Kínai kutatók „igazi AI-tudósok” létrehozásának küszöbén állnak

A kínai kutatók egy úttörő megközelítés küszöbén állnak a kísérletek elvégzésére és tudományos problémák megoldására képes "mesterséges intelligencia (AI) tudósok" kifejlesztésére. A mély tanulási modellek közelmúltbeli fejleményei forradalmasították a tudományos kutatást, de a jelenlegi modellek még mindig nehezen tudják pontosan utánozni a valós fizikai interakciókat.

A Pekingi Egyetem és a kínai Keleti Technológiai Intézet (EIT) kutatócsoportja azonban új keretrendszert dolgozott ki a gépi tanulási modellek képzésére, amelyek az adatok mellett olyan előzetes ismereteken alapulnak, mint a fizika törvényei vagy a matematikai logika.

Dél-kínai Morning Post beszámol arról, hogy egy ilyen megközelítés „mesterséges intelligenciával rendelkező valódi tudósok” létrejöttéhez vezethet, akik javíthatják a kísérleteket és megoldhatják a tudományos problémákat. A mély tanulási modellek jelentősen befolyásolták a tudományos kutatást azáltal, hogy nagy adathalmazokban tártak fel kapcsolatokat. E fejlesztések ellenére a jelenlegi modellek, például az OpenAI Sora korlátokkal szembesülnek bizonyos fizikai interakciók pontos szimulálásában a való világban.

Például a Sora, egy szöveg-videó modell széles körű népszerűségre tett szert az objektumok továbbfejlesztett, valósághű megjelenítése miatt. Az alapvető kölcsönhatásokat azonban nem tudja pontosan modellezni, például azt, hogy az ünnepi tortán lévő gyertyák lángja milyen irányba mozog.

A kutatók azt javasolják, hogy az „előzetes ismereteket”, például a fizika törvényeit vagy a matematikai logikát vegyék be az adatokkal együtt a pontosabb gépi tanulási modellek képzéséhez.

Az emberi tudás beágyazása a mesterséges intelligencia modellekbe növelheti azok hatékonyságát és előrejelző képességét. A probléma megoldására a csapat kidolgozott egy keretrendszert az előzetes tudás értékének értékelésére és a modell pontosságára gyakorolt ​​hatásának meghatározására. Keretrendszerük célja a tudás értékének értékelése származtatott szabályok segítségével, olyan tényezők figyelembevételével, mint az adatmennyiség és az értékelési tartomány. Kvantitatív kísérletek végzésével a kutatók az adatok és az előzetes tudás közötti összetett összefüggések tisztázására törekszenek, beleértve a függőséget, a szinergiát és a helyettesítési hatásokat.

Ez a modelldiagnosztikai rendszer különféle hálózati architektúrákra alkalmazható, átfogó megértést biztosítva az előzetes tudás szerepéről a mély tanulási modellekben.

A kutatók többdimenziós egyenletek megoldására és kémiai kísérletek eredményeinek előrejelzésére szolgáló modelleken tesztelték keretrendszerüket. Azt találták, hogy az előzetes tudás beépítése nagymértékben javította e modellek teljesítményét, különösen azokon a tudományterületeken, ahol a fizikai törvényekkel való összhang kritikus fontosságú a potenciálisan katasztrofális következmények elkerülése érdekében. Hosszú távon a csapat célja olyan mesterséges intelligencia modellek kifejlesztése, amelyek emberi beavatkozás nélkül képesek önállóan azonosítani és alkalmazni a releváns ismereteket.

Ugyanakkor elismerik, hogy a modellben szereplő adatok mennyiségének növekedésével olyan problémák merülhetnek fel, mint például az általános szabályok dominanciája a konkrét helyi szabályokkal szemben, különösen olyan területeken, mint a biológia és a kémia, ahol hiányozhatnak az általános szabályok.

Olvassa el még:

•  A Cockerill iX páncélozott jármű mesterséges intelligenciát kapott a drónok elleni hatékony harcért
• Mi az az AMD XDNA? Az architektúra, amely a Ryzen processzorok mesterséges intelligenciáját működteti