Kínverskir vísindamenn á barmi þess að búa til „alvöru gervigreindarfræðinga“

Kínverskir vísindamenn eru á barmi byltingarkenndrar nálgunar við að þróa „gervigreind (AI) vísindamenn“ sem geta gert tilraunir og leyst vísindaleg vandamál. Nýlegar framfarir í djúpnámslíkönum hafa gjörbylt vísindarannsóknum, en núverandi líkön eiga enn í erfiðleikum með að líkja nákvæmlega eftir raunverulegum líkamlegum samskiptum.

Hins vegar hefur hópur vísindamanna frá Peking háskólanum og Oriental Institute of Technology (EIT) í Kína þróað nýjan ramma til að þjálfa vélanámslíkön byggð á fyrri þekkingu, svo sem eðlisfræðilögmálum eða stærðfræðilegri rökfræði, samhliða gögnum.

South China Morning Post segir að slík nálgun gæti leitt til stofnunar „raunverulegra vísindamanna með gervigreind“ sem geti bætt tilraunir og leyst vísindaleg vandamál. Djúpnámslíkön hafa haft veruleg áhrif á vísindarannsóknir með því að sýna tengsl í stórum gagnasöfnum. Þrátt fyrir þessar framfarir standa núverandi gerðir eins og Sora frá OpenAI frammi fyrir takmörkunum við að líkja nákvæmlega eftir ákveðnum líkamlegum samskiptum í hinum raunverulega heimi.

Sem dæmi má nefna að Sora, sem er texta-í-myndbandslíkan, hefur náð miklum vinsældum vegna bættrar, raunhæfrar framsetningar á hlutum. Hins vegar getur það ekki líkjað nákvæmlega grundvallarsamskiptum, til dæmis í hvaða átt loga kertanna á hátíðarkökunni hreyfist.

Vísindamenn benda til þess að innlima „fyrþekkingu,“ eins og eðlisfræðilögmál eða stærðfræðileg rökfræði, ásamt gögnum til að þjálfa nákvæmari vélanámslíkön.

Með því að fella mannlega þekkingu inn í gervigreindarlíkön getur það aukið skilvirkni þeirra og forspárhæfileika. Til að leysa þetta vandamál þróaði teymið ramma til að meta gildi fyrri þekkingar og ákvarða áhrif hennar á nákvæmni líkans. Umgjörð þeirra miðar að því að meta gildi þekkingar með því að nota afleiddar reglur, að teknu tilliti til þátta eins og gagnamagns og matssviðs. Með því að gera magntilraunir leitast vísindamenn við að skýra flókið samband gagna og fyrri þekkingar, þar með talið ósjálfstæði, samvirkni og staðgönguáhrif.

Hægt er að beita þessu líkanagreiningarkerfi á ýmsa netarkitektúra, sem veitir alhliða skilning á hlutverki fyrri þekkingar í djúpnámslíkönum.

Rannsakendur prófuðu ramma sinn á líkönum til að leysa fjölvíddar jöfnur og spá fyrir um niðurstöður efnatilrauna. Þeir komust að því að innlimun fyrri þekkingar bætti verulega árangur þessara líkana, sérstaklega á vísindasviðum þar sem samræmi við eðlisfræðileg lögmál er mikilvægt til að forðast hugsanlegar skelfilegar afleiðingar. Til lengri tíma litið stefnir teymið að því að þróa gervigreindarlíkön sem geta sjálfstætt greint og beitt viðeigandi þekkingu án mannlegrar íhlutunar.

Þeir viðurkenna hins vegar að eftir því sem gagnamagn í líkaninu eykst geti komið upp vandamál eins og yfirburða almennar reglur yfir tilteknum staðbundnum reglum, sérstaklega á sviðum eins og líffræði og efnafræði, þar sem almennar reglur gætu vantað.

Lestu líka:

•  Cockerill iX brynvarið farartæki fékk gervigreind til að berjast gegn drónum
• Hvað er AMD XDNA? Arkitektúrinn sem knýr gervigreind á Ryzen örgjörvum