- Pāreja no tīri paredzošiem modeļiem uz autonomiem mākslīgā intelekta aģentiem, kas var atdarināt iteratīvo cilvēka pētniecības procesu.
- Kritiskā spriedze starp melnās kastes mākslīgā intelekta augsto paredzamības precizitāti un cēloņsakarības, izskaidrojamas zinātniskas izpratnes nepieciešamību.
- Pašreizējo tiesību zinātņu (LLM) strukturālie ierobežojumi, kurām bieži vien trūkst stabila pasaules modeļa un kuras balstās uz statistisko varbūtību, nevis fizikas likumiem.
Kad mūsdienās runājam par mākslīgo intelektu, ir viegli aizrauties ar tērzēšanas robotu un attēlu ģeneratoru ažiotāžu. Tomēr savā būtībā mākslīgais intelekts ir milzīgs tehnoloģiju rīku komplekts, kas ļauj mašīnām mācīties , spriest un veikt sarežģītus uzdevumus, kas kādreiz bija tikai cilvēka intelekta joma. Apvienojot datorzinātnes, statistiku, neirozinātni un pat filozofiju, mākslīgā intelekta mērķis ir iemācīt datoriem izprast pasauli, pamanīt likumsakarības haosā un ģenerēt oriģinālas idejas , kas var virzīt sabiedrību uz priekšu.
Viena no aizraujošākajām robežām šobrīd ir tā, kā šie rīki tiek integrēti zinātniskajā metodē. Mēs virzāmies tālāk par vienkāršu datu apstrādi, piemēram, OCR izmantošanu, lai nekārtīgus dokumentus pārvērstu tīros datos, un ieejam laikmetā, kurā mākslīgais intelekts ne tikai palīdz zinātniekam, bet arī faktiski modelē pašu atklāšanas procesu . Tas ir mežonīgs brauciens, kas sola paātrināt visu, sākot no medicīnas līdz materiālzinātnei, lai gan tam ir arī diezgan ievērojama filozofiska bagāža.
No paredzošām spēkstacijām līdz autonomiem aģentiem
Kādu laiku mākslīgā intelekta zelta standarts zinātnē bija paredzošais modelis, un AlphaFold bija šī projekta zvaigzne. Izmantojot Olbaltumvielu datu banku — milzīgu bibliotēku, kas veidota vairāk nekā pusgadsimta laikā, — AlphaFold atšifrēja olbaltumvielu trīsdimensiju struktūru . Tā bija milzīga uzvara, taču tā izcēla vājo vietu: šāda veida panākumiem ir nepieciešams neticami daudz standartizētu, augstas kvalitātes datu , kas ir reti sastopams lielākajā daļā zinātnes jomu, kur laboratorijas apstākļi atšķiras un rezultāti bieži vien ir neskaidri.
Šeit noder mākslīgā intelekta aģentu koncepcija. Atšķirībā no statiska modeļa, kas paredz rezultātu, aģents būtībā ir spriešanas dzinējs, kas aprīkots ar rīkiem . Šie aģenti var darboties kā "līdzzinātnieki", pārvaldot apakšaģentus, lai ģenerētu hipotēzes, kritizētu tās kā recenzents un pilnveidotu labākās idejas. Piemēram, nesen mākslīgā intelekta sistēma, vienkārši iteratīvi spriedot, izmantojot esošo literatūru, secināja, kā antibiotiku rezistence izplatās starp baktērijām — secinājums, pie kura cilvēku pētniekiem bija vajadzīgi desmit gadi .
- Automatizētā dokumentācija: Aģenti atrisina atkārtojamības krīzi, ierakstot katru savu soli.
- Institucionālā atmiņa: Tie izveido centralizētu zināšanu krātuvi, novēršot datu zudumu, kad studenti vai pētnieki pamet laboratoriju.
- Hiperātruma eksperimenti: Spēja viena rīta laikā izstrādāt simtiem molekulu un mācīties no neveiksmēm maina "dīvainu" ideju izmēģināšanas izmaksu un ieguvumu analīzi.
Plaisa starp mimikriju un patiesu izpratni
Neskatoties uz sajūsmu, pastāv nopietna realitāte: pašreizējais mākslīgais intelekts (MI) bieži uzvedas kā students, kurš iegaumē mācību grāmatu, patiesībā neizprotot priekšmetu. Jaunākie kupra supravadītāju fizikas testi parādīja, ka, lai gan MI var izcili apkopot sarežģītus darbus, tā precizitāte zūd, saskaroties ar niansētu loģisko spriešanu . Tas notiek tāpēc, ka tiesību zinātnes (LLM) darbojas uz statistiskās varbūtības pamata — paredzot nākamo iespējamo vārdu —, nevis izmantojot stabilu pasaules modeli, kas balstīts uz fizikas likumiem.
