Resim kaynağı: Unbounded AI aracı tarafından oluşturulmuştur
Eşi benzeri görülmemiş sıcak hava dalgaları, orman yangınları ve sellerin dünyanın dört bir yanındaki ülkeleri vurduğu bir başka aşırı hava yazı. Yarı iletken devi Nvidia, bu tür aşırı hava koşullarını doğru bir şekilde tahmin etme zorluğunu karşılamak için tüm gezegenin yapay zeka destekli "dijital ikizlerini" inşa ediyor.
Earth-2 adlı dijital ikiz, FourCastNet'in tahminlerini kullanacak. FourCastNet, önümüzdeki iki hafta için hava durumunu mevcut tahmin yöntemlerinden daha hızlı ve daha doğru bir şekilde tahmin etmek için onlarca terabayt Dünya sistem verisini kullanan bir yapay zeka modelidir.
Tipik bir hava tahmin sistemi, önümüzdeki hafta için yaklaşık 50 tahmin üretebilir. Ve FourCastNet, nadir fakat ölümcül afet risklerini doğru bir şekilde yakalayarak binlerce olasılığı tahmin edebilir ve savunmasız nüfuslara hazırlanmaları ve tahliyeleri için değerli zaman verir.
İklim modellemede uzun zamandır beklenen devrim sadece bir başlangıç. Yapay zekanın ortaya çıkışıyla birlikte, bilim daha heyecan verici hale gelmek üzere ve bazı açılardan tanınması daha da zor. Bu değişimin etkileri laboratuvarın çok ötesine geçecek; hepimizi etkileyecekler.
Yapay zekanın yenilikçi kullanımları için sağlam düzenlemeler ve uygun destekle bilimin en acil sorunlarını ele almak için doğru stratejiyi benimsersek, yapay zeka bilimsel süreci yeniden yazabilir. Yapay zeka destekli araçların bizi yalnızca akılsız ve zaman alıcı iş gücünden kurtarmakla kalmayıp, aynı zamanda yaratıcı buluşlara ve keşiflere yönlendirerek aksi takdirde başarılması onlarca yıl alacak olan atılımları teşvik ettiği bir gelecek inşa edebiliriz.
Son aylarda yapay zeka, büyük dil modelleri veya LLM'lerle neredeyse eşanlamlı hale geldi, ancak bilimde daha da büyük etkiye sahip olabilecek birçok farklı model mimarisi var. Son on yılda bilimdeki ilerlemenin çoğu, belirli sorunlara odaklanan küçük "klasik" modeller aracılığıyla yapılmıştır. Bu modeller derin gelişmelere yol açmıştır. Daha yakın zamanlarda, alanlar arası bilgi ve üretken yapay zekayı birleştirmeye başlayan büyük ölçekli derin öğrenme modelleri, mümkün olanın kapsamını genişletti.
Örneğin, McMaster Üniversitesi ve Massachusetts Institute of Technology'deki bilim adamları, Dünya Sağlık Örgütü'nün hastane hastaları için dünyanın en tehlikeli antibiyotiğe dirençli bakterilerinden biri olduğunu söylediği bir patojenle savaşmak için antibiyotikleri belirlemek üzere yapay zeka modellerini kullandılar. Ek olarak, Google'ın DeepMind modeli, nükleer füzyon reaksiyonlarında plazmayı kontrol ederek bizi temiz enerji devrimine yaklaştırabilir. Sağlık hizmetlerinde ise ABD Gıda ve İlaç İdaresi, yüzde 75'i radyolojide kullanılan yapay zeka kullanan 523 cihazı onayladı.
Bilimi Yeniden Tasarlamak
Temel olarak, ilkokulda öğrendiğimiz bilimsel süreç aynı kalacak: arka plan araştırması yapmak, bir hipotez belirlemek, bunu bir deneyle test etmek, toplanan verileri analiz etmek ve bir sonuca varmak. Ancak yapay zeka, bu bileşenlerin gelecekte nasıl görüneceğini kökten değiştirme potansiyeline sahip.
AI, bazı bilim adamlarının literatür incelemeleri yapma şeklini şimdiden değiştiriyor. PaperQA ve Elicit gibi araçlar, makale veritabanlarını taramak ve alıntılar da dahil olmak üzere mevcut literatürün kısa ve doğru özetlerini üretmek için LLM'lerden yararlanır.
Literatür taraması tamamlandıktan sonra, bilim adamları test edilecek hipotezler kurarlar. LLM'lerin temel işi, bir cümledeki bir sonraki kelimeyi, cümleleri ve paragrafları tamamlamaya kadar tahmin etmektir. Bu teknik, LLM'leri özellikle bilimsel hiyerarşilerin doğasında var olan ölçeği ele almak için çok uygun hale getirir ve fizik veya biyolojideki bir sonraki büyük keşfi tahmin etmelerini sağlar.
