ເພື່ອໃຫ້ໄດ້ຮັບການຍອມຮັບໃນລະດັບໂນແບລ, AI ຕ້ອງການຄວາມສາມາດໃນການປະເມີນຕົນເອງ ແລະ ປັບຂະບວນການຫາເຫດຜົນຂອງຕົນເອງ - ຮູບພາບ: VNU
ອີງຕາມວາລະສານ Nature, ໃນຊຸມປີມໍ່ໆມານີ້, ປັນຍາປະດິດ (AI) ໄດ້ສະແດງໃຫ້ເຫັນເຖິງຄວາມສາມາດໃນການວິເຄາະຂໍ້ມູນ, ອອກແບບການທົດລອງ ແລະ ສ້າງສົມມຸດຕິຖານ ທາງວິທະຍາສາດ ໃໝ່, ເຊິ່ງເຮັດໃຫ້ນັກຄົ້ນຄວ້າຫຼາຍຄົນເຊື່ອວ່າມື້ໜຶ່ງ AI ສາມາດແຂ່ງຂັນກັບຈິດໃຈທີ່ສະຫຼາດທີ່ສຸດໃນວິທະຍາສາດ, ແມ່ນແຕ່ບັນລຸການຄົ້ນພົບທີ່ສົມຄວນກັບລາງວັນໂນແບລ.
"ປັນຍາປະດິດ (AI) ອາດຈະໄດ້ຮັບລາງວັນໂນແບລດ້ວຍຕົວມັນເອງພາຍໃນປີ 2030."
ໃນປີ 2016, ນັກຊີວະວິທະຍາ Hiroaki Kitano, CEO ຂອງ Sony AI, ໄດ້ເປີດຕົວ "ສິ່ງທ້າທາຍໂນເບວ Turing" - ການຮຽກຮ້ອງໃຫ້ພັດທະນາລະບົບ AI ທີ່ສະຫຼາດພໍທີ່ຈະຄົ້ນພົບວິທະຍາສາດທີ່ໄດ້ຮັບລາງວັນໂນເບວໄດ້ຢ່າງເປັນອິດສະຫຼະ. ໂຄງການດັ່ງກ່າວມີຈຸດປະສົງເພື່ອໃຫ້ "ນັກວິທະຍາສາດ AI" ສາມາດສ້າງສົມມຸດຕິຖານ, ວາງແຜນການທົດລອງ ແລະ ວິເຄາະຂໍ້ມູນໄດ້ຢ່າງເປັນອິດສະຫຼະພາຍໃນປີ 2050, ໂດຍບໍ່ມີການແຊກແຊງຂອງມະນຸດ.
ນັກຄົ້ນຄວ້າ Ross King ຈາກມະຫາວິທະຍາໄລ Cambridge (ອັງກິດ) ເຊື່ອວ່າຈຸດສຳຄັນດັ່ງກ່າວສາມາດບັນລຸໄດ້ໄວກວ່ານີ້: "ເກືອບແນ່ນອນວ່າລະບົບ AI ຈະບັນລຸລະດັບທີ່ໄດ້ຮັບລາງວັນໂນແບລ. ຄຳຖາມແມ່ນພຽງແຕ່ວ່າມັນຈະເປັນເວລາ 50 ປີ ຫຼື 10 ປີ."
ເຖິງຢ່າງໃດກໍ່ຕາມ, ຜູ້ຊ່ຽວຊານຫຼາຍຄົນຍັງຄົງລະມັດລະວັງ. ພວກເຂົາໂຕ້ຖຽງວ່າຮູບແບບ AI ໃນປະຈຸບັນແມ່ນອີງໃສ່ຂໍ້ມູນ ແລະ ຄວາມຮູ້ທີ່ມີຢູ່ແລ້ວເປັນຫຼັກ, ແທນທີ່ຈະສ້າງຄວາມເຂົ້າໃຈໃໝ່ຢ່າງແທ້ຈິງ. ນັກຄົ້ນຄວ້າ Yolanda Gil (ມະຫາວິທະຍາໄລພາກໃຕ້ຂອງລັດຄາລິຟໍເນຍ, ສະຫະລັດອາເມລິກາ) ໄດ້ໃຫ້ຄວາມເຫັນວ່າ: "ຖ້າ ລັດຖະບານ ລົງທຶນ 1 ຕື້ໂດລາໃນການຄົ້ນຄວ້າຂັ້ນພື້ນຖານໃນມື້ອື່ນ, ຄວາມຄືບໜ້າອາດຈະເລັ່ງຂຶ້ນ, ແຕ່ພວກເຮົາຍັງຢູ່ໄກຈາກເປົ້າໝາຍນັ້ນ."
