- Üleminek puhtalt ennustavatelt mudelitelt autonoomsete tehisintellekti agentide poole, mis suudavad jäljendada iteratiivset inimese uurimisprotsessi.
- Kriitiline pinge musta kasti tehisintellekti kõrge ennustustäpsuse ja põhjusliku, selgitatava teadusliku arusaama vajaduse vahel.
- Praeguste õigusteaduste struktuurilised piirangud, millel sageli puudub kindel maailmamudel ja mis tuginevad pigem statistilisele tõenäosusele kui füüsikaseadustele.
Kui me tänapäeval tehisintellektist räägime, on lihtne lasta end kaasa haarata vestlusrobotite ja pildigeneraatorite moest. Oma olemuselt on tehisintellekt aga tohutu tehnoloogiate tööriistakomplekt, mis võimaldab masinatel õppida , arutleda ja lahendada keerulisi ülesandeid, mis kunagi olid ainult inimese intellekti pärusmaa. Arvutiteaduse, statistika, neuroteaduse ja isegi filosoofia ühendamise abil püüab tehisintellekt õpetada arvutitele, kuidas maailmast aru saada, kaoses mustreid märgata ja luua originaalseid ideid , mis võivad ühiskonda edasi viia.
Üks põnevamaid piire praegu on see, kuidas neid tööriistu teaduslikku meetodisse integreeritakse. Me liigume lihtsast andmetöötlusest, näiteks OCR-i kasutamisest segaste dokumentide puhasteks andmeteks muutmiseks, ajastusse, kus tehisintellekt mitte ainult ei abista teadlast, vaid modelleerib ka avastamise protsessi ennast . See on metsik sõit, mis lubab kiirendada kõike alates meditsiinist kuni materjaliteaduseni, kuigi sellega kaasneb ka üsna märkimisväärne filosoofiline pagas.
Ennustavatest jõujaamadest autonoomsete agentideni
Mõnda aega oli teaduses tehisintellekti kuldstandardiks ennustusmudel, mille staar oli AlphaFold. Kasutades ära Protein Data Banki – tohutut teeki, mis on loodud üle poole sajandi inimtöö tulemusel –, suutis AlphaFold lahti murda valkude kolmemõõtmelise struktuuri . See oli tohutu võit, kuid tõi esile kitsaskoha: selline edu nõuab uskumatult palju standardiseeritud ja kvaliteetseid andmeid , mis on haruldane enamikus teadusvaldkondades, kus laboritingimused on erinevad ja tulemused on sageli segased.
Siin tulebki mängu tehisintellekti agentide kontseptsioon. Erinevalt staatilisest mudelist, mis ennustab tulemust, on agent sisuliselt arutlusmootor, mis on varustatud tööriistadega . Need agendid saavad toimida „kaasteadlastena“, juhtides alam-agente hüpoteeside ajurünnakuks, neid eelretsensendi kombel kritiseerides ja parimaid ideid täiustades. Näiteks järeldas üks tehisintellekti süsteem hiljuti, kuidas antibiootikumiresistentsus bakterite vahel levib – järeldus, milleni jõudmiseks oli inimteadlastel kulunud kümme aastat – lihtsalt olemasoleva kirjanduse iteratiivse arutlemise teel.
- Automatiseeritud dokumentatsioon: Agendid lahendavad reprodutseeritavuse kriisi, salvestades iga sammu, mida nad teevad.
- Institutsiooniline mälu: Need loovad tsentraliseeritud teadmiste hoidla, mis hoiab ära andmete kadumise, kui õpilased või teadlased laborist lahkuvad.
- Hüperkiirusega eksperimenteerimine: Võimalus kujundada sadu molekule ja õppida ebaõnnestumistest ühe hommikuga muudab "veidrate" ideede proovimise kulude-tulude analüüsi.
Lõhe matkimise ja tõelise mõistmise vahel
Vaatamata põnevusele on olemas kainestav reaalsus: praegune tehisintellekt käitub sageli nagu õpilane, kes õpib õpiku pähe ilma ainest tegelikult aru saamata. Hiljutised kupraatülijuhtide füüsika testid näitasid, et kuigi tehisintellekt suudab keerukaid töid suurepäraselt kokku võtta, kaotab selle täpsus nüansirikka loogilise arutluskäigu korral . See juhtub seetõttu, et õigusteaduse magistrid (LLM-id) tegutsevad statistilise tõenäosuse alusel – ennustades järgmist tõenäolist sõna –, selle asemel et omada kindlat maailmamudelit, mis põhineb füüsikaseadustel.