AI ayrıca varsayımsal arama ağlarını genişletebilir ve arama ağlarını daha hızlı daraltabilir. Böylece yapay zeka araçları, daha umut verici yeni ilaç adayları öneren modeller gibi daha güçlü hipotezlerin formüle edilmesine yardımcı olabilir. Simülasyonlar artık sadece birkaç yıl öncesine göre çok daha hızlı çalışıyor ve bilim adamlarının gerçek dünya deneyleri yapmadan önce simülasyonlarda daha fazla tasarım seçeneği denemesine olanak tanıyor.
Örneğin, California Institute of Technology'deki bilim adamları, bakteriyel geri akışı önleyebilen ve enfeksiyona neden olabilen daha iyi bir kateteri otomatik olarak tasarlamak için yapay zeka sıvı simülasyon modellerini kullandılar. Bu yetenek, bilimsel keşfin artımlı sürecini temelden değiştirecek ve araştırmacıların, ampul tasarımındaki filaman yenilikleri ile yıllardır gördüğümüzün aksine, en başından itibaren en uygun çözümleri tasarlamasına olanak tanıyacak.
Deney aşamasına giren yapay zeka, deneyleri daha hızlı, daha ucuz ve daha büyük ölçekte gerçekleştirebilecek. Örneğin, yapay zeka ile güçlendirilmiş, gece gündüz çalışan yüzlerce mikrotübül ile insanların yetişemeyeceği bir hızda örnekler oluşturan makineler yapabiliriz. Bilim adamları kendilerini altı deneyle sınırlamak yerine bin deney yapmak için yapay zeka araçlarını kullanabilirler.
Bir sonraki hibe, yayın veya görev süresi hakkında endişelenen bilim adamları artık başarı şansı en yüksek olan güvenli deneye bağlı olmayacaklar; daha cesur, daha disiplinler arası hipotezler peşinde koşma konusunda özgür olacaklar. Örneğin, yeni molekülleri değerlendirirken, araştırmacılar yapısal olarak zaten bildiklerimize benzeyen adaylara bağlı kalma eğilimindedir, ancak yapay zeka modellerinin aynı önyargılara ve sınırlamalara sahip olması gerekmez.
Sonunda, bilimin çoğu "otonom laboratuvarlarda" yürütülecek - yapay zeka ile birleştirilmiş otonom robotik platformlar. Burada yapay zekanın yeteneklerini dijital alemden fiziksel dünyaya taşıyabiliriz. Bu tür otomatik laboratuvarlar, Emerald Cloud Lab ve Yapay ve hatta Argonne Ulusal Laboratuvarı gibi şirketlerde şimdiden ortaya çıkıyor.
Son olarak, analiz ve özet aşamasında, otomatik laboratuvar otomasyonun ötesine geçecek ve üretilen deneysel sonuçlara dayalı olarak bir sonraki deneyi yorumlamak ve önermek için LLM'yi kullanacak. Ardından, araştırma sürecinde bir ortak olarak yapay zeka laboratuvar asistanı, önceki deneylerde kullanılanların yerini alacak malzemeleri sipariş edebilir ve önerilen bir sonraki deneyi bir gecede kurup çalıştırabilir. Deneyciler evde uyurken sonuçlar hazırdı.
Olasılıklar ve Sınırlamalar
Genç araştırmacılar, olasılık karşısında koltuklarında gergin bir şekilde titreyebilirler. Neyse ki, bu devrimden ortaya çıkan yeni işler, mevcut laboratuvar çalışmalarının çoğundan daha yaratıcı ve daha az akılsız olabilir.
Yapay zeka araçları, yeni bilim insanlarının giriş engellerini azaltabilir ve geleneksel olarak sahadan dışlananlar için fırsatlar açabilir. Kod oluşturmada yardımcı olabilecek LLM'ler ile, STEM öğrencilerinin artık gizemli kodlama dillerinde ustalaşmasına gerek kalmayacak, fildişi kule kapısını yeni, geleneksel olmayan yeteneklere açacak ve bilim adamlarının kendi alanları dışındaki alanlara maruz kalmalarını kolaylaştıracak. Yakında, özel olarak eğitilmiş LLM'ler, hibe teklifleri gibi yazılı çalışmaların ilk taslaklarını sağlamanın ötesine geçebilir ve insan hakemlerin yanı sıra yeni makalelerin "akran" incelemelerini sağlamak için geliştirilebilir.
Yapay zeka araçları inanılmaz bir potansiyele sahiptir, ancak insan temasının hala önemli olduğu noktaları görmeli ve fazla yükselmemeliyiz. Örneğin, otomatikleştirilmiş laboratuvarlar aracılığıyla yapay zeka ve robotiği başarılı bir şekilde birleştirmek kolay değil. Bilim adamlarının laboratuvarda öğrendiği zımni bilgilerin çoğunu yapay zeka destekli robotlara aktarmak zordur. Aynı şekilde, onlara bir sürü evrak, araştırma ve analiz vermeden önce, mevcut LLM'lerin, özellikle halüsinasyonların sınırlamalarının farkında olmalıyız.
