A CCC három tudományos ülést támogatott az idei AAAS éves konferencián, és ha nem tudott személyesen részt venni, akkor minden ülést összefoglalunk. Ezen a héten összefoglaljuk az ülés legfontosabb eseményeit: „Generatív mesterséges intelligencia a tudományban: Ígéretek és buktatók.” Az első részben Dr. Rebecca Willett bevezetőjét és előadását foglaljuk össze.
A CCC 2024-es éves találkozójának első AAAS-panelére február 16-án, pénteken, a konferencia második napján került sor. A panel, a CCC saját moderátora Dr. Török Máté, a chicagói Toyota Technológiai Intézet elnöke, olyan szakértőkből állt, akik a mesterséges intelligenciát számos tudományterületen alkalmazzák. Dr. Rebecca Willett, a Chicagói Egyetem statisztika és számítástechnika professzora, előadásában arra összpontosított, hogyan használhatók fel a generatív modellek a tudományokban, és miért nem elegendőek a hagyományos modellek a tudományos kutatáshoz. Dr. Markus Buehler, a Massachusetts Institute of Technology mérnökprofesszora beszélt az anyagtudományban alkalmazott generatív modellekről, és Dr. Duncan Watson-Parris, adjunktus a Scripps Oceanográfiai Intézetben és a Halıcıoğlu Adattudományi Intézetben (UC San Diego), arról beszélt, hogyan használhatók a generatív modellek a klímatudományok tanulmányozásában.
Dr. Turk, a számítógépes látás és az ember-számítógép interakció szakértője azzal kezdte a panelt, hogy megkülönböztette a generatív mesterséges intelligenciát az összes mesterséges intelligenciától. "A generatív AI-alkalmazások középpontjában a mély neurális hálózatokból álló generatív modellek állnak, amelyek megtanulják terjedelmes képzési adataik szerkezetét, majd új adatokat generálnak a tanultak alapján."
Dr. Turk felvázolta a generatív rendszerekkel kapcsolatos népszerű aggodalmakat is, amelyek maguknak a rendszereknek a meghibásodásaiból adódnak, például azok, amelyek nem létező jogi tájékoztatót idéznek, valamint azért is, mert rossz szereplők hamis tartalmat, például hamis hangot vagy hanganyagot generálnak. politikusokról vagy hírességekről készült videó.
„Konkrétan – mondta Dr. Turk –, ez az ülés a generatív mesterséges intelligencia tudományban való felhasználására fog összpontosítani, egyrészt a tudományra való törekvés átalakító erejeként, másrészt a zavarok lehetséges kockázataként.
Dr. Rebecca Willett előadását azzal kezdte, hogy felvázolta, hogy a generatív mesterséges intelligencia hogyan használható fel a tudományos felfedezési folyamat támogatására. Először a generatív modellek működésére összpontosított. Az alábbi kép Dr. Willett diáiról bemutatja, hogy egy nyelvi modell, például a ChatGPT hogyan értékeli egy szó előfordulásának valószínűségét egy korábbi szókészlet alapján, és hogyan hoz létre egy képgeneráló modell, például a DALL-E 2 képet. adott promptból a képzés során képmilliárdokból tanult valószínűségi eloszlások segítségével.
„Az összes generatív modell alapját képező valószínűségi eloszlás elvének felhasználásával ezek a modellek alkalmazhatók a tudomány moonshot ötleteire, például lehetséges klímaforgatókönyvek generálására a jelenlegi éghajlati és potenciális politikák alapján, vagy új mikrobiomok létrehozására célzott funkcionalitással, mint pl. amely különösen hatékony a műanyagok lebontásában” – mondja Dr. Willett.
A tudományos kutatáshoz azonban nem elegendő olyan kész generatív eszközöket használni, mint a ChatGPT vagy a DALL-E 2. Ezeket az eszközöket olyan környezetben hozták létre, amely nagyon különbözik attól a környezettől, amelyben a tudósok dolgoznak. Az egyik nyilvánvaló különbség a készen kapható generatív modell és a tudományos modell között az adatok. A tudományban gyakran nagyon kevés adat áll rendelkezésre a hipotézisek megalapozásához. A tudományos adatok általában szimulációkból és kísérletekből származnak, amelyek gyakran költségesek és időigényesek. E korlátok miatt a tudósoknak gondosan meg kell választaniuk, hogy mely kísérleteket hajtsák végre, és hogyan maximalizálják e rendszerek hatékonyságát és hasznosságát. Ezzel szemben a kész modellek sokkal kisebb jelentőséget tulajdonítanak annak, hogy honnan származnak az adatok, és inkább maximalizálják a kezelhető adatmennyiséget. A tudományban az adatkészletek pontossága és eredetük hihetetlenül fontos, mivel a tudósoknak robusztus empirikus bizonyítékokkal kell igazolniuk kutatásaikat.
