dumaiПрепринт — материал ещё не прошёл рецензирование
Авторы предлагают ИИ для самостоятельного поиска задач и проверки гипотез
Кратко
Авторы предлагают системы, которые должны сами находить научные вопросы, формулировать гипотезы, проводить или заказывать эксперименты и менять выводы по новым данным. Это концепция и описание архитектуры: количественных результатов, сравнения с другими подходами и доказательств большей эффективности авторы не приводят.
Зачем это знать
Если такой подход удастся воплотить, ИИ сможет участвовать не только в решении готовых задач, но и в полном цикле научного поиска. Сейчас работа помогает сформулировать, какие способности и проверки для этого нужны.
Разбор
Авторы предлагают смотреть на научный поиск не как на цепочку отдельных поручений для ИИ, а как на постоянно меняющееся рабочее состояние исследования. В нём система должна уметь заметить интересную проблему, уточнить вопрос, придумать удобный способ описать объект, выдвинуть гипотезу, вмешаться — например, провести эксперимент через инструмент, — а затем пересмотреть свои идеи с учётом полученных данных. Важная деталь: речь не только о финальном ответе, но и о том, как именно система к нему пришла и что она делает после неудачи.
Эту схему авторы воплотили в архитектуре Zetema. Она должна проверять промежуточные шаги, решать, достаточно ли оснований для следующего эксперимента, сверяться с внешними источниками и переносить полезные исследовательские навыки между разными задачами. Такой подход нужен потому, что обычная оценка ИИ часто смотрит лишь на правильность готового ответа и не показывает, умеет ли модель выбирать следующий разумный шаг в неизвестной ситуации.
Отдельный пример — GALILEO, система для поиска новых терапевтических решений. В ней рассуждения в цифровой среде соединены с роботизированными и ручными лабораторными экспериментами, биологическими данными извне и повторным изменением гипотез и конструкций. Авторы также предлагают оценивать не только итог открытия, но и весь процесс: какие действия система выбрала, насколько хорошо проверяла себя и улучшалась ли её стратегия от задачи к задаче. Однако абстракт не сообщает, какие открытия GALILEO сделала и насколько она лучше существующих методов.
Ключевые цифры
Можно ли доверять
Это препринт с arXiv, а не прошедшая рецензирование журнальная статья. В абстракте нет количественных экспериментов, контрольного сравнения или размера проверенной выборки, поэтому работу стоит воспринимать прежде всего как концептуальную архитектуру и план оценки, а не как доказательство эффективности.
Пересказано ИИ по научной статье. Как это устроено