OpenAI ve DeepMind gibi şirketler, yeni atılımlar, modeller ve araştırma makaleleriyle hâlâ başı çekiyor, ancak mevcut sektör hakimiyeti sonsuza kadar sürmeyecek. Şimdiye kadar DeepMind, net hedefler ve ölçütlerle iyi tanımlanmış sorunlara odaklanmada başarılı oldu. En ünlü başarısı, araştırma ekibinin amino asit dizisine dayalı olarak bir proteinin tam şeklini tahmin ettiği iki yılda bir Yapı Tahmininin Kritik Değerlendirmesi yarışmasında oldu.
2006'dan 2016'ya kadar, en zor kategori için ortalama puan, 1'den 100'e kadar bir CASP ölçeğinde 30 ila 40 civarındaydı. Aniden, 2018'de DeepMind'in AlphaFold modeli 58 puan aldı. İki yıl sonra, AlphaFold2 adlı güncellenmiş bir sürüm 87 puan alarak insan rakiplerini daha da geride bıraktı.
Açık kaynak kaynakları sayesinde, endüstrinin belirli kriterlere ulaştığı ve ardından akademinin modeli iyileştirmek için devreye girdiği bir model görmeye başlıyoruz. DeepMind AlphaFold'u piyasaya sürdükten sonra, Washington Üniversitesi'nden Minkyung Baek ve David Baker, AlphaFold'un başlangıçta işleyebileceği tek protein yapıları yerine protein komplekslerinin yapısını tahmin etmek için DeepMind'in çerçevesini kullanan RoseTTAFold'u piyasaya sürdü. Dahası, akademi, pazarın rekabetçi baskılarından daha fazla korunur, bu nedenle DeepMind'ı cezbeden iyi tanımlanmış problemlerin ve ölçülebilir başarıların ötesine geçebilirler.
AI, yeni zirvelere ulaşmanın yanı sıra, bilimsel tekrarlanabilirlik krizini ele alarak zaten bildiklerimizi doğrulamaya yardımcı olabilir. Bilim adamlarının yaklaşık %70'i, başka bir bilim adamının deneylerini tekrarlayamadıklarını bildirdi - iç karartıcı bir rakam. Yapay zeka, deney yürütmenin maliyetini ve çabasını azalttığından, bazı durumlarda sonuçları tekrarlamak veya tekrarlanamayan sonuçlar çıkarmak daha kolay olacak ve bu da bilime olan güveni artırmaya yardımcı olacaktır.
Tekrarlanabilirlik ve güvenin anahtarı şeffaflıktır. İdeal bir dünyada, ödeme duvarı olmayan makalelerden açık kaynaklı verilere, kodlara ve modellere kadar bilimdeki her şey açık olacaktır. Ne yazık ki, bu tür modellerin oluşturabileceği tehlikeler nedeniyle, tüm modellerin açık kaynak kodlu olması her zaman pratik değildir. Pek çok durumda, tam şeffaflığın riskleri, güven ve adaletin faydalarından daha ağır basar. Yine de modeller konusunda şeffaf olabildiğimiz sürece -- özellikle daha sınırlı kullanımlara sahip klasik yapay zeka modelleri -- onları açık kaynak yapmalıyız.
Düzenlemenin Önemi
Tüm bu alanlarda, yapay zekanın doğal sınırlamaları ve riskleri akılda tutulmalıdır. Yapay zeka çok güçlü bir araçtır çünkü insanların daha az zaman, daha az eğitim ve daha az ekipmanla daha fazlasını başarmasını sağlar. Ancak bu yetenekler aynı zamanda onu yanlış ellere geçebilecek tehlikeli bir silah haline getiriyor. Rochester Üniversitesi'nde profesör olan Andrew White, piyasaya sürülmeden önce GPT-4'ün risklerini ortaya çıkarabilecek "kırmızı takım" testine katılmak için OpenAI ile anlaşma imzaladı. White, dil modellerini kullanarak ve bunları araçlarla besleyerek, GPT-4'ün tehlikeli bileşikler önerebileceğini ve hatta bunları kimyasal tedarikçilerden sipariş edebileceğini buldu. Süreci test etmek için, ertesi hafta evine gönderilen (güvenli) bir test bileşiği vardı. OpenAI, piyasaya sürülmeden önce GPT-4'ü değiştirmek için White'ın bulgularını kullandığını söyledi.
Tamamen iyi niyetli insanlar bile yapay zekayı kötü sonuçlar üretmeye yönlendirebilir. Bir Terminatör yaratma konusunda daha az endişelenmeli ve bilgisayar bilimcisi Stuart Russell'ın dediği gibi, Kral Midas olma konusunda daha çok endişelenmeliyiz. Kral, dokunduğu her şeyin altına dönüşmesini istedi ve bu nedenle, yanlışlıkla kucaklaşması kendi kızını öldürdü.
