Већина модела вештачке интелигенције (AI) може поуздано да препознаје обрасце у подацима и прави предвиђања, али се тешко сналази у формулисању ширих научних концепата, као што су закони гравитације.
Сада је тим у Кини развио систем под називом AI-Newton, који, након што се „нахрани“ експерименталним подацима, може аутономно да „открива“ кључне принципе физике, укључујући и Њутнов други закон који описује утицај силе и масе на убрзање.
Модел имитира људски научни процес постепеним изградњем базе знања састављене од концепата и закона, каже Јан-Ћинг Ма, физичар са Пекиншког универзитета, који је учествовао у развоју система. Способност да препозна корисне концепте омогућава систему да потенцијално открије научне увиде без људског усмеравања, додаје Ма.
Кејон Вафа, рачунарски научник са Универзитета Харвард у Кембриџу, Масачусетс, објашњава да AI-Newton користи приступ под називом симболичка регресија, у ком модел тражи најбољу математичку једначину која описује неки физички феномен. Ова техника је обећавајући метод за научна открића, додаје он, јер је систем програмиран на начин који га подстиче да сам изводи концепте.
Како функционише AI Newton?
Тим са Пекиншког универзитета користио је симулатор за производњу података из 46 физичких експеримената који су обухватали слободно кретање куглица и опруга, сударе између објеката и понашање система који показују вибрације, осцилације и кретање налик на клатно. Симулатор је намерно увео и статистичке грешке како би се имитирали стварни подаци.
На пример, AI-Newton је добио податке о положају куглице у одређеном тренутку и био задат да пронађе математичку једначину која објашњава однос између времена и положаја. Успео је да изведе једначину за брзину. Ово знање је затим сачувао за наредне задатке, у којима је успешно извео масу куглице користећи Њутнов други закон. Резултати још увек нису прошли рецензију.
Планетарне путање
Научници су и раније користили моделе вештачке интелигенције да предвиђају кретања планета. Године 2019, истраживачи са Швајцарског федералног института технологије (ETH) у Цириху развили су „AI Copernicus“, неуронску мрежу која је користила посматрања са Земље да изведе формуле за планетарне путање. У том случају било је потребно да људи тумаче једначине и разумеју како се односе на кретање планета око Сунца.
Вафа и његове колеге са Масачусетског института за технологију (MIT) покушали су сличан експеримент са неколико foundation модела, укључујући GPT, Claude и Llama.
Обука модела је обухватала предвиђање положаја планета у различитим соларним системима, након чега су од њих тражили да предвиде силе које управљају тим путањама. У једном претприпринт раду, истраживачи су показали да, када су модели тренирани на орбиталним путањама, нису могли да примене то знање ни на један други задатак осим на предвиђање путања.
Када су покушали да те податке претворе у закон о томе како се силе понашају, foundation модели су изводили бесмислене законе гравитације.
Суштина није у количини података, већ у архитектури модела
Истраживачи истичу да ово указује на кључну слабост модерних foundation модела: они могу одлично да интерполирају податке унутар распореда који су већ видели, али немају урођену способност апстракције неопходну за формулисање универзалних закона природе.
Према Вафи, суштина није у количини података, већ у архитектури модела. „Модели као што су GPT или Llama нису дизајнирани да изводе физичке концепте — они су дизајнирани да предвиђају следећи токен. То је фундаментално ограничење,“ каже он.
Другачији пут развоја система вештачке интелигенције
Тим из Пекинга тврди да AI-Newton управо зато представља другачији пут развоја AI система. За разлику од широко обучених великих језичких модела, AI-Newton није обучен на огромним корпусима, већ на строго структуираним физичким подацима. Циљ није био репродукција информација, већ стварање нових појмова.
Ма наглашава да је следећи корак проширење система на сложеније физичке ситуације, као што су флуиди, електромагнетизам или термодинамика. „Ако систем успе да самостално открије Максвелове једначине или закон одржања енергије, то би био револуционарни моменат у науци,“ каже он.
Упркос томе, стручњаци упозоравају да је пут до тога дуг. Неки физичари сматрају да ће AI увек зависити од људских поставки и концепата, и да је „потпуно аутономно научно откриће“ можда више филозофски идеал него реалан циљ.
Ипак, први кораци које је направио AI-Newton сугеришу да би у будућности вештачка интелигенција могла постати помоћник научника који не само анализира податке, већ им помаже да замисле нова теоријска објашњења — можда чак и таква до којих људи сами никада не би дошли.
