Veled is előfordult már, hogy egyszer csak összeállt a kép a fejedben, és jött a heuréka-élmény? Na, most képzeld el, hogy ugyanez kezd megtörténni egy algoritmussal is. Az úgynevezett automatizált tudomány olyan kutatási módszer, amely minimális emberi beavatkozás mellett zajlik: robotika és mesterséges intelligencia végzi a kísérleteket, és ugyanez elemzi az adatokat is, mindezt azért, hogy hatékonyabbak és pontosabbak legyenek a tudományos felfedezések. Alig beszél róla valaki, pedig szerintem ez az a terület, ami a legkisebb médiafigyelem mellett a legnagyobb hatással lehet arra, ahogyan a következő években tudást termelünk.
Hogy miért pont most került ez fókuszba? 2022 körül, amikor a nagy nyelvmodellek berobbantak, sokan legyintettek: ezek csak papagájok, amik kicsit véletlenszerűen kombinálják azt, amit betápláltak nekik, tehát definíció szerint nem tudnak semmi újat mondani. Erre válaszul jött létre a Humanity’s Last Exam nevű benchmark: 3000 kifejezetten nehéz, tudományos kérdés, amikre még a terület legjobb szakértői is épphogy tudták a választ. A modellek eleinte 1-2 százalékon teljesítettek rajta, ma már van, aki 65 százalékot mond. De az igazi próba nem maga a teszt, hanem az, hogy létre tud-e hozni a gép olyan tudást, amit korábban senki nem ismert és ezt utána be is kell bizonyítani. Matematikában ez viszonylag egyszerű: ha valaki gyorsan átlátja, hogy a megoldás helyes, kész is a bizonyíték. Kémiában vagy fizikában ez sokkal bonyolultabb, mert a kísérletet a valóságban is le kell futtatni, ez pedig épp az a szűk keresztmetszet, amit az automatizált, robotokkal futtatott kísérletek próbálnak feloldani.
És itt jönnek a látványos történetek. Az AlphaFoldot fejlesztő DeepMind-kutatók Nobel-díjat kaptak, mert olyan modellt építettek, ami közvetlenül tudja szimulálni a szerves kémiai vegyületek viselkedését, így nem kell 10 000 gyógyszert kipróbálni 100 000 egéren ahhoz, hogy találjunk két esélyes jelöltet, amit aztán embereken is tesztelhetünk. A matematikában pedig sorra dőlnek meg a több évtizede nyitott Erdős-problémák: van, amit egy nyelvmodell-rendszer teljesen önállóan oldott meg, és van, amit Terence Tao-val, a világ egyik legnagyobb élő matematikusával közösen. Ez az a pillanat, amikor tényleg elmondhatjuk: olyan tudás jött létre, amiről biztosan tudjuk, hogy korábban nem volt meg és mindezt egyre kevesebb emberi kéz, egyre több automatizált rendszer hozza létre.
A legizgalmasabb talán az, hogy a mesterséges intelligencia most már saját magát is kutatja. Egy nyelvimodellnek ki lehet adni feladatul, hogy dolgozzon ki jobb tréningeljárást egy másik, még ütősebb nyelvimodell felépítéséhez. Ez egy önreferens spirál, akinek most a legjobb modellje van, az tudja a legjobban megépíteni a következő generációt is. Innen már csak egy lépés az a félelem, hogy egyszer majd öntudatra ébred a rendszer, vagy legalábbis egyre nehezebb lesz kordában tartani, merre fejlődik. Mindez ráadásul geopolitikailag is feszült terep, és a kvantumszámítás egyelőre még be sem robbant igazán. Szóval a jogos aggodalom megvan, a kérdés csak az, meddig jutunk el ezzel, és mennyire tudjuk kézben tartani azt, amit elindítottunk.
A cikk alapját Dr. Szabados Levente, a Neuron Solutions társalapítója, a Frankfurt School of Finance and Management docense, adattudó, teológus gondolatai adták.
Ne maradjon le a mesterséges intelligencia legújabb megoldásairól!
Kérje blogértesítőnket, és legyen mindig naprakész korunk legfontosabb technológiájával kapcsolatban!
