Новое исследование изучает, как искусственный интеллект не только лучше предсказывает новые научные открытия, но также может полезно расширять их. Исследователи, опубликовавшие свою работу в журнале Nature Human Behaviour, создали модели, которые могли предсказывать выводы, которые сделает человек, и ученых, которые их сделают.
Авторы также создали модели, которые избегали выводов, сделанных человеком, чтобы генерировать научно перспективные «чужеродные» гипотезы, которые, вероятно, не были бы рассмотрены до далекого будущего, если вообще будут рассматриваться. Они утверждают, что два демонстрационных примера — первый позволяет ускорить человеческое открытие, а второй выявляет и преодолевает его слепые пятна — означают, что искусственный интеллект, ориентированный на человека, позволит двигаться за пределы современных научных границ.
«Если вы внедрите осознание того, что делают люди, вы можете улучшить предсказание и опередить их, чтобы ускорить науку», — говорит соавтор Джеймс А. Эванс, профессор факультета социологии имени Макса Палевского и директор Лаборатории знаний. «Но вы также можете определить, что люди в настоящее время не могут делать или не смогут делать десятилетиями или даже в более отдаленном будущем. Вы можете дополнять их, предоставляя им такой вид дополнительного интеллекта».
Модели искусственного интеллекта, обученные на опубликованных научных открытиях, использовались для изобретения ценных материалов и целевых терапий, но обычно игнорировали распределение ученых, занятых в этом. Исследователи рассмотрели, как люди соревновались и сотрудничали в исследованиях на протяжении истории, потом они задались вопросом, чему можно научиться, если программы искусственного интеллекта будут явно осведомлены об опыте людей. Можем ли мы лучше дополнять коллективную человеческую способность, ища и исследуя те области, которые люди еще не исследовали?
Предсказание будущего открытия
Чтобы проверить этот вопрос, команда сначала симулировала процессы мышления, создавая случайные переходы по научной литературе. Они начинали с какого-либо свойства, например, вакцинации от COVID, затем переходили к статье с таким же свойством, к другой статье того же автора или к материалу, упомянутому в этой статье.
Они запустили миллионы таких случайных переходов, и их модель предложила улучшение предсказания будущих открытий на 400% по сравнению с теми, которые были сфокусированы только на содержании исследований, особенно когда актуальная литература была ограничена. Они также смогли предсказать с точностью более 40% реальных людей, которые сделают каждое из этих открытий, потому что программа знала, что предсказанный человек является одним из немногих, чьи опыт или отношения связывают рассматриваемые свойства и материал.
Эванс называет эту модель «цифровой двойник» научной системы, которая позволяет симулировать то, что скорее всего произойдет в ней, и экспериментировать с альтернативными возможностями. Он объясняет, как это подчеркивает способы, которыми ученые придерживаются методов, свойств и людей, с которыми они имеют опыт работы.
«Это также позволяет нам узнать что-то о системе и ее ограничениях», — говорит он. «Например, в среднем, это предполагает, что некоторые аспекты нашей текущей научной системы, такие как аспирантура, не настроены на открытие. Они настроены на то, чтобы дать людям метку, которая поможет им найти работу, чтобы заполнить рынок труда. Они не оптимизируют открытие новых, технологически значимых вещей. Для этого каждый студент должен быть экспериментатором — переходящим через новые пробелы в ландшафте знаний».
Во второй части работы исследователи попросили модель искусственного интеллекта не делать наиболее вероятные предсказания, которые могут быть обнаружены людьми, а находить научно правдоподобные предсказания, но наименее вероятные для обнаружения людьми.
Исследователи рассматривали их как так называемые «чужеродные» или дополнительные выводы, которые имели три особенности: они редко обнаруживаются людьми; если будут обнаружены, то это не произойдет еще много лет, до того как научные системы перестроятся; и в среднем чужеродные выводы лучше человеческих выводов, вероятно, потому что люди сосредотачиваются на выжимании каждой капли открытий из существующей теории или подхода, прежде чем исследовать новый. Поскольку эти модели избегают связей и конфигураций человеческой научной активности, они исследуют абсолютно новую территорию.
Радикально усиленный интеллект
Эванс объясняет, что рассмотрение искусственного интеллекта как попытки скопировать человеческие способности — основываясь на идее Алана Тьюринга об имитационной игре, где люди являются стандартами интеллекта — не помогает ученым ускорить свою способность решать проблемы. Мы гораздо более вероятно получим пользу от радикального усиления нашего коллективного интеллекта, чем от искусственной репликации.
«Люди в этих областях — наука, технология, культура — они пытаются оставаться близкими к группе», — сказал Эванс. «Вы выживаете, имея влияние, когда другие используют ваши идеи или технологию. И вы максимизируете это, оставаясь близкими к группе. Наши модели дополняют эту предвзятость, создавая алгоритмы, которые следуют сигналам научной правдоподобности, но исключительно избегают толпы».
Использование искусственного интеллекта для выхода за рамки существующих методов и сотрудничества, а не отражение того, что человеческие ученые вероятно будут думать в ближайшем будущем, расширяет возможности человека и поддерживает улучшенное исследование.
«Речь идет об изменении понимания искусственного интеллекта, с искусственного интеллекта до радикально усиленного интеллекта, что требует изучения большего, а не меньшего, об индивидуальной и коллективной познавательной способности», — сказал Эванс. «Когда мы узнаем больше о понимании человека, мы сможем явно проектировать системы, которые компенсируют его ограничения и позволят нам коллективно узнавать больше».