Čínští vědci jsou na pokraji vytvoření „skutečných vědců AI“

Čínští vědci jsou na pokraji převratného přístupu k rozvoji „vědců s umělou inteligencí (AI)“ schopných provádět experimenty a řešit vědecké problémy. Nedávné pokroky v modelech hlubokého učení způsobily revoluci ve vědeckém výzkumu, ale současné modely se stále snaží přesně napodobit fyzické interakce v reálném světě.

Tým výzkumníků z Pekingské univerzity a Orientálního technologického institutu (EIT) v Číně však vyvinul nový rámec pro trénování modelů strojového učení založených na dřívějších znalostech, jako jsou fyzikální zákony nebo matematická logika, spolu s daty.

Jižní Čína ranní pošta uvádí, že takový přístup by mohl vést k vytvoření „skutečných vědců s umělou inteligencí“, kteří dokážou vylepšit experimenty a řešit vědecké problémy. Modely hlubokého učení významně ovlivnily vědecký výzkum tím, že odhalily vztahy ve velkých souborech dat. Navzdory těmto pokrokům čelí současné modely, jako je OpenAI Sora, omezením při přesné simulaci určitých fyzických interakcí v reálném světě.

Například Sora, model převodu textu na video, si získal širokou oblibu díky vylepšené, realistické reprezentaci objektů. Nedokáže však přesně modelovat základní interakce, například směr, kterým se pohybuje plamen svíček na svátečním dortu.

Výzkumníci navrhují začlenění „předchozích znalostí“, jako jsou fyzikální zákony nebo matematická logika, spolu s daty pro trénování přesnějších modelů strojového učení.

Začlenění lidských znalostí do modelů umělé inteligence může zvýšit jejich efektivitu a prediktivní schopnost. K vyřešení tohoto problému tým vyvinul rámec pro hodnocení hodnoty předchozích znalostí a stanovení jejich dopadu na přesnost modelu. Jejich rámec si klade za cíl vyhodnotit hodnotu znalostí pomocí odvozených pravidel s přihlédnutím k faktorům, jako je objem dat a rozsah hodnocení. Prováděním kvantitativních experimentů se výzkumníci snaží objasnit komplexní vztah mezi daty a předchozími znalostmi, včetně závislostí, synergií a substitučních efektů.

Tento model-diagnostický systém lze aplikovat na různé síťové architektury a poskytuje komplexní pochopení role předchozích znalostí v modelech hlubokého učení.

Vědci testovali svůj rámec na modelech pro řešení vícerozměrných rovnic a předpovídání výsledků chemických experimentů. Zjistili, že začlenění předchozích znalostí výrazně zlepšilo výkon těchto modelů, zejména ve vědeckých oborech, kde je kritický soulad s fyzikálními zákony, aby se zabránilo potenciálně katastrofickým výsledkům. Z dlouhodobého hlediska je cílem týmu vyvinout modely umělé inteligence, které dokážou nezávisle identifikovat a aplikovat příslušné znalosti bez lidského zásahu.

Uznávají však, že s narůstajícím množstvím dat v modelu mohou nastat problémy, jako je dominance obecných pravidel nad konkrétními místními pravidly, zejména v oborech, jako je biologie a chemie, kde mohou obecná pravidla chybět.

Přečtěte si také:

•  Obrněné vozidlo Cockerill iX dostalo AI pro efektivní boj proti dronům
• Co je AMD XDNA? Architektura, která pohání AI na procesorech Ryzen