοντέλων και να ξεπεράσουμε εμπόδια, όπως τα περισσότερα μοντέλα που δημιουργούνται για αγγλόφωνους;"

Η Δρ. Rebecca Willett απάντησε, λέγοντας: «Πολλοί άνθρωποι έχουν πρόσβαση στη χρήση αυτών των μοντέλων, αλλά ο σχεδιασμός και η εκπαίδευσή τους κοστίζει πολλά εκατομμύρια δολάρια. Εάν μόνο ένα μικρό σύνολο οργανισμών είναι σε θέση να δημιουργήσει αυτά τα μοντέλα, τότε μόνο ένα πολύ μικρό σύνολο ανθρώπων λαμβάνουν τις αποφάσεις και θέτουν προτεραιότητες στην επιστημονική κοινότητα. Και συχνά οι προτεραιότητες αυτών των οργανισμών και ατόμων έχουν ως γνώμονα το κέρδος. Τούτου λεχθέντος, νομίζω ότι αυτό το τοπίο αρχίζει να αλλάζει. Οργανισμοί όπως το NSF προσπαθούν να δημιουργήσουν υποδομές στις οποίες να έχει πρόσβαση η ευρύτερη επιστημονική κοινότητα. Αυτή η προσπάθεια μοιάζει με την πρώιμη ανάπτυξη των υπερυπολογιστών. Τις πρώτες μέρες, οι ερευνητές έπρεπε να υποβάλουν μακροσκελείς προτάσεις για να αποκτήσουν πρόσβαση σε έναν υπερυπολογιστή. Νομίζω ότι θα δούμε παρόμοια αναδυόμενα παραδείγματα στην τεχνητή νοημοσύνη και τη γενετική τεχνητή νοημοσύνη».

«Συμφωνώ», είπε ο Δρ Γουάτσον-Πάρις. «Σε αυτό από ρυθμιστική πλευρά, δεν νομίζω ότι πρέπει να ρυθμίσουμε τη βασική έρευνα, ίσως τους χώρους εφαρμογής, αλλά όχι την ίδια την έρευνα».

Σας ευχαριστούμε πολύ για την ανάγνωση και μείνετε συντονισμένοι για τις ανακεφαλαιώσεις των άλλων δύο πάνελ μας στο AAAS 2024.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/