Παραδόξως, το κινεζικό μοντέλο τεχνητής νοημοσύνης ανακαλύπτει φυσικούς νόμους όπως οι άνθρωποι

Το μοντέλο Τεχνητής Νοημοσύνης-Νεύτωνα της Κίνας εκπλήσσει με την ικανότητά του να αντλεί κανόνες από ακατέργαστα δεδομένα, ανοίγοντας νέες κατευθύνσεις για την επιστημονική έρευνα.

Από πειραματικά δεδομένα, το κινεζικό μοντέλο τεχνητής νοημοσύνης μπορεί να μάθει φυσική όπως οι άνθρωποι - Εικονογράφηση: hpcwire.com

Σύμφωνα με το Nature, ένα νέο κινεζικό μοντέλο τεχνητής νοημοσύνης, που ονομάζεται AI-Newton, έχει δείξει την ικανότητα να « ανακαλύπτει » φυσικές αρχές από ακατέργαστα πειραματικά δεδομένα - συμπεριλαμβανομένου του δεύτερου νόμου του Νεύτωνα σχετικά με τη σχέση μεταξύ μάζας, δύναμης και επιτάχυνσης.

Η ομάδα του Πανεπιστημίου του Πεκίνου δήλωσε ότι το μοντέλο μιμείται τον τρόπο με τον οποίο οι άνθρωποι ασχολούνται με την επιστήμη : σταδιακά δημιουργώντας ένα απόθεμα εννοιών και νόμων από δεδομένα. Εντοπίζοντας χρήσιμες έννοιες, η Τεχνητή Νοημοσύνη-Νεύτωνας μπορεί να αντλήσει γνώση χωρίς να είναι προγραμματισμένη εκ των προτέρων.

Σύμφωνα με τον επιστήμονα υπολογιστών Keyon Vafa (Πανεπιστήμιο Χάρβαρντ), αυτό το σύστημα χρησιμοποιεί «συμβολική παλινδρόμηση» (SR) - μια μέθοδο εύρεσης της καλύτερης μαθηματικής εξίσωσης για την περιγραφή ενός φυσικού φαινομένου. Αυτή θεωρείται μια πιθανή προσέγγιση για επιστημονική ανακάλυψη επειδή το μοντέλο έχει σχεδιαστεί για να συνάγει έννοιες από μόνο του.

Η ομάδα του Πανεπιστημίου του Πεκίνου χρησιμοποίησε έναν προσομοιωτή για να δημιουργήσει δεδομένα από 46 πειράματα σχετικά με την ελεύθερη κίνηση, τις συγκρούσεις, τις ταλαντώσεις και τα συστήματα που μοιάζουν με εκκρεμές, και εισήγαγε σκόπιμα σφάλματα για να αντικατοπτρίσει δεδομένα του πραγματικού κόσμου.

Για παράδειγμα, στον AI-Newton δόθηκε μόνο η θέση μιας μπάλας σε σχέση με τον χρόνο και του ζητήθηκε να βρει μια εξίσωση που να περιγράφει τη σχέση μεταξύ των δύο μεγεθών. Το μοντέλο εξήγαγε την εξίσωση ταχύτητας. Από εκεί, στην επόμενη εργασία, συνέχισε να χρησιμοποιεί τον δεύτερο νόμο του Νεύτωνα για να συμπεράνει τη μάζα της μπάλας. Αυτά τα αποτελέσματα δεν έχουν ακόμη αξιολογηθεί από ομοτίμους.

Έχουν γίνει προσπάθειες να διδαχθεί η τεχνητή νοημοσύνη να εξάγει φυσικούς νόμους στο παρελθόν. Το 2019, μια ομάδα στο ETH Zurich ανέπτυξε το «AI Copernicus», ένα νευρωνικό δίκτυο που συνήγαγε πλανητικές τροχιές από παρατηρησιακά δεδομένα, αλλά οι άνθρωποι έπρεπε να ερμηνεύσουν τις εξισώσεις.

Ο Βάφα και οι συνάδελφοί του στο MIT πειραματίστηκαν επίσης με θεμελιώδη μοντέλα όπως το GPT, το Claude ή το Llama: όταν εκπαιδεύτηκαν να προβλέπουν τις πλανητικές θέσεις, έμαθαν μόνο να αναπαράγουν τροχιές, αλλά συμπέραναν έναν άνευ νοήματος «νόμο της βαρύτητας» όταν τους ζητήθηκε να εξαγάγουν τη δύναμη που διέπει την κίνηση.

Σύμφωνα με τον Vafa, «ένα γλωσσικό μοντέλο που έχει εκπαιδευτεί να προβλέπει τα αποτελέσματα ενός πειράματος φυσικής δεν θα κωδικοποιεί έννοιες με τον ίδιο απλό, συνοπτικό τρόπο όπως οι άνθρωποι, αλλά συχνά θα δημιουργεί μια μη διαισθητική αναπαράσταση».

Οι ειδικοί λένε ότι η Τεχνητή Νοημοσύνη που μπορεί να συναγάγει νόμους είναι χρήσιμη, αλλά για να κάνουν πραγματικά ανεξάρτητες επιστημονικές ανακαλύψεις, πρέπει να συμμετάσχουν σε περισσότερα βήματα: ορισμό ενός προβλήματος, πρόταση πειραμάτων, ανάλυση δεδομένων και δοκιμή υποθέσεων.

Σύμφωνα με τον David Powers (Πανεπιστήμιο Flinders), η πειραματική επιστήμη απαιτεί τον εντοπισμό βασικών μεταβλητών και τη διεξαγωγή συστηματικών πειραμάτων.

Ο φυσικός Yan-Qing Ma του Πανεπιστημίου του Πεκίνου συμφωνεί ότι η Τεχνητή Νοημοσύνη-Νεύτωνας απέχει πολύ από αυτό, αλλά τονίζει ότι το μοντέλο θα μπορούσε να ανοίξει το δρόμο για μελλοντικά συστήματα Τεχνητής Νοημοσύνης που θα μπορούν να χρησιμοποιούν πραγματικά δεδομένα για να ανακαλύπτουν μόνα τους νέους φυσικούς νόμους.

Η ομάδα δοκιμάζει τώρα την εφαρμογή του στις κβαντικές θεωρίες.

Επιστροφή στο θέμα

ΒΝΑ

Πηγή: https://tuoitre.vn/bat-ngo-mo-hinh-ai-trung-quoc-tu-kham-pha-dinh-luat-vat-ly-nhu-nguoi-20251116121246359.htm