https://lat.sputnikportal.rs/20240313/kineski-istrazivaci-na-pragu-stvaranja-pravih-ai-naucnika-1168786210.html
Kineski istraživači na pragu stvaranja „pravih AI naučnika“
Kineski istraživači na pragu stvaranja „pravih AI naučnika“
Sputnik Srbija
Kineski istraživači na pragu su revolucionarnog pristupa razvoju „AI naučnika“, sposobnih za sprovođenje eksperimenata i rešavanje naučnih problema. 13.03.2024, Sputnik Srbija
2024-03-13T15:04+0100
2024-03-13T15:04+0100
2024-03-13T15:04+0100
nauka i tehnologija
nauka i tehnologija
veštačka inteligencija
kina
https://cdn1.img.sputnikportal.rs/img/07e7/0a/16/1162713346_0:365:2345:1684_1920x0_80_0_0_55f5ea8c4ce742d0710c35256d0cef73.jpg
Nedavni napredak u modelima “dubokog učenja” uneo je revoluciju u naučna istraživanja, ali trenutni modeli još imaju problema s tačnim oponašanjem fizičkih interakcija u stvarnom svetu.Modeli dubokog učenjaMeđutim, tim istraživača s Univerziteta u Pekingu i Orijentalnog instituta za tehnologiju (EIT) u Kini razvio je novi okvir za obuku mašina utemeljen na prethodnom znanju, kao što su zakoni fizike ili matematička logika, piše Saut čajna morning post.List navodi da bi takav pristup mogao da dovede do stvaranja "pravih naučnika s veštačkom inteligencijom" koji mogu poboljšati eksperimente i rešiti naučne probleme. Modeli dubokog učenja značajno su uticali na naučna istraživanja otkrivajući odnose u velikim skupovima podataka. Uprkos ovom napretku, trenutni modeli kao što je OpenAI's Sora suočavaju se s ograničenjima u preciznoj simulaciji određenih fizičkih interakcija u stvarnom svetu.Na primer, Sora, model pretvaranja teksta u video, stekao je veliku popularnost zahvaljujući poboljšanom, realističnom prikazu objekata. Međutim, on ne može tačno da modelira osnovne interakcije, na primer smer u kojem se kreće plamen svećica na rođendanskoj torti.Zato istraživači predlažu uključivanje "prethodnog znanja", kao što su zakoni fizike ili matematičke logike, zajedno s podacima za treniranje preciznijih modela mašinskog učenja.Ugrađivanje ljudskog znanja u modele AI može povećati njihovu efikasnost i sposobnost predviđanja. Kako bi rešio ovaj problem, tim je razvio okvir za procenu vrednosti prethodnog znanja i određivanje njegovog uticaja na tačnost modela. Njihov okvir ima za cilj procenu vrednosti znanja pomoću izvedenih pravila, uzimajući u obzir faktore kao što su količina podataka i raspon procene. Sprovodeći kvantitativne eksperimente, istraživači nastoje da razjasne složen odnos između podataka i prethodnog znanja, uključujući zavisnost, sinergiju i efekte zamene.Ovaj model-dijagnostički sistem može da se primeni na različite mrežne arhitekture, pružajući sveobuhvatno razumevanje uloge prethodnog znanja u modelima dubokog učenja.Ljudska intervencijaIstraživači su testirali svoj okvir na modelima za rešavanje višedimenzionalnih jednačina i predviđanje rezultata hemijskih eksperimenata. Otkrili su da je uključivanje prethodnog znanja uveliko poboljšalo rezultat, posebno u naučnim područjima gde je doslednost s zakonima fizike ključna za izbegavanje potencijalno katastrofalnih ishoda. Dugoročno, tim ima za cilj razvijanje modela veštačke inteligencije koji mogu samostalno identifikovati i primeniti relevantno znanje bez ljudske intervencije.Međutim, oni priznaju da se s povećanjem količine podataka u modelu mogu pojaviti problemi kao što je dominacija opštih pravila nad specifičnim lokalnim pravilima, posebno u područjima kao što su biologija i hemija, gde opšta pravila možda nedostaju.Pogledajte i:
kina
Sputnik Srbija
feedback.rs@sputniknews.com
+74956456601
MIA „Rosiya Segodnya“
2024
Sputnik Srbija
feedback.rs@sputniknews.com
+74956456601
MIA „Rosiya Segodnya“
Vesti
sr_RS
Sputnik Srbija
feedback.rs@sputniknews.com
+74956456601
MIA „Rosiya Segodnya“
Sputnik Srbija
feedback.rs@sputniknews.com
+74956456601
MIA „Rosiya Segodnya“
nauka i tehnologija, veštačka inteligencija, kina
nauka i tehnologija, veštačka inteligencija, kina
Kineski istraživači na pragu stvaranja „pravih AI naučnika“
Kineski istraživači na pragu su revolucionarnog pristupa razvoju „AI naučnika“, sposobnih za sprovođenje eksperimenata i rešavanje naučnih problema.