ມາຮອດປະຈຸບັນ, ມີພຽງແຕ່ມະນຸດ ແລະ ອົງກອນຕ່າງໆເທົ່ານັ້ນທີ່ໄດ້ຮັບລາງວັນໂນແບລ. ເຖິງຢ່າງໃດກໍ່ຕາມ, AI ໄດ້ປະກອບສ່ວນໂດຍທາງອ້ອມ: ໃນປີ 2024, ລາງວັນໂນແບລສາຂາຟີຊິກສ໌ໄດ້ຖືກມອບໃຫ້ຜູ້ບຸກເບີກໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ; ໃນປີດຽວກັນ, ເຄິ່ງໜຶ່ງຂອງລາງວັນເຄມີສາດໄດ້ໃຫ້ກຽດແກ່ທີມງານທີ່ພັດທະນາ AlphaFold - ລະບົບ AI ຂອງ Google DeepMind ທີ່ຄາດຄະເນໂຄງສ້າງ 3D ຂອງໂປຣຕີນ. ແຕ່ລາງວັນເຫຼົ່ານີ້ໃຫ້ກຽດແກ່ຜູ້ສ້າງ AI, ບໍ່ແມ່ນການຄົ້ນພົບທີ່ AI ເຮັດ.
ເພື່ອໃຫ້ສົມຄວນໄດ້ຮັບລາງວັນໂນເບວ, ອີງຕາມມາດຖານຂອງຄະນະກຳມະການໂນເບວ, ການຄົ້ນພົບຕ້ອງເປັນປະໂຫຍດ, ມີຜົນກະທົບຢ່າງກວ້າງຂວາງ, ແລະເປີດຊ່ອງທາງຄວາມເຂົ້າໃຈໃໝ່ໆ. "ນັກວິທະຍາສາດ AI" ທີ່ມີຈຸດປະສົງເພື່ອຕອບສະໜອງຄວາມຕ້ອງການນີ້ຕ້ອງເຮັດວຽກເກືອບທັງໝົດໂດຍອັດຕະໂນມັດ - ຕັ້ງແຕ່ການສ້າງຄຳຖາມ ແລະ ການເລືອກການທົດລອງ ຈົນເຖິງການວິເຄາະຜົນໄດ້ຮັບ.
ໃນຄວາມເປັນຈິງ, AI ໄດ້ມີສ່ວນຮ່ວມໃນເກືອບທຸກດ້ານຂອງການຄົ້ນຄວ້າ. ເຄື່ອງມືໃໝ່ຊ່ວຍຖອດລະຫັດສຽງສັດ, ຄາດຄະເນການປະທະກັນລະຫວ່າງດວງດາວ, ຫຼື ລະບຸຈຸລັງພູມຕ້ານທານທີ່ມີຄວາມສ່ຽງໃນ COVID-19. ທີ່ມະຫາວິທະຍາໄລ Carnegie Mellon, ທີມງານຂອງນັກເຄມີ Gabe Gomes ໄດ້ພັດທະນາ "Coscientist" - ລະບົບທີ່ໃຊ້ຮູບແບບພາສາຂະໜາດໃຫຍ່ (LLM) ເພື່ອວາງແຜນ ແລະ ປະຕິບັດປະຕິກິລິຍາເຄມີໂດຍອັດຕະໂນມັດໂດຍໃຊ້ອຸປະກອນຫຸ່ນຍົນ.
ບາງບໍລິສັດ, ເຊັ່ນ Sakana AI ໃນໂຕກຽວ, ກຳລັງຊອກຫາວິທີການອັດຕະໂນມັດການຄົ້ນຄວ້າການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍໃຊ້ LLM, ໃນຂະນະທີ່ Google ກຳລັງທົດລອງໃຊ້ chatbot ຮ່ວມມືເພື່ອສ້າງແນວຄວາມຄິດທາງວິທະຍາສາດ. ໃນສະຫະລັດ, ຫ້ອງທົດລອງ FutureHouse ໃນ San Francisco ກຳລັງພັດທະນາຮູບແບບ "ການຄິດ" ແບບເທື່ອລະຂັ້ນຕອນເພື່ອຊ່ວຍໃຫ້ AI ຖາມຄຳຖາມ, ທົດສອບສົມມຸດຕິຖານ, ແລະອອກແບບການທົດລອງ - ກ້າວໄປສູ່ລຸ້ນທີສາມຂອງ "AI ໃນວິທະຍາສາດ".
ອີງຕາມທ່ານ Sam Rodriques ຜູ້ອຳນວຍການ FutureHouse, AI ລຸ້ນສຸດທ້າຍຈະສາມາດສ້າງຄຳຖາມ ແລະ ດຳເນີນການທົດລອງໄດ້ຢ່າງອິດສະຫຼະໂດຍບໍ່ມີການຊີ້ນຳຈາກມະນຸດ. ລາວຄາດຄະເນວ່າ "AI ສາມາດສ້າງການຄົ້ນພົບທີ່ສົມຄວນໄດ້ຮັບລາງວັນໂນແບລໄດ້ພາຍໃນປີ 2030." ຂົງເຂດທີ່ມີຄວາມຫວັງທີ່ສຸດແມ່ນວິທະຍາສາດວັດສະດຸ ແລະ ການຄົ້ນຄວ້າກ່ຽວກັບພະຍາດ Parkinson ຫຼື Alzheimer.