Hedeflerine tahmin edemeyeceğimiz şekillerde yanıt verse bile, bir yapay zekanın hedeflerini değiştirmesine neden olacak herhangi bir mekanizmaya sahip değiliz. Sıklıkla alıntılanan bir varsayım, yapay zekadan mümkün olduğu kadar çok ataç üretmesinin istendiğidir. Hedefine ulaşmaya kararlı olan model, elektrik şebekesini ele geçirir ve ataçlar birikmeye devam ederken onu durdurmaya çalışan tüm insanları öldürür. Dünya bir karmaşa haline geldi. AI kıçını sıvazlıyor ve uzaklaşıyor; işini yaptı. (Bu ünlü düşünce deneyine saygı duruşunda bulunan birçok OpenAI çalışanı, yanlarında markalı ataçlar taşır).
OpenAI, etkileyici bir dizi güvenlik önlemi uygulamayı başardı, ancak bunlar, GPT-4 OpenAI sunucularında barındırıldığı sürece yerinde kalacak. Birisinin modeli çoğaltmayı ve kendi sunucusuna koymayı başardığı gün yakında gelebilir. Bunun gibi son teknoloji modellerin, hırsızların orijinal geliştiricileri tarafından dikkatlice eklenen yapay zeka güvenlik çitlerini yıkmasını önlemek için korunmaları gerekir.
Yapay zekanın kasıtlı ve kasıtsız kötü kullanımlarını ele almak için, yapay zekayı bilime fayda sağlayacak şekilde kullanmamızı engellemeyen teknoloji devlerinin ve açık kaynak modellerinin mantıklı, bilinçli düzenlemelerine ihtiyacımız var. Teknoloji şirketleri yapay zeka güvenliğinde ilerleme kaydederken, hükümet düzenleyicileri şu anda uygun yasaları çıkarmak için hazırlıksız ve en son gelişmelerden haberdar olmak için daha fazlasını yapmalı.
Düzenlemelerin dışında, hükümetler - hayırseverlikle birlikte - yüksek sosyal getirisi olan ancak finansal getirisi veya akademik teşviki düşük olan bilimsel projeleri destekleyebilir. İklim değişikliği, biyogüvenlik ve salgına hazırlık dahil olmak üzere birçok alan özellikle aciliyet arz etmektedir. Yapay zeka simülasyonları ve otomatik laboratuvarlar tarafından sağlanan hıza ve ölçeğe en çok bu alanlarda ihtiyacımız var.
Hükümetler, güvenlik hususlarının izin verdiği ölçüde, AlphaFold'un güvendiği gibi büyük, yüksek kaliteli veri kümelerinin geliştirilmesine de yardımcı olabilir. Açık veri kümeleri kamu mallarıdır: birçok araştırmacının yararınadır, ancak araştırmacıların bunları kendileri oluşturmak için çok az teşviki vardır. Hükümetler ve hayırsever kuruluşlar, sağlam veritabanlarının kullanımından fayda sağlayacak bilimdeki büyük zorlukları belirlemek için üniversiteler ve şirketlerle işbirliği yapabilir.
Örneğin kimya, alanı birleştiren ve yapay zeka modellerinin alanı kolayca analiz etmesine yardımcı olan bir dile sahiptir. Ancak hiç kimse, düzinelerce veritabanında depolanan moleküler özellik verilerini düzgün bir şekilde toplayamamıştır ve bu da, yalnızca bir kaynağımız olsaydı yapay zeka modellerinin elde edebileceği alana ilişkin içgörüleri bize inkar etmiştir. Aynı zamanda biyoloji, fizik veya kimyayı temellendirecek bilinen ve hesaplanabilir verilerden yoksundur ve doğası gereği düzensiz proteinler gibi alt alanlar bizim için gizemli olmaya devam etmektedir. Bu nedenle, kapsamlı bir veritabanı oluşturmak için verileri anlamak ve hatta belgelemek için daha uyumlu bir çaba gerektirecektir.
Yapay zekanın bilimde yaygın olarak benimsenmesine giden yol uzun ve doğru veritabanlarını oluşturmaktan doğru düzenlemeleri uygulamaya, yapay zeka algoritmalarındaki yanlılığı azaltmaya ve bilgi işlem kaynaklarına sınırlar ötesinde eşit erişim sağlamaya kadar çok şey yapmamız gerekiyor.
Bununla birlikte, bu çok iyimser bir andır. Bilimsel süreç veya büyük verilerin ortaya çıkışı gibi önceki bilimsel paradigma değişiklikleri içe dönüktü ve bilimi daha kesin ve düzenli hale getirebilirdi. Aynı zamanda yapay zeka çok geniştir, bilgileri yeni şekillerde birleştirmemize ve bilimsel yaratıcılığı ve ilerlemeyi yeni zirvelere taşımamıza olanak tanır.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Eski Google CEO'su Eric Schmidt: Yapay zeka, bilimsel araştırmaların yapılma şeklini nasıl değiştirecek?
