कृत्रिम बुद्धिमत्ताले वैज्ञानिक प्रगतिको तर्कलाई पछ्याउँदैन

हामीले मेसिन लर्निङ सिस्टमलाई "ब्ल्याक बक्स" (१) बनाउनेहरूको लागि समेत घोषणा गर्ने अनुसन्धानकर्ता र पेशेवरहरूको बारेमा MT मा धेरै पटक लेखेका छौं। यसले परिणामहरूको मूल्याङ्कन गर्न र उदाउँदो एल्गोरिदमहरू पुन: प्रयोग गर्न गाह्रो बनाउँछ।

तंत्रिका नेटवर्कहरू - हामीलाई बौद्धिक रूपान्तरण गर्ने बटहरू र कविता सिर्जना गर्न सक्ने सरल पाठ जेनेरेटरहरू दिने प्रविधि - बाहिरी पर्यवेक्षकहरूका लागि बुझ्न नसकिने रहस्य बनेको छ।

तिनीहरू ठूला र अधिक जटिल हुँदैछन्, विशाल डेटासेटहरू ह्यान्डल गर्दै, र ठूलो कम्प्युट एरेहरू प्रयोग गर्दै। यसले प्राप्त मोडेलहरूको प्रतिकृति र विश्लेषणलाई महँगो र कहिलेकाहीं अन्य अनुसन्धानकर्ताहरूको लागि असम्भव बनाउँछ, ठूलो बजेट भएका ठूला केन्द्रहरू बाहेक।

धेरै वैज्ञानिकहरू यो समस्या राम्ररी थाहा छ। ती मध्ये जोएल पिनो (2), NeurIPS का अध्यक्ष, प्रजनन क्षमता मा प्रमुख सम्मेलन। उनको नेतृत्वमा विज्ञहरू "पुनरुत्पादन योग्यता चेकलिस्ट" सिर्जना गर्न चाहन्छन्।

पिनोले भने, यो विचार अन्वेषकहरूलाई अरूलाई रोडम्याप प्रस्ताव गर्न प्रोत्साहित गर्नु हो ताकि उनीहरूले पहिले नै गरिसकेका कामहरू पुन: सिर्जना गर्न र प्रयोग गर्न सकून्। तपाईं नयाँ पाठ जेनेरेटरको वाक्पटुता वा भिडियो गेम रोबोटको अलौकिक निपुणतामा अचम्मित हुन सक्नुहुन्छ, तर उत्कृष्ट विशेषज्ञहरूलाई पनि यी चमत्कारहरूले कसरी काम गर्छन् भन्ने थाहा छैन। तसर्थ, एआई मोडेलहरूको पुनरुत्पादन अनुसन्धानका लागि नयाँ लक्ष्यहरू र दिशाहरू पहिचान गर्न मात्र होइन, तर प्रयोग गर्नको लागि विशुद्ध व्यावहारिक गाइडको रूपमा पनि महत्त्वपूर्ण छ।

अरूले यो समस्या समाधान गर्ने प्रयास गरिरहेका छन्। गुगल अनुसन्धानकर्ताहरूले "मोडेल कार्डहरू" प्रस्ताव गरे जसमा प्रणालीहरू कसरी परीक्षण गरियो, सम्भावित बगहरूलाई संकेत गर्ने परिणामहरू सहित विस्तृत रूपमा वर्णन गर्न। एलेन इन्स्टिच्युट फर आर्टिफिसियल इन्टेलिजेन्स (AI2) का अन्वेषकहरूले एउटा पेपर प्रकाशित गरेका छन् जसको उद्देश्य प्रयोगात्मक प्रक्रियाका अन्य चरणहरूमा पिनोट प्रजनन योग्यता जाँचसूची विस्तार गर्ने छ। "आफ्नो काम देखाउनुहोस्," तिनीहरू आग्रह गर्छन्।

कहिलेकाहीँ आधारभूत जानकारी हराइरहेको छ किनभने अनुसन्धान परियोजना स्वामित्वमा छ, विशेष गरी कम्पनीको लागि काम गर्ने प्रयोगशालाहरूद्वारा। प्रायः, तथापि, यो परिवर्तन र बढ्दो जटिल अनुसन्धान विधिहरू वर्णन गर्न असमर्थताको संकेत हो। तंत्रिका नेटवर्कहरू धेरै जटिल क्षेत्र हुन्। उत्कृष्ट नतिजाहरू प्राप्त गर्न, हजारौं "नब र बटनहरू" को फाइन ट्युनिङ प्रायः आवश्यक हुन्छ, जसलाई केहीले "ब्ल्याक म्याजिक" भनिन्छ। इष्टतम मोडेल को छनोट अक्सर प्रयोग को एक ठूलो संख्या संग सम्बन्धित छ। जादू धेरै महँगो हुन्छ।

उदाहरणका लागि, जब फेसबुकले DeepMind Alphabet द्वारा विकसित प्रणाली AlphaGo को कामको नक्कल गर्ने प्रयास गर्यो, यो कार्य अत्यन्तै गाह्रो साबित भयो। ठूला कम्प्युटेशनल आवश्यकताहरू, हजारौं उपकरणहरूमा धेरै दिनहरूमा लाखौं प्रयोगहरू, कोडको अभावको साथसाथै, फेसबुकका कर्मचारीहरूका अनुसार प्रणालीलाई "धेरै गाह्रो, यदि असम्भव छैन भने, पुन: सिर्जना गर्न, परीक्षण गर्न, सुधार गर्न र विस्तार गर्न," बनायो।

समस्या विशेष बन्ने देखिन्छ । यद्यपि, यदि हामीले थप सोच्यौं भने, एक अनुसन्धान टोली र अर्को बीचको परिणाम र कार्यहरूको पुनरुत्पादनको साथ समस्याहरूको घटनाले हामीलाई ज्ञात विज्ञान र अनुसन्धान प्रक्रियाहरूको कार्यका सबै तर्कहरूलाई कमजोर बनाउँछ। एक नियमको रूपमा, अघिल्लो अनुसन्धानको नतिजाहरू थप अनुसन्धानको लागि आधारको रूपमा प्रयोग गर्न सकिन्छ जसले ज्ञान, प्रविधि र सामान्य प्रगतिको विकासलाई उत्तेजित गर्दछ।