AI ເຮັດໃຫ້ນັກວິທະຍາສາດໜຸ່ມສູນເສຍໂອກາດໃນການຮຽນຮູ້ບໍ?
ນັກວິທະຍາສາດຄົນອື່ນໆໄດ້ສະແດງຄວາມສົງໄສ. Doug Downey (ສະຖາບັນ Allen AI, Seattle) ກ່າວວ່າການທົດສອບ "ຕົວແທນ AI" 57 ຄົນສະແດງໃຫ້ເຫັນວ່າມີພຽງ 1% ເທົ່ານັ້ນທີ່ສາມາດເຮັດສຳເລັດໂຄງການຄົ້ນຄວ້າໄດ້ຢ່າງສົມບູນ - ຕັ້ງແຕ່ແນວຄວາມຄິດຈົນເຖິງລາຍງານຜົນໄດ້ຮັບ. ລາວກ່າວວ່າ: " ການຄົ້ນພົບ ທາງວິທະຍາສາດແບບອັດຕະໂນມັດຕັ້ງແຕ່ຕົ້ນຈົນຈົບຍັງຄົງເປັນສິ່ງທ້າທາຍອັນໃຫຍ່ຫຼວງ."
ຍິ່ງໄປກວ່ານັ້ນ, ຮູບແບບ AI ຍັງບໍ່ເຂົ້າໃຈກົດໝາຍຂອງທຳມະຊາດຢ່າງແທ້ຈິງ. ການສຶກສາໜຶ່ງສະແດງໃຫ້ເຫັນວ່າຮູບແບບສາມາດຄາດເດົາວົງໂຄຈອນຂອງດາວເຄາະໄດ້ ແຕ່ຂາດກົດໝາຍທາງກາຍະພາບທີ່ຄວບຄຸມ; ຫຼືມັນສາມາດນຳທາງເມືອງໄດ້ ແຕ່ບໍ່ສາມາດສ້າງແຜນທີ່ທີ່ຖືກຕ້ອງໄດ້. ອີງຕາມຜູ້ຊ່ຽວຊານ Subbarao Kambampati (ມະຫາວິທະຍາໄລລັດ Arizona), ສິ່ງນີ້ສະແດງໃຫ້ເຫັນວ່າ AI ຂາດປະສົບການໃນໂລກຕົວຈິງທີ່ມະນຸດມີ.
Yolanda Gil ໂຕ້ຖຽງວ່າ ເພື່ອໃຫ້ບັນລຸການຮັບຮູ້ລາງວັນໂນແບລ, AI ຕ້ອງການຄວາມສາມາດໃນການ "ຄິດກ່ຽວກັບການຄິດ" - ນັ້ນຄື, ການປະເມີນຕົນເອງ ແລະ ປັບຂະບວນການໃຊ້ເຫດຜົນຂອງຕົນເອງ. ອີງຕາມ Gil, ຖ້າບໍ່ມີການລົງທຶນໃນຂົງເຂດການຄົ້ນຄວ້າພື້ນຖານນີ້, "ການຄົ້ນພົບທີ່ສົມຄວນໄດ້ຮັບລາງວັນໂນແບລຈະຍັງຄົງຢູ່ໄກ."
ໃນຂະນະດຽວກັນ, ນັກວິຊາການບາງຄົນເຕືອນກ່ຽວກັບອັນຕະລາຍຂອງການເພິ່ງພາ AI ຫຼາຍເກີນໄປໃນວິທະຍາສາດ. ບົດລາຍງານໃນປີ 2024 ໂດຍ Lisa Messeri (ມະຫາວິທະຍາໄລ Yale) ແລະ Molly Crockett (ມະຫາວິທະຍາໄລ Princeton) ໂຕ້ຖຽງວ່າການໃຊ້ AI ຫຼາຍເກີນໄປອາດຈະເພີ່ມຄວາມຜິດພາດ ແລະ ຫຼຸດຜ່ອນຄວາມຄິດສ້າງສັນ, ຍ້ອນວ່ານັກວິທະຍາສາດ "ຜະລິດຫຼາຍຂຶ້ນແຕ່ເຂົ້າໃຈໜ້ອຍລົງ."
ທ່ານ Messeri ກ່າວຕື່ມວ່າ: "AI ອາດຈະປຸ້ນໂອກາດການຮຽນຮູ້ຂອງນັກວິທະຍາສາດໜຸ່ມ - ໂອກາດທີ່ຖ້າບໍ່ດັ່ງນັ້ນຈະນໍາໄປສູ່ລາງວັນໃຫຍ່ໃນອະນາຄົດ. ດ້ວຍງົບປະມານການຄົ້ນຄວ້າທີ່ຫຼຸດລົງ, ນີ້ແມ່ນເວລາທີ່ໜ້າເປັນຫ່ວງທີ່ຈະພິຈາລະນາຄ່າໃຊ້ຈ່າຍໃນອະນາຄົດນັ້ນ."
ແຫຼ່ງຂໍ້ມູນ: https://tuoitre.vn/ngay-ai-giai-nobel-se-khong-con-xa-20251007123831679.htm
(0)