Yazan: Eric Schmidt
Kaynak: MIT Teknoloji İncelemesi
Eşi benzeri görülmemiş sıcak hava dalgaları, orman yangınları ve sellerin dünyanın dört bir yanındaki ülkeleri vurduğu bir başka aşırı hava yazı. Yarı iletken devi Nvidia, bu tür aşırı hava koşullarını doğru bir şekilde tahmin etme zorluğunu karşılamak için tüm gezegenin yapay zeka destekli "dijital ikizlerini" inşa ediyor.
Earth-2 adlı dijital ikiz, FourCastNet'in tahminlerini kullanacak. FourCastNet, önümüzdeki iki hafta için hava durumunu mevcut tahmin yöntemlerinden daha hızlı ve daha doğru bir şekilde tahmin etmek için onlarca terabayt Dünya sistem verisini kullanan bir yapay zeka modelidir.
Tipik bir hava tahmin sistemi, önümüzdeki hafta için yaklaşık 50 tahmin üretebilir. Ve FourCastNet, nadir fakat ölümcül afet risklerini doğru bir şekilde yakalayarak binlerce olasılığı tahmin edebilir ve savunmasız nüfuslara hazırlanmaları ve tahliyeleri için değerli zaman verir.
İklim modellemede uzun zamandır beklenen devrim sadece bir başlangıç. Yapay zekanın ortaya çıkışıyla birlikte, bilim daha heyecan verici hale gelmek üzere ve bazı açılardan tanınması daha da zor. Bu değişimin etkileri laboratuvarın çok ötesine geçecek; hepimizi etkileyecekler.
Yapay zekanın yenilikçi kullanımları için sağlam düzenlemeler ve uygun destekle bilimin en acil sorunlarını ele almak için doğru stratejiyi benimsersek, yapay zeka bilimsel süreci yeniden yazabilir. Yapay zeka destekli araçların bizi yalnızca akılsız ve zaman alıcı iş gücünden kurtarmakla kalmayıp, aynı zamanda yaratıcı buluşlara ve keşiflere yönlendirerek aksi takdirde başarılması onlarca yıl alacak olan atılımları teşvik ettiği bir gelecek inşa edebiliriz.
Son aylarda yapay zeka, büyük dil modelleri veya LLM'lerle neredeyse eşanlamlı hale geldi, ancak bilimde daha da büyük etkiye sahip olabilecek birçok farklı model mimarisi var. Son on yılda bilimdeki ilerlemenin çoğu, belirli sorunlara odaklanan küçük "klasik" modeller aracılığıyla yapılmıştır. Bu modeller derin gelişmelere yol açmıştır. Daha yakın zamanlarda, alanlar arası bilgi ve üretken yapay zekayı birleştirmeye başlayan büyük ölçekli derin öğrenme modelleri, mümkün olanın kapsamını genişletti.
Örneğin, McMaster Üniversitesi ve Massachusetts Institute of Technology'deki bilim adamları, Dünya Sağlık Örgütü'nün hastane hastaları için dünyanın en tehlikeli antibiyotiğe dirençli bakterilerinden biri olduğunu söylediği bir patojenle savaşmak için antibiyotikleri belirlemek üzere yapay zeka modellerini kullandılar. Ek olarak, Google'ın DeepMind modeli, nükleer füzyon reaksiyonlarında plazmayı kontrol ederek bizi temiz enerji devrimine yaklaştırabilir. Sağlık hizmetlerinde ise ABD Gıda ve İlaç İdaresi, yüzde 75'i radyolojide kullanılan yapay zeka kullanan 523 cihazı onayladı.
Bilimi Yeniden Tasarlamak
Temel olarak, ilkokulda öğrendiğimiz bilimsel süreç aynı kalacak: arka plan araştırması yapmak, bir hipotez belirlemek, bunu bir deneyle test etmek, toplanan verileri analiz etmek ve bir sonuca varmak. Ancak yapay zeka, bu bileşenlerin gelecekte nasıl görüneceğini kökten değiştirme potansiyeline sahip.
AI, bazı bilim adamlarının literatür incelemeleri yapma şeklini şimdiden değiştiriyor. PaperQA ve Elicit gibi araçlar, makale veritabanlarını taramak ve alıntılar da dahil olmak üzere mevcut literatürün kısa ve doğru özetlerini üretmek için LLM'lerden yararlanır.
Literatür taraması tamamlandıktan sonra, bilim adamları test edilecek hipotezler kurarlar. LLM'lerin temel işi, bir cümledeki bir sonraki kelimeyi, cümleleri ve paragrafları tamamlamaya kadar tahmin etmektir. Bu teknik, LLM'leri özellikle bilimsel hiyerarşilerin doğasında var olan ölçeği ele almak için çok uygun hale getirir ve fizik veya biyolojideki bir sonraki büyük keşfi tahmin etmelerini sağlar.
