Κινέζοι ερευνητές στα πρόθυρα να δημιουργήσουν «πραγματικούς επιστήμονες τεχνητής νοημοσύνης»

Κινέζοι ερευνητές βρίσκονται στα πρόθυρα μιας πρωτοποριακής προσέγγισης για την ανάπτυξη «επιστημόνων τεχνητής νοημοσύνης (AI)» ικανών να διεξάγουν πειράματα και να λύνουν επιστημονικά προβλήματα. Οι πρόσφατες εξελίξεις στα μοντέλα βαθιάς μάθησης έχουν φέρει επανάσταση στην επιστημονική έρευνα, αλλά τα τρέχοντα μοντέλα εξακολουθούν να αγωνίζονται να μιμηθούν με ακρίβεια τις φυσικές αλληλεπιδράσεις του πραγματικού κόσμου.

Ωστόσο, μια ομάδα ερευνητών από το Πανεπιστήμιο του Πεκίνου και το Ανατολικό Ινστιτούτο Τεχνολογίας (EIT) στην Κίνα έχει αναπτύξει ένα νέο πλαίσιο για την εκπαίδευση μοντέλων μηχανικής μάθησης που βασίζεται σε προηγούμενες γνώσεις, όπως νόμους της φυσικής ή τη μαθηματική λογική, μαζί με δεδομένα.

Δημοσίευση στο South China Morning Post αναφέρει ότι μια τέτοια προσέγγιση θα μπορούσε να οδηγήσει στη δημιουργία «πραγματικών επιστημόνων με τεχνητή νοημοσύνη» που μπορούν να βελτιώσουν τα πειράματα και να λύσουν επιστημονικά προβλήματα. Τα μοντέλα βαθιάς μάθησης έχουν επηρεάσει σημαντικά την επιστημονική έρευνα αποκαλύπτοντας σχέσεις σε μεγάλα σύνολα δεδομένων. Παρά αυτές τις προόδους, τα τρέχοντα μοντέλα όπως το Sora του OpenAI αντιμετωπίζουν περιορισμούς στην ακριβή προσομοίωση ορισμένων φυσικών αλληλεπιδράσεων στον πραγματικό κόσμο.

Για παράδειγμα, το Sora, ένα μοντέλο κειμένου σε βίντεο, έχει κερδίσει μεγάλη δημοτικότητα λόγω της βελτιωμένης, ρεαλιστικής αναπαράστασης των αντικειμένων. Ωστόσο, δεν μπορεί να μοντελοποιήσει με ακρίβεια βασικές αλληλεπιδράσεις, για παράδειγμα, την κατεύθυνση προς την οποία κινείται η φλόγα των κεριών στη γιορτινή τούρτα.

Οι ερευνητές προτείνουν την ενσωμάτωση «προηγούμενων γνώσεων», όπως οι νόμοι της φυσικής ή η μαθηματική λογική, μαζί με δεδομένα για την εκπαίδευση πιο ακριβών μοντέλων μηχανικής μάθησης.

Η ενσωμάτωση της ανθρώπινης γνώσης σε μοντέλα τεχνητής νοημοσύνης μπορεί να αυξήσει την αποτελεσματικότητά τους και την προγνωστική τους ικανότητα. Για να λύσει αυτό το πρόβλημα, η ομάδα ανέπτυξε ένα πλαίσιο για την αξιολόγηση της αξίας της προηγούμενης γνώσης και τον προσδιορισμό της επίδρασής της στην ακρίβεια του μοντέλου. Το πλαίσιο τους στοχεύει στην αξιολόγηση της αξίας της γνώσης χρησιμοποιώντας παραγόμενους κανόνες, λαμβάνοντας υπόψη παράγοντες όπως ο όγκος των δεδομένων και το εύρος αξιολόγησης. Διεξάγοντας ποσοτικά πειράματα, οι ερευνητές επιδιώκουν να αποσαφηνίσουν τη σύνθετη σχέση μεταξύ δεδομένων και προηγούμενης γνώσης, συμπεριλαμβανομένων των επιδράσεων εξάρτησης, συνέργειας και υποκατάστασης.

Αυτό το μοντέλο-διαγνωστικό σύστημα μπορεί να εφαρμοστεί σε διάφορες αρχιτεκτονικές δικτύων, παρέχοντας μια ολοκληρωμένη κατανόηση του ρόλου της προηγούμενης γνώσης στα μοντέλα βαθιάς μάθησης.

Οι ερευνητές δοκίμασαν το πλαίσιο τους σε μοντέλα για την επίλυση πολυδιάστατων εξισώσεων και την πρόβλεψη των αποτελεσμάτων χημικών πειραμάτων. Διαπίστωσαν ότι η ενσωμάτωση προηγούμενης γνώσης βελτίωσε σημαντικά την απόδοση αυτών των μοντέλων, ειδικά σε επιστημονικά πεδία όπου η συνέπεια με τους φυσικούς νόμους είναι κρίσιμη για την αποφυγή δυνητικά καταστροφικών αποτελεσμάτων. Μακροπρόθεσμα, η ομάδα στοχεύει στην ανάπτυξη μοντέλων τεχνητής νοημοσύνης που μπορούν να εντοπίσουν και να εφαρμόσουν ανεξάρτητα τη σχετική γνώση χωρίς ανθρώπινη παρέμβαση.

Ωστόσο, αναγνωρίζουν ότι καθώς αυξάνεται ο όγκος των δεδομένων στο μοντέλο, μπορεί να προκύψουν προβλήματα όπως η κυριαρχία γενικών κανόνων έναντι συγκεκριμένων τοπικών κανόνων, ειδικά σε τομείς όπως η βιολογία και η χημεία, όπου μπορεί να λείπουν γενικοί κανόνες.

Διαβάστε επίσης:

•  Το θωρακισμένο όχημα Cockerill iX έλαβε τεχνητή νοημοσύνη για αποτελεσματική μάχη κατά των drones
• Τι είναι το AMD XDNA; Η αρχιτεκτονική που τροφοδοτεί την τεχνητή νοημοσύνη στους επεξεργαστές Ryzen