See intuitsiooni puudumine tähendab, et tehisintellektil võib endiselt esineda hallutsinatsioone või kalduvust kasutajaga lihtsalt nõustuda. Valdkondades, kus pisike viga võib raisata aastaid laboritööd, jääb inimese asjatundlikkus vaieldamatuks . Masin on võimas abiline, kuid see ei saa veel olla teadusliku tõe lõplik otsustaja, sest sellel puudub abstraktsioonivõime ja tõelise avastuse jaoks vajalik rangus.
Epistemoloogiline risk: ennustamine vs. selgitamine
Samuti on sügavam mure seoses sellega, kuidas me tõde tajume. Me näeme nn musta kasti mudelite sagenemist, mis annavad uskumatult täpseid ennustusi, kuid ei suuda selgitada, miks need on õiged. See loob teaduses ohtliku pinge: konflikti ennustamise ja seletuse vahel. Kui me toetume ainult tehisintellektile, mis ütleb, et "sellel patsiendil on haigus", ilma põhjuslikku põhjust esitamata, riskime sattuda epistemoloogilisse läbipaistmatusse seisundisse , kus meil on vastus, kuid me ei mõista enam mehhanismi.
See võib viia mitmete intellektuaalsete lõksudeni, näiteks selgitusliku sügavuse illusioonini , kus teadlased usuvad, et nad mõistavad nähtust ainult seetõttu, et mudel seda ennustas. On hirm, et teadus võib omaks võtta „ole vait ja arvuta“ mentaliteedi, seades kasulikkuse tõe ettepoole. See on eriti riskantne sotsiaal- või biomeditsiiniteadustes, kus tehisintellekti varjatud eelarvamused võivad viia vigaste avalike poliitikate või meditsiiniliste ravimeetoditeni, millel puudub teoreetiline alus.
Pilguheit tehisintellekti arutluskäigu arengusse
Et mõista, kus me oleme, peame vaatama, kuidas me siia jõudsime. Teekond algas Alan Turingi visioonidega 1950. aastal ja varajaste närvivõrgumudelitega 40ndatel. Läbisime kaks selgelt eristuvat „tehisintellekti talve“ , kus rahastamine kuivas kokku, sest riistvara ei suutnud ambitsioonidega sammu pidada. Otsekohene olukord pöördus selliste verstapostidega nagu IBM-i Deep Blue alistas Garri Kasparovi ning hilisem süvaõppe ja pilvandmetöötluse plahvatuslik kasv , mis sillutas teed praegusele generatiivse tehisintellekti ja suurte keelte mudelite ajastule.
Praegune püüdlus seletatava tehisintellekti (XAI) poole on katse avada need mustad kastid ja muuta algoritmiline arutluskäik inimestele arusaadavaks. Eesmärk on ühendada põhjuslikud mudelid – mis ütlevad meile „miks“ – ennustavate mudelitega – mis ütlevad meile „mida“. Kombineerides tehisintellekti agentide toore kiiruse inimteadlaste kriitilise intuitsiooniga, liigume hübriidse lähenemisviisi poole, kus tehnoloogia ei asenda teadlast, vaid laiendab avastamisvõimaluste definitsiooni.
Tehisintellekti trajektoor teaduses liigub lihtsast andmeanalüüsist autonoomsete agentide loomise poole, mis on võimelised haldama kogu uurimistöö elutsüklit. Kuigi põhjusliku arusaama kaotamise oht statistilise ennustamise arvelt on reaalne, on reprodutseeritavuse kriisi lahendamise ja avastamise kiirendamise potentsiaal enneolematu. Lõppkokkuvõttes määrab inimese intellektuaalse ranguse ja masina arvutusvõimsuse sünergia , kas me lihtsalt leiame rohkem vastuseid või mõistame universumit tegelikult sügavamalt.