AI ayrıca varsayımsal arama ağlarını genişletebilir ve arama ağlarını daha hızlı daraltabilir. Böylece yapay zeka araçları, daha umut verici yeni ilaç adayları öneren modeller gibi daha güçlü hipotezlerin formüle edilmesine yardımcı olabilir. Simülasyonlar artık sadece birkaç yıl öncesine göre çok daha hızlı çalışıyor ve bilim adamlarının gerçek dünya deneyleri yapmadan önce simülasyonlarda daha fazla tasarım seçeneği denemesine olanak tanıyor.
Örneğin, California Institute of Technology'deki bilim adamları, bakteriyel geri akışı önleyebilen ve enfeksiyona neden olabilen daha iyi bir kateteri otomatik olarak tasarlamak için yapay zeka sıvı simülasyon modellerini kullandılar. Bu yetenek, bilimsel keşfin artımlı sürecini temelden değiştirecek ve araştırmacıların, ampul tasarımındaki filaman yenilikleri ile yıllardır gördüğümüzün aksine, en başından itibaren en uygun çözümleri tasarlamasına olanak tanıyacak.
Deney aşamasına giren yapay zeka, deneyleri daha hızlı, daha ucuz ve daha büyük ölçekte gerçekleştirebilecek. Örneğin, yapay zeka ile güçlendirilmiş, gece gündüz çalışan yüzlerce mikrotübül ile insanların yetişemeyeceği bir hızda örnekler oluşturan makineler yapabiliriz. Bilim adamları kendilerini altı deneyle sınırlamak yerine bin deney yapmak için yapay zeka araçlarını kullanabilirler.
Bir sonraki hibe, yayın veya görev süresi hakkında endişelenen bilim adamları artık başarı şansı en yüksek olan güvenli deneye bağlı olmayacaklar; daha cesur, daha disiplinler arası hipotezler peşinde koşma konusunda özgür olacaklar. Örneğin, yeni molekülleri değerlendirirken, araştırmacılar yapısal olarak zaten bildiklerimize benzeyen adaylara bağlı kalma eğilimindedir, ancak yapay zeka modellerinin aynı önyargılara ve sınırlamalara sahip olması gerekmez.
Sonunda, bilimin çoğu "otonom laboratuvarlarda" yürütülecek - yapay zeka ile birleştirilmiş otonom robotik platformlar. Burada yapay zekanın yeteneklerini dijital alemden fiziksel dünyaya taşıyabiliriz. Bu tür otomatik laboratuvarlar, Emerald Cloud Lab ve Yapay ve hatta Argonne Ulusal Laboratuvarı gibi şirketlerde şimdiden ortaya çıkıyor.
Son olarak, analiz ve özet aşamasında, otomatik laboratuvar otomasyonun ötesine geçecek ve üretilen deneysel sonuçlara dayalı olarak bir sonraki deneyi yorumlamak ve önermek için LLM'yi kullanacak. Ardından, araştırma sürecinde bir ortak olarak yapay zeka laboratuvar asistanı, önceki deneylerde kullanılanların yerini alacak malzemeleri sipariş edebilir ve önerilen bir sonraki deneyi bir gecede kurup çalıştırabilir. Deneyciler evde uyurken sonuçlar hazırdı.
Olasılıklar ve Sınırlamalar
Genç araştırmacılar, olasılık karşısında koltuklarında gergin bir şekilde titreyebilirler. Neyse ki, bu devrimden ortaya çıkan yeni işler, mevcut laboratuvar çalışmalarının çoğundan daha yaratıcı ve daha az akılsız olabilir.
Yapay zeka araçları, yeni bilim insanlarının giriş engellerini azaltabilir ve geleneksel olarak sahadan dışlananlar için fırsatlar açabilir. Kod oluşturmada yardımcı olabilecek LLM'ler ile, STEM öğrencilerinin artık gizemli kodlama dillerinde ustalaşmasına gerek kalmayacak, fildişi kule kapısını yeni, geleneksel olmayan yeteneklere açacak ve bilim adamlarının kendi alanları dışındaki alanlara maruz kalmalarını kolaylaştıracak. Yakında, özel olarak eğitilmiş LLM'ler, hibe teklifleri gibi yazılı çalışmaların ilk taslaklarını sağlamanın ötesine geçebilir ve insan hakemlerin yanı sıra yeni makalelerin "akran" incelemelerini sağlamak için geliştirilebilir.
Yapay zeka araçları inanılmaz bir potansiyele sahiptir, ancak insan temasının hala önemli olduğu noktaları görmeli ve fazla yükselmemeliyiz. Örneğin, otomatikleştirilmiş laboratuvarlar aracılığıyla yapay zeka ve robotiği başarılı bir şekilde birleştirmek kolay değil. Bilim adamlarının laboratuvarda öğrendiği zımni bilgilerin çoğunu yapay zeka destekli robotlara aktarmak zordur. Aynı şekilde, onlara bir sürü evrak, araştırma ve analiz vermeden önce, mevcut LLM'lerin, özellikle halüsinasyonların sınırlamalarının farkında olmalıyız.
