CCC підтримав три наукові сесії на щорічній конференції AAAS цього року. Цього тижня ми підведемо підсумки сесії,Генеративний ШІ в науці: обіцянки та підводні камені.” Ця панель, модерована Доктор Матвій Турок, президент Технологічного інституту Тойота в Чикаго). Доктор Ребекка Віллетт, професор статистики та інформатики Чиказького університету, Доктор Маркус Бюлер, професор інженерії в Массачусетському технологічному інституті, і Доктор Дункан Вотсон-Перріс, доцент Інституту океанографії Скріппса та Інституту науки про дані Халіджіоглу в Каліфорнійському університеті в Сан-Дієго. У частині четвертій ми підсумовуємо частину панелі питань і відповідей.
Після виступів експертів відбулася сесія запитань і відповідей, і д-р Метью Турк розпочав дискусію. «Обіцянки та підводні камені» — у назві цієї панелі. Ми обговорили багато обіцянок, але не звернули увагу на багато підводних каменів. Що вас турбує щодо майбутнього генеративного ШІ?»
«Надійність і достовірність цих моделей викликає велике занепокоєння», – почала д-р Ребекка Вілетт. «Ці моделі можуть передбачати речі, які є правдоподібними, але в них відсутні ключові, помітні елементи; Чи можу я, як людина, визнати, що там чогось не вистачає?»
Доктор Маркус Бюлер додав, що фактичне передбачення моделі може зайняти секунду, але експериментальний процес перевірки може тривати місяці, рік або довше. Отже, як ми маємо діяти в проміжний період, коли ми не перевірили результати? «Нам також потрібно навчити наступне покоління розробників генеративного штучного інтелекту, щоб вони розробляли моделі, які заслуговують на довіру та які можна перевірити, і щоб ми могли використовувати знання, засновані на фізиці, у створенні цих моделей».
Доктор Дункан Уотсон-Перріс спирався на обидва попередні пункти, сказавши: «Оскільки ці моделі створені для отримання правдоподібних результатів, ми не можемо просто дивитися на результати, щоб перевірити їх точність. Дослідники генеративного штучного інтелекту повинні мати глибоке розуміння того, як працюють ці моделі, щоб перевірити їхні результати, ось чому правильне навчання наступного покоління так важливо».
Учасник аудиторії: «У матеріалознавстві ми знаємо напрямок для вивчення деяких матеріалів, але щодо інших, наприклад надпровідників кімнатної температури, ми не знаємо, як рухатися вперед. Як, на вашу думку, буде виглядати подальший шлях у вивченні цих невідомих матеріалів? І як цей тип досліджень має бути дозволений з нормативної точки зору?»
«Ну, я не експерт у дослідженні надпровідників, — сказав д-р Бюлер, — тому я не буду говорити про це прямо, але я можу говорити загалом про те, як ми досягаємо прогресу в матеріалознавстві, зокрема в моїй галузі білків та розробка біоматеріалів. Те, як ми досягаємо успіхів, полягає в тому, що маємо здатність розширювати межі. Ми проводимо нові експерименти, перевіряємо незвичайні ідеї та теорії та бачимо, які з них працюють і чому. Щодо того, як ми маємо забезпечити це дослідження, нам потрібно більше моделей із відкритим кодом із колективним доступом. Я б закликав політиків не регулювати надмірно ці технології, щоб дослідники та громадськість мали доступ до цих типів моделей. Я не вважаю гарною ідеєю перешкоджати людям використовувати ці моделі, особливо коли ми можемо збирати ідеї та розробки та запроваджувати знання з різних сфер людської діяльності. Наприклад, коли було винайдено друкарський верстат, влада намагалася обмежити доступність цієї технології, щоб масово читати мало книг, але ця спроба з тріском провалилася. Найкращий спосіб захистити громадськість — полегшити доступ до цих моделей таким чином, щоб ми могли розробляти, досліджувати й широко їх оцінювати для максимальної користі для суспільства».
Учасник аудиторії: «Більшість генеративних моделей штучного інтелекту сьогодні — це регресійні моделі, які зосереджені на моделюванні або імітації різних сценаріїв. Однак відкриття в науці підживлюються гіпотезами та передбаченнями, які ми мріємо. Отже, як ми створюємо моделі, які призначені для створення нових прогнозів замість поточних моделей, які використовуються переважно для експериментів?»
