Kineski istraživači na pragu stvaranja "pravih AI znanstvenika"

Kineski istraživači na pragu su revolucionarnog pristupa razvoju "znanstvenika s umjetnom inteligencijom (AI)" sposobnih za provođenje eksperimenata i rješavanje znanstvenih problema. Nedavni napredak u modelima dubokog učenja revolucionirao je znanstvena istraživanja, ali trenutni modeli još uvijek imaju problema s točnim oponašanjem fizičkih interakcija u stvarnom svijetu.

Međutim, tim istraživača sa Sveučilišta u Pekingu i Orijentalnog instituta za tehnologiju (EIT) u Kini razvio je novi okvir za obuku modela strojnog učenja temeljen na prethodnom znanju, kao što su zakoni fizike ili matematička logika, uz podatke.

South China Morning Post izvještava da bi takav pristup mogao dovesti do stvaranja "pravih znanstvenika s umjetnom inteligencijom" koji mogu poboljšati eksperimente i riješiti znanstvene probleme. Modeli dubokog učenja značajno su utjecali na znanstvena istraživanja otkrivajući odnose u velikim skupovima podataka. Unatoč ovom napretku, trenutni modeli kao što je OpenAI's Sora suočavaju se s ograničenjima u preciznoj simulaciji određenih fizičkih interakcija u stvarnom svijetu.

Na primjer, Sora, model pretvaranja teksta u video, stekao je veliku popularnost zahvaljujući poboljšanom, realističnom prikazu objekata. Međutim, ne može točno modelirati osnovne interakcije, na primjer, smjer u kojem se kreće plamen svjećica na blagdanskoj torti.

Istraživači predlažu uključivanje "prethodnog znanja", kao što su zakoni fizike ili matematičke logike, zajedno s podacima za treniranje preciznijih modela strojnog učenja.

Ugrađivanje ljudskog znanja u modele umjetne inteligencije može povećati njihovu učinkovitost i sposobnost predviđanja. Kako bi riješio ovaj problem, tim je razvio okvir za procjenu vrijednosti prethodnog znanja i određivanje njegovog utjecaja na točnost modela. Njihov okvir ima za cilj procijeniti vrijednost znanja pomoću izvedenih pravila, uzimajući u obzir čimbenike kao što su količina podataka i raspon procjene. Provodeći kvantitativne eksperimente, istraživači nastoje razjasniti složen odnos između podataka i prethodnog znanja, uključujući ovisnost, sinergiju i učinke zamjene.

Ovaj model-dijagnostički sustav može se primijeniti na različite mrežne arhitekture, pružajući sveobuhvatno razumijevanje uloge prethodnog znanja u modelima dubokog učenja.

Istraživači su testirali svoj okvir na modelima za rješavanje višedimenzionalnih jednadžbi i predviđanje rezultata kemijskih eksperimenata. Otkrili su da je uključivanje prethodnog znanja uvelike poboljšalo izvedbu ovih modela, posebno u znanstvenim područjima gdje je dosljednost s fizikalnim zakonima ključna za izbjegavanje potencijalno katastrofalnih ishoda. Dugoročno, tim ima za cilj razviti modele umjetne inteligencije koji mogu samostalno identificirati i primijeniti relevantno znanje bez ljudske intervencije.

Međutim, oni priznaju da se s povećanjem količine podataka u modelu mogu pojaviti problemi kao što je dominacija općih pravila nad specifičnim lokalnim pravilima, posebno u područjima kao što su biologija i kemija, gdje opća pravila možda nedostaju.

Pročitajte također:

•  Oklopno vozilo Cockerill iX dobilo je AI za učinkovitu borbu protiv dronova
• Što je AMD XDNA? Arhitektura koja pokreće AI na Ryzen procesorima