OpenAI ve DeepMind gibi şirketler, yeni atılımlar, modeller ve araştırma makaleleriyle hâlâ başı çekiyor, ancak mevcut sektör hakimiyeti sonsuza kadar sürmeyecek. Şimdiye kadar DeepMind, net hedefler ve ölçütlerle iyi tanımlanmış sorunlara odaklanmada başarılı oldu. En ünlü başarısı, araştırma ekibinin amino asit dizisine dayalı olarak bir proteinin tam şeklini tahmin ettiği iki yılda bir Yapı Tahmininin Kritik Değerlendirmesi yarışmasında oldu.
2006'dan 2016'ya kadar, en zor kategori için ortalama puan, 1'den 100'e kadar bir CASP ölçeğinde 30 ila 40 civarındaydı. Aniden, 2018'de DeepMind'in AlphaFold modeli 58 puan aldı. İki yıl sonra, AlphaFold2 adlı güncellenmiş bir sürüm 87 puan alarak insan rakiplerini daha da geride bıraktı.
Açık kaynak kaynakları sayesinde, endüstrinin belirli kriterlere ulaştığı ve ardından akademinin modeli iyileştirmek için devreye girdiği bir model görmeye başlıyoruz. DeepMind AlphaFold'u piyasaya sürdükten sonra, Washington Üniversitesi'nden Minkyung Baek ve David Baker, AlphaFold'un başlangıçta işleyebileceği tek protein yapıları yerine protein komplekslerinin yapısını tahmin etmek için DeepMind'in çerçevesini kullanan RoseTTAFold'u piyasaya sürdü. Dahası, akademi, pazarın rekabetçi baskılarından daha fazla korunur, bu nedenle DeepMind'ı cezbeden iyi tanımlanmış problemlerin ve ölçülebilir başarıların ötesine geçebilirler.
AI, yeni zirvelere ulaşmanın yanı sıra, bilimsel tekrarlanabilirlik krizini ele alarak zaten bildiklerimizi doğrulamaya yardımcı olabilir. Bilim adamlarının yaklaşık %70'i, başka bir bilim adamının deneylerini tekrarlayamadıklarını bildirdi - iç karartıcı bir rakam. Yapay zeka, deney yürütmenin maliyetini ve çabasını azalttığından, bazı durumlarda sonuçları tekrarlamak veya tekrarlanamayan sonuçlar çıkarmak daha kolay olacak ve bu da bilime olan güveni artırmaya yardımcı olacaktır.
Tekrarlanabilirlik ve güvenin anahtarı şeffaflıktır. İdeal bir dünyada, ödeme duvarı olmayan makalelerden açık kaynaklı verilere, kodlara ve modellere kadar bilimdeki her şey açık olacaktır. Ne yazık ki, bu tür modellerin oluşturabileceği tehlikeler nedeniyle, tüm modellerin açık kaynak kodlu olması her zaman pratik değildir. Pek çok durumda, tam şeffaflığın riskleri, güven ve adaletin faydalarından daha ağır basar. Yine de modeller konusunda şeffaf olabildiğimiz sürece -- özellikle daha sınırlı kullanımlara sahip klasik yapay zeka modelleri -- onları açık kaynak yapmalıyız.
Düzenlemenin Önemi
Tüm bu alanlarda, yapay zekanın doğal sınırlamaları ve riskleri akılda tutulmalıdır. Yapay zeka çok güçlü bir araçtır çünkü insanların daha az zaman, daha az eğitim ve daha az ekipmanla daha fazlasını başarmasını sağlar. Ancak bu yetenekler aynı zamanda onu yanlış ellere geçebilecek tehlikeli bir silah haline getiriyor. Rochester Üniversitesi'nde profesör olan Andrew White, piyasaya sürülmeden önce GPT-4'ün risklerini ortaya çıkarabilecek "kırmızı takım" testine katılmak için OpenAI ile anlaşma imzaladı. White, dil modellerini kullanarak ve bunları araçlarla besleyerek, GPT-4'ün tehlikeli bileşikler önerebileceğini ve hatta bunları kimyasal tedarikçilerden sipariş edebileceğini buldu. Süreci test etmek için, ertesi hafta evine gönderilen (güvenli) bir test bileşiği vardı. OpenAI, piyasaya sürülmeden önce GPT-4'ü değiştirmek için White'ın bulgularını kullandığını söyledi.
Tamamen iyi niyetli insanlar bile yapay zekayı kötü sonuçlar üretmeye yönlendirebilir. Bir Terminatör yaratma konusunda daha az endişelenmeli ve bilgisayar bilimcisi Stuart Russell'ın dediği gibi, Kral Midas olma konusunda daha çok endişelenmeliyiz. Kral, dokunduğu her şeyin altına dönüşmesini istedi ve bu nedenle, yanlışlıkla kucaklaşması kendi kızını öldürdü.