Доктор Бюлер відповів першим, сказавши: «Ви маєте рацію, більшість традиційних моделей машинного навчання часто базуються на регресії, але моделі, про які ми говорили сьогодні, працюють інакше. Коли ви об’єднуєте мультиагентні системи з багатьма можливостями, вони фактично починають досліджувати нові сценарії, починають міркувати та робити прогнози на основі експериментів, які вони провели. Вони стають більш людяними. Ви, як дослідник, не проведете експеримент і просто закінчите – ви запустите експеримент, а потім почнете дивитися на дані, підтверджувати їх і робити нові прогнози на основі цих даних, щоб з’єднати точки й екстраполювати за висувати гіпотези та уявляти, як розгортатиметься новий сценарій. Ви б експериментували, збирали нові дані, розробляли теорію та, можливо, запропонували інтегровану структуру щодо конкретного питання, яке вас цікавить. Тоді ви захистите свої ідеї від критики колег і, можливо, переглянете свою гіпотезу, коли буде використана нова інформація. Ось як працюють нові багатоагентні змагальні системи, але, звичайно, вони доповнюють людські навички набагато більшою здатністю міркувати над величезними обсягами даних і представленнями знань. Ці моделі вже можуть генерувати нові гіпотези, які виходять далеко за межі того, що вже було вивчено, додаючи до наукового процесу відкриттів та інновацій».
«Я б доповнив це, — втрутився д-р Віллетт, — областю виявлення завершеності та символічної регресії як іншої сфери, яка набагато більше спрямована на створення гіпотез. У цьому просторі триває багато роботи».
Учасник аудиторії: «Як нам збільшити доступ до цих типів моделей і подолати перешкоди, наприклад більшість моделей, створених для англомовних?»
Доктор Ребекка Уіллетт відповіла: «Багато людей мають доступ до використання цих моделей, але їх розробка та навчання коштує багато мільйонів доларів. Якщо лише невелика група організацій здатна створити ці моделі, тоді лише дуже невелика група людей приймає рішення та встановлює пріоритети в науковому співтоваристві. І часто пріоритети цих організацій та окремих осіб спрямовані на прибуток. Тим не менш, я думаю, що ландшафт починає змінюватися. Такі організації, як NSF, намагаються побудувати інфраструктуру, доступну для широкої наукової спільноти. Ця спроба нагадує ранню розробку суперкомп'ютерів. У перші дні дослідникам доводилося подавати довгі пропозиції, щоб отримати доступ до суперкомп’ютера. Я думаю, що ми побачимо схожі нові парадигми в ШІ та генеративному ШІ».
«Я згоден», — сказав доктор Вотсон-Перріс. «Якщо додати до цього регуляторний аспект, я не думаю, що ми повинні регулювати фундаментальні дослідження, можливо, прикладні простори, але не самі дослідження».
Щиро дякуємо, що прочитали, і слідкуйте за підсумками наших інших двох панелей на AAAS 2024.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://feeds.feedblitz.com/~/874103807/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Four/
- : має
- :є
- : ні
- $UP
- 2024
- a
- здатність
- Здатний
- МЕНЮ
- доступ
- доступний
- точність
- діяльність
- фактичний
- насправді
- доданий
- додати
- адресований
- аванси
- змагальність
- проти
- AI
- Моделі AI
- вже
- Також
- суми
- an
- та
- щорічний
- Інший
- додаток
- ЕСТЬ
- ПЛОЩА
- AS
- Помічник
- At
- Влада
- наявність
- заснований
- основний
- BE
- ставати
- було
- почалася
- починати
- буття
- користь
- КРАЩЕ
- За
- Великий
- Біоматеріали
- Блог
- книги
- обидва
- ширше
- будувати
- побудований
- але
- by
- CAN
- можливості
- CCC
- CCC Блог
- зміна
- Чикаго
- збирати
- Collective
- співтовариство
- Доповнення
- завершення
- комп'ютер
- Інформатика
- конференція
- З'єднуватися
- будівництво
- правильно