Šis intuīcijas trūkums nozīmē, ka mākslīgais intelekts joprojām var ciest no halucinācijām vai tieksmes vienkārši piekrist lietotājam. Jomās, kur niecīga kļūda var izniekot gadiem ilgu laboratorijas darbu, cilvēka zināšanas joprojām nav apspriežamas . Mašīna ir spēcīgs palīgs, taču tā vēl nevar būt zinātniskās patiesības galīgais tiesnesis, jo tai trūkst abstrakcijas spēju un precizitātes, kas nepieciešama patiesiem avangardiskiem atklājumiem.
Epistemoloģiskais risks: paredzējums pretstatā skaidrojumam
Pastāv arī dziļākas bažas par to, kā mēs uztveram patiesību. Mēs novērojam "melnās kastes" modeļu pieaugumu, kas sniedz neticami precīzas prognozes, bet nevar izskaidrot, kāpēc tās ir pareizas. Tas rada bīstamu spriedzi zinātnē: konfliktu starp prognozēm un skaidrojumiem. Ja mēs paļaujamies tikai uz mākslīgo intelektu, kas saka "šim pacientam ir slimība", nenorādot cēloņsakarību, mēs riskējam nonākt epistemoloģiskas necaurredzamības stāvoklī , kur mums ir atbilde, bet vairs nesaprotam mehānismu.
Tas varētu novest pie vairākiem intelektuāliem slazdiem, piemēram, skaidrojoša dziļuma ilūzijas , kur zinātnieki uzskata, ka saprot parādību tikai tāpēc, ka to paredzēja modelis. Pastāv bažas, ka zinātne varētu pieņemt "aizveries un aprēķini" mentalitāti, piešķirot lietderībai prioritāti pār patiesību. Tas ir īpaši riskanti sociālajās vai biomedicīnas zinātnēs, kur slēptās mākslīgā intelekta neobjektivitātes varētu novest pie kļūdainas valsts politikas vai medicīniskās ārstēšanas, kurai trūkst teorētiska pamata.
Ieskats mākslīgā intelekta spriešanas evolūcijā
Lai saprastu, kur mēs atrodamies, mums jāaplūko, kā mēs šeit nonācām. Ceļojums sākās ar Alana Tjūringa vīzijām 1950. gadā un agrīnajiem neironu tīklu modeļiem 40. gados. Mēs piedzīvojām divas atšķirīgas "mākslīgā intelekta ziemas" , kurās finansējums izsīka, jo aparatūra nespēja atbilst ambīcijām. Pagrieziena punkts bija tādi pagrieziena punkti kā IBM Deep Blue, kas uzvarēja Gariju Kasparovu, un vēlākais dziļās mācīšanās un mākoņdatošanas uzplaukums , kas pavēra ceļu pašreizējai ģeneratīvā mākslīgā intelekta un lielo valodu modeļu ērai.
Pašreizējā virzība uz izskaidrojamo mākslīgo intelektu (XAI) ir mēģinājums atvērt šīs melnās kastes un padarīt algoritmisko spriešanu saprotamu cilvēkiem. Mērķis ir apvienot cēloņsakarību modeļus, kas mums pasaka “kāpēc”, ar paredzošajiem modeļiem, kas mums pasaka “ko”. Apvienojot mākslīgā intelekta aģentu neapstrādāto ātrumu ar cilvēku zinātnieku kritisko intuīciju, mēs virzāmies uz hibrīda pieeju, kurā tehnoloģijas neaizstāj zinātnieku, bet gan paplašina pašu iespējamo atklājumu definīciju.
Mākslīgā intelekta trajektorija zinātnē virzās no vienkāršas datu analīzes uz autonomu aģentu izveidi, kas spēj pārvaldīt visu pētījuma dzīves ciklu. Lai gan risks zaudēt cēloņsakarību izpratni statistiskās prognozēšanas dēļ ir reāls, potenciāls atrisināt atkārtojamības krīzi un paātrināt atklājumus ir nepieredzēts. Galu galā sinerģija starp cilvēka intelektuālo precizitāti un mašīnu skaitļošanas jaudu noteiks, vai mēs vienkārši atradīsim vairāk atbilžu vai arī patiešām dziļāk izpratīsim Visumu.