Hedeflerine tahmin edemeyeceğimiz şekillerde yanıt verse bile, bir yapay zekanın hedeflerini değiştirmesine neden olacak herhangi bir mekanizmaya sahip değiliz. Sıklıkla alıntılanan bir varsayım, yapay zekadan mümkün olduğu kadar çok ataç üretmesinin istendiğidir. Hedefine ulaşmaya kararlı olan model, elektrik şebekesini ele geçirir ve ataçlar birikmeye devam ederken onu durdurmaya çalışan tüm insanları öldürür. Dünya bir karmaşa haline geldi. AI kıçını sıvazlıyor ve uzaklaşıyor; işini yaptı. (Bu ünlü düşünce deneyine saygı duruşunda bulunan birçok OpenAI çalışanı, yanlarında markalı ataçlar taşır).
OpenAI, etkileyici bir dizi güvenlik önlemi uygulamayı başardı, ancak bunlar, GPT-4 OpenAI sunucularında barındırıldığı sürece yerinde kalacak. Birisinin modeli çoğaltmayı ve kendi sunucusuna koymayı başardığı gün yakında gelebilir. Bunun gibi son teknoloji modellerin, hırsızların orijinal geliştiricileri tarafından dikkatlice eklenen yapay zeka güvenlik çitlerini yıkmasını önlemek için korunmaları gerekir.
Yapay zekanın kasıtlı ve kasıtsız kötü kullanımlarını ele almak için, yapay zekayı bilime fayda sağlayacak şekilde kullanmamızı engellemeyen teknoloji devlerinin ve açık kaynak modellerinin mantıklı, bilinçli düzenlemelerine ihtiyacımız var. Teknoloji şirketleri yapay zeka güvenliğinde ilerleme kaydederken, hükümet düzenleyicileri şu anda uygun yasaları çıkarmak için hazırlıksız ve en son gelişmelerden haberdar olmak için daha fazlasını yapmalı.
Düzenlemelerin dışında, hükümetler - hayırseverlikle birlikte - yüksek sosyal getirisi olan ancak finansal getirisi veya akademik teşviki düşük olan bilimsel projeleri destekleyebilir. İklim değişikliği, biyogüvenlik ve salgına hazırlık dahil olmak üzere birçok alan özellikle aciliyet arz etmektedir. Yapay zeka simülasyonları ve otomatik laboratuvarlar tarafından sağlanan hıza ve ölçeğe en çok bu alanlarda ihtiyacımız var.
Hükümetler, güvenlik hususlarının izin verdiği ölçüde, AlphaFold'un güvendiği gibi büyük, yüksek kaliteli veri kümelerinin geliştirilmesine de yardımcı olabilir. Açık veri kümeleri kamu mallarıdır: birçok araştırmacının yararınadır, ancak araştırmacıların bunları kendileri oluşturmak için çok az teşviki vardır. Hükümetler ve hayırsever kuruluşlar, sağlam veritabanlarının kullanımından fayda sağlayacak bilimdeki büyük zorlukları belirlemek için üniversiteler ve şirketlerle işbirliği yapabilir.
Örneğin kimya, alanı birleştiren ve yapay zeka modellerinin alanı kolayca analiz etmesine yardımcı olan bir dile sahiptir. Ancak hiç kimse, düzinelerce veritabanında depolanan moleküler özellik verilerini düzgün bir şekilde toplayamamıştır ve bu da, yalnızca bir kaynağımız olsaydı yapay zeka modellerinin elde edebileceği alana ilişkin içgörüleri bize inkar etmiştir. Aynı zamanda biyoloji, fizik veya kimyayı temellendirecek bilinen ve hesaplanabilir verilerden yoksundur ve doğası gereği düzensiz proteinler gibi alt alanlar bizim için gizemli olmaya devam etmektedir. Bu nedenle, kapsamlı bir veritabanı oluşturmak için verileri anlamak ve hatta belgelemek için daha uyumlu bir çaba gerektirecektir.
Yapay zekanın bilimde yaygın olarak benimsenmesine giden yol uzun ve doğru veritabanlarını oluşturmaktan doğru düzenlemeleri uygulamaya, yapay zeka algoritmalarındaki yanlılığı azaltmaya ve bilgi işlem kaynaklarına sınırlar ötesinde eşit erişim sağlamaya kadar çok şey yapmamız gerekiyor.
Bununla birlikte, bu çok iyimser bir andır. Bilimsel süreç veya büyük verilerin ortaya çıkışı gibi önceki bilimsel paradigma değişiklikleri içe dönüktü ve bilimi daha kesin ve düzenli hale getirebilirdi. Aynı zamanda yapay zeka çok geniştir, bilgileri yeni şekillerde birleştirmemize ve bilimsel yaratıcılığı ve ilerlemeyi yeni zirvelere taşımamıza olanak tanır.