„Emellett a tudományokban mások a céljaink, mint pusztán elfogadható dolgok előállítása” – mondja Dr. Willett. "Meg kell értenünk a dolgok működését az eddig megfigyelt tartományon kívül." Ez a megközelítés ellentétben áll azokkal a generatív mesterséges intelligencia modellekkel, amelyek az adatokat a valószínű megfigyelések teljes körét reprezentatívnak tekintik. A fizikai modellek és korlátok beépítése a generatív MI-be segít abban, hogy az jobban reprezentálja a fizikai jelenségeket.
A tudományos modelleknek alkalmasnak kell lenniük a ritka események megörökítésére is. „Sok ritka eseményt nyugodtan figyelmen kívül hagyhatunk, amikor a ChatGPT-t oktatjuk, de ezzel szemben a ritka események gyakran az, amivel leginkább foglalkozunk a tudományok összefüggésében, például a ritka időjárási eseményeket előrejelző éghajlati modellben. Ha olyan generatív modellt használunk, amely elkerüli a ritka eseményeket, és például soha nem jósol hurrikánt, akkor ez a modell nem lesz túl hasznos a gyakorlatban.
Ehhez kapcsolódó kihívás a generatív mesterséges intelligencia modellek kidolgozása kaotikus folyamatokhoz, amelyek érzékenyek a kezdeti feltételekre. Dr. Willett az alábbi videót jelenítette meg, amely két részecske mozgását mutatja a térben a Lorenz 63 egyenletek szerint. Ezek az egyenletek determinisztikusak, nem véletlenszerűek, de két kissé eltérő kiindulási hely alapján láthatjuk, hogy a két részecske bármikor nagyon eltérő helyen lehet. Az éghajlattudományban, a turbulenciában és a hálózati dinamikában felmerülő folyamatok pontos lefolyását előrejelző generatív mesterséges intelligencia modellek kidolgozása alapvetően nehéz, de a generatív modellezés új megközelítései biztosíthatják, hogy a generált folyamatok kulcsfontosságú statisztikai jellemzőit megosszák valós tudományos adatokkal.
[Beágyazott tartalmat]
Végül Dr. Willett kitért arra a tényre, hogy a tudományos adatok gyakran a térbeli és időbeli léptékek hatalmas skáláját ölelik fel. Például az anyagtudományban a kutatók nanométeres léptékű anyagokat tanulmányoznak a monymerek esetében egészen a nagyméretű rendszerig, például egy egész repülőgépig. „A skálák tartománya nagyon eltér a készen kapható modellekben használt adatoktól, és meg kell fontolnunk, hogyan építjük fel ezeket a generatív modelleket oly módon, hogy az pontosan befolyásolja a skálák közötti interakciókat.”
„A generatív modellek jelentik a tudomány jövőjét”, mondja Dr. Willett, „de a hatékony használatuk biztosításához alapvető előrelépést kell tennünk a mesterséges intelligencia területén, és túl kell lépnünk az adatok ChatGPT-be való csatlakoztatásán”.
