Кинески истраживачи на прагу стварања „правих АИ научника“

Кинески истраживачи на прагу су револуционарног приступа развоју „АИ научника“, способних за спровођење експеримената и решавање научних проблема.

Недавни напредак у моделима “дубоког учења” унео је револуцију у научна истраживања, али тренутни модели још имају проблема с тачним опонашањем физичких интеракција у стварном свету.

Модели дубоког учења

Међутим, тим истраживача с Универзитета у Пекингу и Оријенталног института за технологију (ЕИТ) у Кини развио је нови оквир за обуку машина утемељен на претходном знању, као што су закони физике или математичка логика, пише Саут чајна морнинг пост.

Лист наводи да би такав приступ могао да доведе до стварања "правих научника с вештачком интелигенцијом" који могу побољшати експерименте и решити научне проблеме. Модели дубоког учења значајно су утицали на научна истраживања откривајући односе у великим скуповима података. Упркос овом напретку, тренутни модели као што је ОпенАИ'с Сора суочавају се с ограничењима у прецизној симулацији одређених физичких интеракција у стварном свету.

На пример, Сора, модел претварања текста у видео, стекао је велику популарност захваљујући побољшаном, реалистичном приказу објеката. Међутим, он не може тачно да моделира основне интеракције, на пример смер у којем се креће пламен свећица на рођенданској торти.

Зато истраживачи предлажу укључивање "претходног знања", као што су закони физике или математичке логике, заједно с подацима за тренирање прецизнијих модела машинског учења.

Уграђивање људског знања у моделе АИ може повећати њихову ефикасност и способност предвиђања. Како би решио овај проблем, тим је развио оквир за процену вредности претходног знања и одређивање његовог утицаја на тачност модела. Њихов оквир има за циљ процену вредности знања помоћу изведених правила, узимајући у обзир факторе као што су количина података и распон процене. Спроводећи квантитативне експерименте, истраживачи настоје да разјасне сложен однос између података и претходног знања, укључујући зависност, синергију и ефекте замене.

Овај модел-дијагностички систем може да се примени на различите мрежне архитектуре, пружајући свеобухватно разумевање улоге претходног знања у моделима дубоког учења.

Људска интервенција

Истраживачи су тестирали свој оквир на моделима за решавање вишедимензионалних једначина и предвиђање резултата хемијских експеримената. Открили су да је укључивање претходног знања увелико побољшало резултат, посебно у научним подручјима где је доследност с законима физике кључна за избегавање потенцијално катастрофалних исхода. Дугорочно, тим има за циљ развијање модела вештачке интелигенције који могу самостално идентификовати и применити релевантно знање без људске интервенције.

Међутим, они признају да се с повећањем количине података у моделу могу појавити проблеми као што је доминација општих правила над специфичним локалним правилима, посебно у подручјима као што су биологија и хемија, где општа правила можда недостају.

Погледајте и: