Lubadused ja lõkse kokkuvõte – neljas osa » CCC ajaveeb

CCC toetas tänavusel AAAS-i aastakonverentsil kolme teadussessiooni. Sel nädalal teeme kokkuvõtte seansi tipphetkedest, "Generatiivne AI teaduses: lubadused ja lõksud.” See paneel, modereeris Dr Matthew Turk, Chicago Toyota Tehnoloogiainstituudi president), esitleti Dr Rebecca Willett, Chicago ülikooli statistika ja arvutiteaduse professor, Dr Markus Buehler, Massachusettsi Tehnoloogiainstituudi inseneriprofessor ja Dr Duncan Watson-Parris, UC San Diego Scrippsi okeanograafiainstituudi ja Halıcıoğlu andmeteaduse instituudi dotsent. Neljandas osas teeme kokkuvõtte paneeli küsimuste ja vastuste osast. 

Panelistide ettekannetele järgnes küsimuste ja vastuste sessioon ning dr Matthew Turk alustas arutelu. ""Lubadused ja lõksud" on selle paneeli pealkirjas. Oleme arutanud paljusid lubadusi, kuid me ei ole käsitlenud paljusid lõkse. Mis teeb teile generatiivse AI tuleviku pärast muret?

"Nende mudelite töökindlus ja usaldusväärsus on suur probleem," alustas dr Rebecca Wilett. „Need mudelid suudavad ennustada asju, mis on usutavad, kuid millel puuduvad peamised, silmapaistvad elemendid; Kas ma saan inimesena ära tunda, et seal on midagi puudu?”

Dr Markus Buehler lisas, et mudeli tegelik ennustamine võib võtta sekundi, kuid katseline valideerimisprotsess võib kesta kuid või aasta või kauemgi. Kuidas peaksime siis vahepeal tegutsema, kui me pole tulemusi kontrollinud? "Samuti peame koolitama järgmise põlvkonna generatiivseid tehisintellekti arendajaid, et nad kujundaksid usaldusväärseid ja kontrollitavaid mudeleid ning et saaksime nende mudelite koostamisel kasutada füüsikapõhiseid teadmisi."

Dr Duncan Watson-Parris tugines mõlemale eelnevale punktile, öeldes: „Kuna need mudelid on loodud usaldusväärsete tulemuste saamiseks, ei saa me lihtsalt tulemusi vaadata, et kontrollida nende täpsust. Generatiivsetel tehisintellekti teadlastel peab nende tulemuste kontrollimiseks olema sügav arusaam nende mudelite toimimisest, mistõttu on järgmise põlvkonna õige koolitamine nii oluline.

Publik: „Materjaliteaduses teame teatud materjalide uurimise suunda, kuid teiste puhul, nagu toatemperatuuril ülijuhid, ei tea me, kuidas edasi liikuda. Milline näeb teie arvates välja nende tundmatute materjalide uurimise tee? Ja kuidas peaks seda tüüpi uuringuid regulatiivsest seisukohast võimaldama?

"Noh, ma ei ole ülijuhtide uurimise ekspert," ütles dr Buehler, "nii et ma ei räägi sellest otse, kuid võin rääkida üldiselt sellest, kuidas me teeme edusamme materjaliteaduses, eriti minu valguvaldkonnas. ja biomaterjalide arendamine. See, kuidas me edusamme teeme, on võime ümbrikut lükata. Korraldame uusi katseid ja katsetame veidraid ideid ja teooriaid ning vaatame, millised neist töötavad ja miks. Mis puutub sellesse, kuidas peaksime seda uurimistööd võimaldama, siis vajame rohkem avatud lähtekoodiga mudeleid, millel on kollektiivne juurdepääs. Julgustaksin poliitikuid neid tehnoloogiaid mitte üle reguleerima, et teadlastel ja avalikkusel oleks juurdepääs seda tüüpi mudelitele. Ma arvan, et ei ole hea mõte takistada inimesi neid mudeleid kasutamast, eriti kui saame ideid ja arendusi koondada ning tutvustada teadmisi erinevatest inimtegevuse valdkondadest. Näiteks kui trükipress leiutati, püüdsid võimud piirata selle tehnoloogia kättesaadavust, nii et vähe raamatuid saaks massiliselt lugeda, kuid see katse ebaõnnestus. Parim viis avalikkuse kaitsmiseks on hõlbustada juurdepääsu neile mudelitele nii, et saaksime neid laialdaselt arendada, uurida ja hinnata ühiskonna maksimaalse kasu saamiseks.