Nagyon köszönjük, hogy elolvasta, és kérem, hallgassa meg holnap Dr. Markus Buehler Generative AI in Mechanobiology című előadásának összefoglalóját.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://feeds.feedblitz.com/~/873922907/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-Part-One/
- :is
- :nem
- :ahol
- $ UP
- 16th
- 2024
- a
- Képes
- Rólunk
- Szerint
- pontosság
- pontosan
- szereplők
- címzett
- előlegek
- AI
- AI modellek
- Minden termék
- Is
- am
- összeg
- an
- és a
- évi
- bármilyen
- alkalmazások
- alkalmazott
- alkalmaz
- megközelítés
- megközelít
- VANNAK
- felmerülhet
- mesterséges
- mesterséges intelligencia
- AS
- At
- részt vesz
- hang-
- meghiúsítja
- Rossz
- bázis
- alapján
- BE
- mert
- kezdődött
- lent
- Jobb
- között
- Túl
- milliárd
- Blog
- mindkét
- Törés
- Épület
- de
- by
- TUD
- képes
- Rögzítése
- ami
- gondosan
- eset
- ccc
- CCC blog
- hírességek
- kihívás
- jellemzők
- ChatGPT
- Chicago
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- Klíma
- jön
- áll
- számítógép
- Computer Science
- Számítógépes látás
- aggodalmak
- Körülmények
- Konferencia
- Fontolja
- korlátok
- tartalom
- kontextus
- kontraszt
- Mag
- Tanfolyam
- készítette
- Jelenlegi
- dall's
- dátum
- adat-tudomány
- adatkészletek
- nap
- mély
- fejlesztése
- különbség
- különböző
- felfedezés
- tárgyalt
- Megjelenik
- kijelzők
- Zavar
- disztribúció
- le-
- dr
- két
- Duncan
- alatt
- dinamika
- minden
- hatékonyan
- hatékonyság
- beágyazott
- Mérnöki
- hatalmas
- biztosítására
- Egész
- egyenletek
- események
- bizonyíték
- pontos
- példa
- drága
- kísérletek
- szakértő
- szakértők
- tény
- hibák
- hamisítvány
- messze
- február
- Fields
- vezetéknév
- Összpontosít
- összpontosított
- A
- Kényszer
- Péntek
- ból ből
- Tele
- funkcionalitás
- alapvető
- alapvetően
- jövő
- generál
- generált
- generál
- generáló
- generáció
- nemző
- Generatív AI
- adott
- Go
- Célok
- Kemény
- Legyen
- segít
- neki
- Magas
- kiemeli
- Hogyan
- How To
- HTTPS
- hurrikán
- ötletek
- if
- figyelmen kívül hagy
- kép
- képek
- fontosság
- fontos
- in
- amely magában foglalja
- hihetetlenül
- kezdetben
- Intézet
- Intézmény
- Intelligencia
- kölcsönhatás
- kölcsönhatások
- bele
- Bevezetés
- IT
- Kulcs
- nyelv
- nagyarányú
- TANUL
- tanult
- Jogi
- kevesebb
- mobilizálható
- Valószínű
- korlátozások
- kis
- helyszínek
- Sok
- csinál
- Massachusetts
- Massachusetts Institute of Technology
- anyagok
- matthew
- max-width
- Maximize
- maximalizálása
- Lehet..
- találkozó
- csupán
- MIT
- modell
- modellezés
- modellek
- Moonshot
- a legtöbb
- mozgó
- sok
- kell
- Szükség
- hálózat
- hálózatok
- ideg-
- neurális hálózatok
- soha
- Új
- nem létező
- regény
- Nyilvánvaló
- előforduló
- Esély
- of
- gyakran
- on
- ONE
- működik
- or
- származás
- mi
- ki
- vázolt
- felvázolva
- kívül
- saját
- panel
- rész
- különösen
- person
- fizikai
- Hely
- Plató
- Platón adatintelligencia
- PlatoData
- játékos
- kérem
- Politikák
- politikusok
- Népszerű
- lehetséges
- potenciális
- gyakorlat
- előre
- jósolja
- bemutatás
- elnök
- előző
- alapelv
- folyamat
- Folyamatok
- termelő
- Egyetemi tanár
- ígér
- törekvés
- idézet
- véletlen
- hatótávolság
- RITKA
- Olvass
- Olvasás
- igazi
- újrafutóz
- összefüggő
- képvisel
- reprezentatív
- kutatás
- kutatók
- Kockázat
- erős
- futás
- biztosan
- Mondott
- San
- azt mondja,
- Skála
- Mérleg
- forgatókönyvek
- Tudomány
- TUDOMÁNYOK
- tudományos
- tudósok
- Második
- lát
- érzékeny
- ülés
- ülések
- készlet
- beállítás
- Megosztás
- ő
- Műsorok
- szimulációk
- Diák
- kicsit más
- So
- eddig
- Hely
- ível
- térbeli
- Kezdve
- statisztikai
- statisztika
- struktúra
- Tanulmány
- Tanul
- ilyen
- elegendő
- összegez
- támogatás
- Támogatott
- rendszer
- Systems
- célzott
- technikai
- Technológia
- mint
- hogy
- A
- A jövő
- azok
- maguk
- akkor
- Ott.
- Ezek
- ők
- dolgok
- ezt
- ezen a héten
- azok
- három
- idő
- időigényes
- nak nek
- holnap
- vett
- szerszámok
- Toyota
- Képzések
- átalakító
- kezelésére
- dallam
- turbulencia
- kettő
- jellemzően
- megért
- egyetemi
- University of Chicago
- használ
- használt
- hasznos
- segítségével
- fajta
- nagyon
- videó
- látomás
- volt
- Út..
- we
- időjárás
- hét
- voltak
- Mit
- amikor
- ami
- WHO
- miért
- lesz
- val vel
- szó
- szavak
- Munka
- te
- youtube
- zephyrnet