CCC は、今年の AAAS 年次会議で 3 つの科学セッションを支援しました。今週はセッションのハイライトをまとめます。科学における生成 AI: 約束と落とし穴.このパネルのモデレーターは マシュー・ターク博士、シカゴ豊田工科大学学長）、特集 レベッカ・ウィレット博士、シカゴ大学統計学およびコンピューターサイエンス教授、 マルクス・ビューラー博士、マサチューセッツ工科大学工学部教授、 ダンカン・ワトソン・パリス博士、スクリップス海洋研究所およびカリフォルニア大学サンディエゴ校ハルチュオールデータサイエンス研究所の助教授。第 4 部では、パネルの Q&A 部分を要約します。 

パネリストのプレゼンテーションに続いて質疑応答が行われ、マシュー・ターク博士がディスカッションを開始しました。 「『約束と落とし穴』はこのパネルのタイトルになっています。私たちは多くの約束について議論してきましたが、落とし穴の多くにはまだ触れていません。生成 AI の将来について何を心配していますか?」

「これらのモデルの信頼性と信頼性は大きな懸念事項です」とレベッカ・ウィレット博士は言い始めた。 「これらのモデルは、もっともらしいことを予測できますが、重要な顕著な要素が欠けています。人間として、そこに何かが欠けていることに気づくことができるだろうか？」

Markus Buehler 博士は、モデルの実際の予測には 1 秒かかるかもしれないが、検証の実験プロセスには数か月、1 年、あるいはそれ以上かかる場合があると付け加えました。では、成果が検証されていない当面の間はどのように運用すればよいのでしょうか。 「次世代の生成 AI 開発者を教育して、彼らが信頼できて検証可能なモデルを設計できるようにし、これらのモデルの構築に物理学に基づいた洞察を使用できるようにする必要もあります。」

ダンカン・ワトソン・パリス博士は、前述の両方の点を踏まえて次のように述べています。生成 AI 研究者は、結果を検証するためにこれらのモデルがどのように機能するかを深く理解する必要があり、そのため次世代を正しく教育することが非常に重要です。」

聴衆: 「材料科学では、一部の材料の研究については進む方向がわかっていますが、室温超伝導体のような他の材料については、どのように進めるべきかわかりません。これらの未知の物質の研究は今後どのように進むと思いますか?そして、この種の研究は規制の観点からどのように実現されるべきでしょうか?」

「そうですね、私は超伝導体研究の専門家ではありません」とビューラー博士は言いました。「だから、それについて直接話すつもりはありませんが、材料科学、特にタンパク質の私の分野でどのように進歩するかについては一般的に話すことができます」そして生体材料の開発。私たちが前進するには、限界を超える能力を持つことが必要です。私たちは新しい実験を実行し、突飛なアイデアや理論をテストし、どれが機能するのか、そしてなぜ機能するのかを確認します。この研究をどのように可能にするかについては、集合的なアクセスを備えたオープンソース モデルがさらに必要です。研究者や一般の人々がこの種のモデルにアクセスできるよう、政治家にはこれらのテクノロジーを過剰に規制しないことをお勧めします。特にアイデアや開発をクラウドソーシングして、人間の活動のさまざまな分野から知識を導入できる場合には、人々がこれらのモデルを使用することを妨げるのは良い考えではないと思います。たとえば、印刷機が発明されたとき、当局はこの技術の利用を制限して、まとめて読める本をほとんど制限しようとしましたが、この努力は惨めに失敗しました。公衆を保護する最善の方法は、社会の利益を最大限に高めるためにこれらのモデルを広範に開発、調査、評価できるような方法で、これらのモデルへのアクセスを容易にすることです。」

聴衆: 「今日のほとんどの生成 AI モデルは、さまざまなシナリオのシミュレーションまたはエミュレーションに焦点を当てた回帰モデルです。しかし、科学における発見は、私たちが思い描く仮説や予測によって促進されます。では、主に実験に使用されている現在のモデルではなく、新しい予測を考えることを目的としたモデルをどのように作成すればよいのでしょうか?」

ビューラー博士はまず次のように答えました。「おっしゃるとおりです。従来の機械学習モデルのほとんどは回帰ベースであることが多いですが、今日話したモデルは動作が異なります。多くの機能を備えたマルチエージェント システムを組み合わせると、実際に新しいシナリオを探索し始め、実行した実験に基づいて推論と予測を開始します。彼らはより人間的になります。研究者であるあなたは、実験を実行してただ終了するのではありません。実験を実行してから、データを調べて検証し、このデータに基づいて新しい予測を立てて、点を結び、次のように推定することになります。仮説を立てて、新しいシナリオがどのように展開するかをイメージします。実験を行い、新しいデータを収集し、理論を展開し、特定の関心事項について統合されたフレームワークを提案することもあります。そうすれば、同僚の批判から自分のアイデアを守り、新しい情報が使用されたときに仮説を修正することになるでしょう。これが新しいマルチエージェント敵対システムの仕組みですが、もちろん、膨大な量のデータと知識の表現を推論するはるかに優れた能力によって人間のスキルを補完します。これらのモデルはすでに、これまでの研究をはるかに超えた新たな仮説を生み出すことができ、科学的な発見と革新のプロセスをさらに強化します。」

「私はそれを補完します」とウィレット博士が口を挟んで、「完了発見と象徴的回帰の領域は、仮説生成をよりターゲットにした別の領域です。この分野では多くの作業が進行中です。」

聴衆: 「この種のモデルへのアクセスを増やし、ほとんどのモデルが英語話者向けに作成されているなどのハードルを克服するにはどうすればよいでしょうか?」

レベッカ・ウィレット博士は次のように答えました。「多くの人がこれらのモデルを利用できますが、モデルの設計とトレーニングには何百万ドルもの費用がかかります。少数の組織のみがこれらのモデルを設定できる場合、科学界で意思決定を行い優先順位を設定しているのは非常に少数の人々だけです。そして多くの場合、これらの組織や個人の優先事項は利益を追求することです。そうは言っても、風景は変わり始めていると思います。 NSF のような組織は、より広範な科学コミュニティがアクセスできるインフラストラクチャを構築しようとしています。この取り組みは、スーパーコンピューターの初期開発に似ています。初期の頃、研究者はスーパーコンピューターにアクセスするために長い提案書を提出する必要がありました。 AI と生成 AI においても同様の新たなパラダイムが現れると思います。」

「私も同感です」とワトソン・パリス博士は言った。 「規制面から付け加えると、基礎研究、おそらく応用分野は規制すべきではないと思いますが、研究そのものは規制すべきではありません。」

読んでいただきありがとうございます。AAAS 2024 での他の XNUMX つのパネルの要約にご期待ください。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/