3 Minuty
Czołowy badacz AI Thomas Wolf z firmy Hugging Face ostrzega, że obecna generacja dużych modeli językowych raczej nie zrewolucjonizuje nauki i nie przyczyni się do powstania przełomowych odkryć na miarę Nagrody Nobla. Jego zdaniem te systemy sprawdzają się świetnie jako zaawansowani asystenci – pomagając w generowaniu pomysłów, analizie danych, podsumowaniach i przeglądach literatury – ale nie są w stanie tworzyć nowych teorii czy modeli, które zmieniają światopogląd.
Dlaczego popularne chatboty nie sprzyjają przełomom naukowym
Wolf podkreśla, że sedno problemu tkwi w konstrukcji tych narzędzi. Współczesne chatboty AI są zoptymalizowane pod kątem przewidywania najbardziej prawdopodobnego następnego słowa w sekwencji tekstu. To sprawia, że doskonale kończą zdania, streszczają publikacje naukowe i formułują przekonująco brzmiące sugestie – jednak nie są przygotowane do generowania idei, które wykraczają poza powszechne przekonania i mogą im się sprzeciwiać.
Przełomowi naukowcy często prezentują myślenie kontrariańskie – podważają uznane modele i wysuwają zaskakujące, niewielkiego prawdopodobieństwa koncepcje, które okazują się prawdziwe. Przykładem może być Kopernik, który kwestionując dotychczasowy porządek, zaproponował heliocentryczny model wszechświata. W przeciwieństwie do tego współczesne modele AI są „skrzywione” w stronę zgodności z oczekiwaniami użytkownika i utrwalania konsensusu, co znacznie ogranicza kreatywność i krytyczne podejście wymagane do przeprowadzania naukowych przełomów.
AI nie jest magią, lecz niezwykle zdolnym asystentem
Oczywiście nie oznacza to, że sztuczna inteligencja jest bezużyteczna w badaniach. Wolf przewiduje, że narzędzia pokroju ChatGPT staną się nieocenionymi „kopilotami” dla naukowców – przyspieszając przeglądy literatury, sugerując nowe kierunki eksperymentów, automatyzując rutynowe analizy danych i pomagając w syntezie wyników badań.
Przykłady sukcesów już istnieją. Algorytmy pokroju AlphaFold od DeepMind dokonały przełomu w przewidywaniu struktury białek, stając się nieocenionym wsparciem w procesach odkrywania leków. Jednak AlphaFold rozwiązuje jasno zdefiniowane zadania predykcyjne, zamiast tworzyć nowe teorie biologiczne od podstaw.
Odważne prognozy kontra ostrożna praktyka
Sceptycyzm Wolfa zaostrzył się po lekturze opinii innych liderów branży AI, którzy przewidywali błyskawiczny i przełomowy postęp w biologii oraz medycynie dzięki sztucznej inteligencji. Podczas gdy niektórzy przedstawiciele branży zapewniają o możliwości skrócenia dziesięcioleci rozwoju do kilku lat, Wolf zaznacza, że obecne architektury i metody szkolenia dużych modeli czynią takie przyspieszenie niemal nierealnym – chyba że powstaną zupełnie nowe koncepcje pracy z AI.
Potencjalne kierunki rozwoju badań
- Systemy hybrydowe: łączenie rozumowania symbolicznego, modeli uwzględniających przyczynowość oraz pętli sprzężenia z eksperymentami może stworzyć narzędzia lepiej przystosowane do pracy twórczej i odkrywczej.
- „Human-in-the-loop”: wykorzystanie AI do generowania hipotez oraz pozostawienie oceny i weryfikacji ludziom – ze szczególnym naciskiem na sceptycyzm i eksperyment.
- Startupy z ambicjami: firmy takie jak Lila Sciences czy FutureHouse starają się przesunąć zastosowanie AI z poziomu asysty do generowania rzeczywistego wglądu naukowego.
Podsumowując: obecnie sztuczna inteligencja wyśmienicie wzmacnia możliwości badaczy, ale nie zastępuje kreatywności, nieprzewidywalności oraz sceptycyzmu, które są istotą przełomowych odkryć – tych nagradzanych Noblem. Najmądrzejszą strategią jest więc rozwijanie systemów wspierających ludzką intuicję i eksperyment, a nie próby całkowitego zastąpienia naukowców maszynami.
Źródło: cnbc
Zostaw komentarz