Vaatajaskonna liige: "Enamik generatiivseid AI mudeleid on tänapäeval regressioonimudelid, mis keskenduvad erinevate stsenaariumide simuleerimisele või jäljendamisele. Teaduse avastamist soodustavad aga hüpoteesid ja ennustused, millest me unistame. Niisiis, kuidas luua mudeleid, mis on mõeldud uute ennustuste loomiseks praeguste mudelite asemel, mida kasutatakse peamiselt eksperimenteerimiseks?

Dr Buehler vastas kõigepealt, öeldes: „Teil on õigus, enamik traditsioonilisi masinõppe mudeleid on sageli regressioonipõhised, kuid mudelid, millest täna rääkisime, töötavad erinevalt. Kui panete kokku paljude võimalustega mitme agentuuriga süsteemid, hakkavad nad tegelikult uurima uusi stsenaariume ning mõtlema ja tegema ennustusi nende katsete põhjal. Nad muutuvad inimlikumaks. Teie kui teadlane ei teeks katset ja oleks lihtsalt lõpetatud – teeksite katse ja hakkaksite siis andmeid vaatama ja neid valideerima ning tegema nende andmete põhjal uusi ennustusi, et ühendada punktid ja ekstrapoleerida püstitades hüpoteese ja kujutades ette, kuidas uus stsenaarium areneks. Katsetaksite, koguksite uusi andmeid, töötaksite välja teooria ja pakuksite välja võib-olla integreeritud raamistiku konkreetse huvipakkuva teema kohta. Seejärel kaitseksite oma ideid kolleegide kriitika eest ja uue teabe kasutamisel võib-olla oma hüpoteesi üle vaadata. Nii töötavad uued mitme agentuuriga võistlevad süsteemid, kuid loomulikult täiendavad need inimeste oskusi palju suurema võimega arutleda tohutute andmehulkade ja teadmiste esitusviiside üle. Need mudelid võivad juba luua uusi hüpoteese, mis lükkavad ümbriku juba uuritust kaugemale, lisades avastamis- ja innovatsiooniprotsessile.

"Ma täiendaksin seda," sekkus dr Willett, "lõpetamise avastamise ja sümboolse regressiooni valdkonnaga kui teise valdkonnaga, mis on palju rohkem suunatud hüpoteeside loomisele. Selles ruumis on käimas palju tööd."

Vaatajaskonna liige: "Kuidas suurendada juurdepääsu seda tüüpi mudelitele ja ületada takistusi, nagu enamik mudeleid luuakse inglise keele kõnelejatele?"

Dr Rebecca Willett vastas, öeldes: "Paljud inimesed saavad neid mudeleid kasutada, kuid nende kujundamine ja väljaõpe maksab miljoneid dollareid. Kui neid mudeleid suudab luua vaid väike hulk organisatsioone, siis teadusringkondades teeb otsuseid ja seab prioriteete vaid väga väike hulk inimesi. Ja sageli on nende organisatsioonide ja üksikisikute prioriteedid kasumipõhised. See tähendab, et ma arvan, et see maastik hakkab muutuma. Organisatsioonid nagu NSF üritavad ehitada infrastruktuuri, millele pääseb juurde laiem teadusringkond. See jõupingutus sarnaneb superarvutite varase arenguga. Esimestel päevadel pidid teadlased superarvutile juurdepääsu saamiseks esitama pikki ettepanekuid. Arvan, et näeme sarnaseid esilekerkivaid paradigmasid tehisintellektis ja generatiivses tehisintellektis.

"Nõustun," ütles dr Watson-Parris. "Lisaks sellele regulatiivse poole pealt, ma arvan, et me ei peaks reguleerima alusuuringuid, võib-olla rakendusruume, kuid mitte teadusuuringuid ennast."

Suur tänu lugemise eest ja jääge kursis meie kahe teise AAAS 2024 paneeli kokkuvõtetega.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/