Kinijos mokslininkai yra ant slenksčio sukurti „tikruosius AI mokslininkus“

Kinijos mokslininkai yra ant novatoriško požiūrio į „dirbtinio intelekto (DI) mokslininkų“, galinčių atlikti eksperimentus ir spręsti mokslines problemas, kūrimo slenkstį. Naujausi gilaus mokymosi modelių pažanga padarė revoliuciją moksliniuose tyrimuose, tačiau dabartiniai modeliai vis dar stengiasi tiksliai imituoti realaus pasaulio fizines sąveikas.

Tačiau mokslininkų komanda iš Pekino universiteto ir Rytų technologijos instituto (EIT) Kinijoje sukūrė naują mašininio mokymosi modelių mokymo sistemą, pagrįstą ankstesnėmis žiniomis, tokiomis kaip fizikos dėsniai ar matematinė logika, kartu su duomenimis.

Pietų Kinijos Morning Post praneša, kad toks požiūris gali paskatinti sukurti „tikruosius dirbtinį intelektą turinčius mokslininkus“, kurie gali pagerinti eksperimentus ir išspręsti mokslines problemas. Giluminio mokymosi modeliai padarė didelę įtaką moksliniams tyrimams, atskleidžiant ryšius dideliuose duomenų rinkiniuose. Nepaisant šios pažangos, dabartiniai modeliai, tokie kaip OpenAI Sora, susiduria su apribojimais tiksliai imituojant tam tikras fizines sąveikas realiame pasaulyje.

Pavyzdžiui, Sora, tekstas į vaizdo įrašą modelis, sulaukė didelio populiarumo dėl patobulinto, tikroviško objektų vaizdavimo. Tačiau jis negali tiksliai modeliuoti pagrindinių sąveikų, pavyzdžiui, krypties, kuria juda žvakių liepsna ant šventinio torto.

Tyrėjai siūlo įtraukti „ankstines žinias“, tokias kaip fizikos dėsniai ar matematinė logika, kartu su duomenimis, kad būtų parengti tikslesni mašininio mokymosi modeliai.

Žmonių žinių įtraukimas į AI modelius gali padidinti jų efektyvumą ir nuspėjamumą. Siekdama išspręsti šią problemą, komanda sukūrė išankstinių žinių vertės įvertinimo ir jų įtakos modelio tikslumui nustatymo sistemą. Jų sistema siekiama įvertinti žinių vertę naudojant išvestines taisykles, atsižvelgiant į tokius veiksnius kaip duomenų apimtis ir vertinimo diapazonas. Atlikdami kiekybinius eksperimentus, mokslininkai siekia išsiaiškinti sudėtingą ryšį tarp duomenų ir ankstesnių žinių, įskaitant priklausomybę, sinergiją ir pakeitimo poveikį.

Ši modelio diagnostikos sistema gali būti taikoma įvairioms tinklo architektūroms, suteikiant visapusišką supratimą apie išankstinių žinių vaidmenį gilaus mokymosi modeliuose.

Mokslininkai išbandė savo sistemą daugiamatėms lygtims spręsti ir cheminių eksperimentų rezultatams nuspėti. Jie nustatė, kad ankstesnių žinių įtraukimas žymiai pagerino šių modelių veikimą, ypač mokslo srityse, kuriose nuoseklumas su fiziniais dėsniais yra labai svarbus siekiant išvengti galimų katastrofiškų padarinių. Ilgainiui komanda siekia sukurti AI modelius, kurie galėtų savarankiškai nustatyti ir pritaikyti atitinkamas žinias be žmogaus įsikišimo.

Tačiau jie pripažįsta, kad didėjant modelio duomenų kiekiui, gali kilti problemų, pavyzdžiui, bendrųjų taisyklių dominavimas prieš konkrečias vietines taisykles, ypač tokiose srityse kaip biologija ir chemija, kur gali trūkti bendrųjų taisyklių.

Taip pat skaitykite:

•  Šarvuotas automobilis Cockerill iX gavo AI už efektyvią kovą su dronais
• Kas yra AMD XDNA? Architektūra, kuri maitina AI „Ryzen“ procesoriuose