Įsivaizduokite laboratoriją, kurioje pagrindinis tyrėjas niekada nemiega, niekada nesustoja tikrinti hipotezių ir pats rengia metodikos skyrių. Tai skamba kaip mokslinė fantastika, bet japonų startuolis Sakana AI sukūrė sistemą, kuri labai priartėja prie tokio scenarijaus.
Pristatytas 2025 metais, AI Scientist-v2 yra autonominis tyrimų variklis, orientuotas į mašininio mokymosi problemas. Paduokite jam plačią temą, ir jis pasiūlys hipotezes, suprojektuos eksperimentus, sugeneruos ir paleis kodą, analizuos rezultatus, sukurs diagramas ir parengs straipsnio juodraštį įprastu akademiniu formatu. Gyvame bandyme Sakana pateikė tris visiškai mašinos sugeneruotas rankraščius į ICLR 2025 dirbtuvę; vienas gavo vidutinį recenzentų įvertinimą 6,33 iš 10 - virš įprasto dirbtuvių slenksčio - ir buvo atsiimtas pagal išankstinį susitarimą, o ne paskelbtas.
Kaip tai daroma? Sistema pradeda nuo laisvos užklausos ir išvysto kelias galimas idėjas. Vietoje vienos krypties sekimo, AI Scientist-v2 taiko medžio paieškos metodiką: atžalos išsišakoja, kai kurios nugenimos, kitos vystomos toliau. Prižiūrintis agentas nusprendžia, kuriems eksperimentams verta skirti daugiau skaičiavimo resursų, o kuriuos palikti. Rezultatas nėra linijinis bandymų ir klaidų procesas, o išsišakojanti tyrimų eiga, atspindinti, kaip smalsus tyrėjas gali pakeisti kursą, kai eksperimentas nepavyksta.
Toks išsišakojantis elgesys yra svarbus. Jei ankstyvas testas duoda prastesnių rezultatų, sistema neignoruoja nesėkmės. Ji keičia maršrutus, pakoreguoja protokolus arba bando naują hipotezę. Trumpi pažangos ciklai, staigūs posūkiai ir kartais aklavietės yra įrašyti į variklį. Jis rašo reikalingus skriptus, vykdo juos, tikrina duomenis ir verčia rezultatus į vizualizacijas bei pasakojimą. Visas ciklas nuo pradžios iki pabaigos gali būti automatizuotas.
ICLR bandymui organizatoriai buvo informuoti, kad kai kurie dirbtuvių pateikimai gali būti mašininės kilmės, bet jie nežinojo, kurie. Priimtas mašinos parašytas straipsnis buvo skirtas technikoms, gerinančioms generalizaciją neuroniniuose tinkluose. Nors dirbtuvių recenzentai jam suteikė įvertinimą virš įprasto ribos, straipsnis nebuvo paskelbtas pilnoje konferencijoje; autoriai ir rengėjai iš anksto susitarė atsiimti priimtus darbus šiam eksperimentui.
Tačiau tas vienas kuklus pasiekimas gretinamas su aiškiais ribotumais. Tik vienas iš trijų pateikimų pasiekė priėmimo slenkstį. Sakana patys tyrėjai įvertino, kad nė vienas darbas nėra pasiruošęs pagrindinei konferencijai. Be to, v2 nėra neabejotinai geresnė už savo pirmtaką: kai problemos yra siaurai apibrėžtos ir egzistuoja šablonai, senesnė versija kartais pasirodo geriau. Nauja sistema pritaikyta atviro tipo problemų tyrinėjimui - o tyrinėjimas lemia didesnį nesėkmių lygį.
Praktinės rizikos situaciją apsunkina toliau. Kai AI automatiškai rašo ir vykdo kodą, jis gali iškviesti netyčines komandas arba sukurti saugumo pavojų. Dėl to komanda rekomenduoja vykdyti eksperimentus izoliotuose konteineriuose, pavyzdžiui Docker. AI Scientist-v2 yra atviro kodo GitHub platformoje, tačiau reikalauja reikšmingos techninės įrangos - NVIDIA GPU ir prieigos prie didelių kalbinių modelių - todėl dauguma laboratorijų jos dar negali paleisti per laisvą popietę.
Eksperimentų projektavimo ir straipsnių rengimo automatizavimas yra įspūdingas techninis laimėjimas - tačiau jis nėra pakaitalas pakartotiniems, recenzuojamiems moksliniams tyrimams.
Ką tai reiškia mums? Dirbtinis intelektas dabar gali padėti gerokai daugiau nei tik literatūros paieška ar juodraščių rašymas; jis gali siūlyti ir testuoti idėjas su minimaliu žmogaus įsikišimu. Visgi automatizuota išvestis ir patikimi atradimai yra skirtingi reiškiniai. Reprodukuojamumas, srities ekspertizė ir skeptiškas recenzavimas lieka patikimų tyrimų kertinėmis vertybėmis - nepriklausomai nuo algoritmo išradingumo. Svarbiausia bus, kaip žmogaus mokslininkai bendradarbiaus su šiomis sistemomis ir ar ši partnerystė galės kelti kartelę tam, ką laikome patikimu mokslu.
Palikti komentarą
Komentarai
Komentarų dar nėra. Būkite pirmas.