Studiuesit kinezë në prag të krijimit të "shkencëtarëve të vërtetë të AI"

Studiuesit kinezë janë në prag të një qasjeje novatore për zhvillimin e "shkencëtarëve të inteligjencës artificiale (AI)" të aftë për të kryer eksperimente dhe për të zgjidhur probleme shkencore. Përparimet e fundit në modelet e të mësuarit të thellë kanë revolucionarizuar kërkimin shkencor, por modelet aktuale ende luftojnë për të imituar me saktësi ndërveprimet fizike të botës reale.

Megjithatë, një ekip studiuesish nga Universiteti i Pekinit dhe Instituti Oriental i Teknologjisë (EIT) në Kinë ka zhvilluar një kornizë të re për trajnimin e modeleve të mësimit të makinerive bazuar në njohuritë e mëparshme, të tilla si ligjet e fizikës ose logjika matematikore, së bashku me të dhënat.

South China Post Morning raporton se një qasje e tillë mund të çojë në krijimin e "shkencëtarëve të vërtetë me inteligjencë artificiale" të cilët mund të përmirësojnë eksperimentet dhe të zgjidhin problemet shkencore. Modelet e të mësuarit të thellë kanë ndikuar ndjeshëm në kërkimin shkencor duke zbuluar marrëdhëniet në grupe të mëdha të dhënash. Pavarësisht këtyre përparimeve, modelet aktuale si Sora e OpenAI përballen me kufizime në simulimin e saktë të ndërveprimeve të caktuara fizike në botën reale.

Për shembull, Sora, një model tekst-në-video, ka fituar popullaritet të gjerë për shkak të përfaqësimit të përmirësuar dhe realist të objekteve. Megjithatë, nuk mund të modelojë me saktësi ndërveprimet bazë, për shembull, drejtimin në të cilin lëviz flaka e qirinjve në tortën e festës.

Studiuesit sugjerojnë përfshirjen e "njohurive paraprake", të tilla si ligjet e fizikës ose logjikën matematikore, së bashku me të dhënat për të trajnuar modele më të sakta të mësimit të makinerive.

Përfshirja e njohurive njerëzore në modelet e AI mund të rrisë efektivitetin dhe aftësinë e tyre parashikuese. Për të zgjidhur këtë problem, ekipi zhvilloi një kornizë për vlerësimin e vlerës së njohurive të mëparshme dhe përcaktimin e ndikimit të saj në saktësinë e modelit. Kuadri i tyre synon të vlerësojë vlerën e njohurive duke përdorur rregulla të nxjerra, duke marrë parasysh faktorë të tillë si vëllimi i të dhënave dhe diapazoni i vlerësimit. Duke kryer eksperimente sasiore, studiuesit kërkojnë të sqarojnë marrëdhënien komplekse midis të dhënave dhe njohurive të mëparshme, duke përfshirë varësinë, sinergjinë dhe efektet e zëvendësimit.

Ky sistem model-diagnostik mund të aplikohet në arkitektura të ndryshme të rrjetit, duke ofruar një kuptim gjithëpërfshirës të rolit të njohurive paraprake në modelet e të mësuarit të thellë.

Studiuesit testuan kornizën e tyre në modele për zgjidhjen e ekuacioneve shumëdimensionale dhe parashikimin e rezultateve të eksperimenteve kimike. Ata zbuluan se përfshirja e njohurive të mëparshme përmirësoi shumë performancën e këtyre modeleve, veçanërisht në fushat shkencore ku konsistenca me ligjet fizike është kritike për të shmangur rezultatet potencialisht katastrofike. Në terma afatgjatë, ekipi synon të zhvillojë modele të AI që mund të identifikojnë dhe zbatojnë në mënyrë të pavarur njohuritë përkatëse pa ndërhyrjen njerëzore.

Megjithatë, ata pranojnë se ndërsa sasia e të dhënave në model rritet, mund të lindin probleme të tilla si dominimi i rregullave të përgjithshme mbi rregullat specifike lokale, veçanërisht në fusha të tilla si biologjia dhe kimia, ku mund të mungojnë rregullat e përgjithshme.

Lexoni gjithashtu:

•  Automjeti i blinduar Cockerill iX mori AI për luftime efektive kundër dronëve
• Çfarë është AMD XDNA? Arkitektura që fuqizon AI në procesorët Ryzen