- витрати
- може
- Курс
- створювати
- створений
- Поточний
- дані
- наука про дані
- Днів
- рішення
- глибокий
- дизайн
- призначений
- проектування
- розвивати
- розробників
- розробка
- події
- Дієго
- різний
- інакше
- напрям
- безпосередньо
- відкриття
- обговорювалися
- обговорення
- Різне
- do
- доларів
- Не знаю
- dr
- мрія
- керований
- дункан
- Рано
- виховувати
- освіту
- зусилля
- елементи
- з'являються
- включіть
- включений
- заохочувати
- Машинобудування
- англійська
- конверт
- особливо
- оцінювати
- приклад
- експеримент
- експериментальний
- Експерименти
- експерт
- дослідити
- широко
- фасилітувати
- не вдалося
- далеко
- ознаками
- кілька
- Поля
- Перший
- Сфокусувати
- потім
- для
- Вперед
- чотири
- Рамки
- від
- підживлюється
- майбутнє
- в цілому
- породжувати
- покоління
- генеративний
- Генеративний ШІ
- отримати
- буде
- добре
- великий
- було
- Мати
- має
- основний момент
- Як
- How To
- Однак
- HTTPS
- людина
- Перешкоди
- i
- ідея
- ідеї
- if
- Зображеннями
- важливо
- in
- Augmenter
- осіб
- інформація
- Інфраструктура
- інновація
- розуміння
- замість
- Інститут
- Установа
- інтегрований
- призначених
- інтерес
- проміжний
- вводити
- Винайдений
- IT
- сам
- просто
- ключ
- Знати
- знання
- ландшафт
- вивчення
- як
- МЕЖА
- довше
- подивитися
- виглядає як
- серія
- машина
- навчання за допомогою машини
- зробити
- Робить
- багато
- Массачусетс
- Массачусетський технологічний інститут
- масово
- Матеріали
- Матерія
- Матвій
- максимальний
- Може..
- член
- мільйони
- відсутній
- MIT
- модель
- Моделі
- місяців
- більше
- найбільш
- в основному
- рухатися
- рухатися вперед
- багато
- my
- Необхідність
- Нові
- наступний
- NSF
- of
- від
- часто
- on
- ті,
- постійний
- тільки
- з відкритим вихідним кодом
- працювати
- or
- порядок
- організації
- Інше
- інші
- наші
- над
- Подолати
- панель
- Панелі
- парадигми
- частина
- приватність
- шлях
- Люди
- може бути
- plato
- Інформація про дані Платона
- PlatoData
- правдоподібний
- точок
- Політики
- частина
- передбачати
- прогноз
- Прогнози
- Presentations
- президент
- press
- запобігати
- попередній
- друк
- Друкарський станок
- процес
- Професор
- Прибуток
- обіцяє
- Пропозиції
- пропонувати
- захист
- Білок
- громадськість
- Штовхати
- put
- Питання та відповіді
- Читати
- читання
- причина
- Короткий огляд
- визнавати
- Регулювати
- регуляторні
- надійність
- дослідження
- дослідник
- Дослідники
- походить
- результати
- переглядати
- право
- Кімната
- прогін
- Зазначений
- Сан -
- Сан - Дієго
- приказка
- сценарій
- сценарії
- наука
- науковий
- другий
- побачити
- Сесія
- сесіях
- комплект
- установка
- Повинен
- сторона
- аналогічний
- навички
- невеликий
- So
- суспільство
- деякі
- що в сім'ї щось
- Простір
- пробіли
- говорити
- динаміки
- конкретно
- точки зору
- Починаючи
- статистика
- залишатися
- навчався
- вивчення
- представляти
- такі
- підсумовувати
- суперкомп'ютер
- Підтриманий
- символічний
- Systems
- Приймати
- балаканина
- цільове
- технологічний
- Технології
- Технологія
- тест
- Що
- Команда
- Площа
- Майбутнє
- їх
- Їх
- потім
- теорія
- Там.
- Ці
- вони
- речі
- думати
- це
- На цьому тижні
- три
- назва
- до
- сьогодні
- разом
- до
- Тойота
- традиційний
- Навчання
- намагався
- надійність
- заслуговуючий довіри
- намагається
- налаштований
- два
- тип
- Типи
- розуміння
- університет
- Чиказький університет
- невідомий
- використання
- використовуваний
- використання
- ПЕРЕВІР
- перевірка достовірності
- величезний
- перевірявся
- перевірено
- перевірити
- дуже
- було
- шлях..
- we
- week
- Що
- коли
- який
- чому
- волі
- з
- Work
- б
- рік
- Ти
- вашу
- зефірнет