Nedavni napredak u modelima “dubokog učenja” uneo je revoluciju u naučna istraživanja, ali trenutni modeli još imaju problema s tačnim oponašanjem fizičkih interakcija u stvarnom svetu.
Međutim, tim istraživača s Univerziteta u Pekingu i Orijentalnog instituta za tehnologiju (EIT) u Kini razvio je novi okvir za obuku mašina utemeljen na prethodnom znanju, kao što su zakoni fizike ili matematička logika,
piše Saut čajna morning post.
List navodi da bi takav pristup mogao da dovede do stvaranja "pravih naučnika s veštačkom inteligencijom" koji mogu poboljšati eksperimente i rešiti naučne probleme. Modeli dubokog učenja značajno su uticali na naučna istraživanja otkrivajući odnose u velikim skupovima podataka. Uprkos ovom napretku, trenutni modeli kao što je OpenAI's Sora suočavaju se s ograničenjima u preciznoj simulaciji određenih fizičkih interakcija u stvarnom svetu.
Na primer, Sora, model pretvaranja teksta u video, stekao je veliku popularnost zahvaljujući poboljšanom, realističnom prikazu objekata. Međutim, on ne može tačno da modelira osnovne interakcije, na primer smer u kojem se kreće plamen svećica na rođendanskoj torti.
Zato istraživači predlažu uključivanje "prethodnog znanja", kao što su zakoni fizike ili matematičke logike, zajedno s podacima za treniranje preciznijih modela mašinskog učenja.
Ugrađivanje ljudskog znanja u modele AI može povećati njihovu efikasnost i sposobnost predviđanja. Kako bi rešio ovaj problem, tim je razvio okvir za procenu vrednosti prethodnog znanja i određivanje njegovog uticaja na tačnost modela. Njihov okvir ima za cilj procenu vrednosti znanja pomoću izvedenih pravila, uzimajući u obzir faktore kao što su količina podataka i raspon procene. Sprovodeći kvantitativne eksperimente, istraživači nastoje da razjasne složen odnos između podataka i prethodnog znanja, uključujući zavisnost, sinergiju i efekte zamene.
Ovaj model-dijagnostički sistem može da se primeni na različite mrežne arhitekture, pružajući sveobuhvatno razumevanje uloge prethodnog znanja u modelima dubokog učenja.
Istraživači su testirali svoj okvir na modelima za rešavanje višedimenzionalnih jednačina i predviđanje rezultata hemijskih eksperimenata. Otkrili su da je uključivanje prethodnog znanja uveliko poboljšalo rezultat, posebno u naučnim područjima gde je doslednost s zakonima fizike ključna za izbegavanje potencijalno katastrofalnih ishoda. Dugoročno, tim ima za cilj razvijanje modela veštačke inteligencije koji mogu samostalno identifikovati i primeniti relevantno znanje bez ljudske intervencije.
Međutim, oni priznaju da se s povećanjem količine podataka u modelu mogu pojaviti problemi kao što je dominacija opštih pravila nad specifičnim lokalnim pravilima, posebno u područjima kao što su biologija i hemija, gde opšta pravila možda nedostaju.
