Većina modela veštačke inteligencije (AI) može pouzdano da prepoznaje obrasce u podacima i pravi predviđanja, ali se teško snalazi u formulisanju širih naučnih koncepata, kao što su zakoni gravitacije.
Sada je tim u Kini razvio sistem pod nazivom AI-Newton, koji, nakon što se „nahrani“ eksperimentalnim podacima, može autonomno da „otkriva“ ključne principe fizike, uključujući i Njutnov drugi zakon koji opisuje uticaj sile i mase na ubrzanje.
Model imitira ljudski naučni proces postepenim izgradnjem baze znanja sastavljene od koncepata i zakona, kaže Jan-Ćing Ma, fizičar sa Pekinškog univerziteta, koji je učestvovao u razvoju sistema. Sposobnost da prepozna korisne koncepte omogućava sistemu da potencijalno otkrije naučne uvide bez ljudskog usmeravanja, dodaje Ma.
Kejon Vafa, računarski naučnik sa Univerziteta Harvard u Kembridžu, Masačusets, objašnjava da AI-Newton koristi pristup pod nazivom simbolička regresija, u kom model traži najbolju matematičku jednačinu koja opisuje neki fizički fenomen. Ova tehnika je obećavajući metod za naučna otkrića, dodaje on, jer je sistem programiran na način koji ga podstiče da sam izvodi koncepte.
Kako funkcioniše AI Newton?
Tim sa Pekinškog univerziteta koristio je simulator za proizvodnju podataka iz 46 fizičkih eksperimenata koji su obuhvatali slobodno kretanje kuglica i opruga, sudare između objekata i ponašanje sistema koji pokazuju vibracije, oscilacije i kretanje nalik na klatno. Simulator je namerno uveo i statističke greške kako bi se imitirali stvarni podaci.
Na primer, AI-Newton je dobio podatke o položaju kuglice u određenom trenutku i bio zadat da pronađe matematičku jednačinu koja objašnjava odnos između vremena i položaja. Uspeo je da izvede jednačinu za brzinu. Ovo znanje je zatim sačuvao za naredne zadatke, u kojima je uspešno izveo masu kuglice koristeći Njutnov drugi zakon. Rezultati još uvek nisu prošli recenziju.
Planetarne putanje
Naučnici su i ranije koristili modele veštačke inteligencije da predviđaju kretanja planeta. Godine 2019, istraživači sa Švajcarskog federalnog instituta tehnologije (ETH) u Cirihu razvili su „AI Copernicus“, neuronsku mrežu koja je koristila posmatranja sa Zemlje da izvede formule za planetarne putanje. U tom slučaju bilo je potrebno da ljudi tumače jednačine i razumeju kako se odnose na kretanje planeta oko Sunca.
Vafa i njegove kolege sa Masačusetskog instituta za tehnologiju (MIT) pokušali su sličan eksperiment sa nekoliko foundation modela, uključujući GPT, Claude i Llama.
Obuka modela je obuhvatala predviđanje položaja planeta u različitim solarnim sistemima, nakon čega su od njih tražili da predvide sile koje upravljaju tim putanjama. U jednom pretpriprint radu, istraživači su pokazali da, kada su modeli trenirani na orbitalnim putanjama, nisu mogli da primene to znanje ni na jedan drugi zadatak osim na predviđanje putanja.
Kada su pokušali da te podatke pretvore u zakon o tome kako se sile ponašaju, foundation modeli su izvodili besmislene zakone gravitacije.
Suština nije u količini podataka, već u arhitekturi modela
Istraživači ističu da ovo ukazuje na ključnu slabost modernih foundation modela: oni mogu odlično da interpoliraju podatke unutar rasporeda koji su već videli, ali nemaju urođenu sposobnost apstrakcije neophodnu za formulisanje univerzalnih zakona prirode.
Prema Vafi, suština nije u količini podataka, već u arhitekturi modela. „Modeli kao što su GPT ili Llama nisu dizajnirani da izvode fizičke koncepte — oni su dizajnirani da predviđaju sledeći token. To je fundamentalno ograničenje,“ kaže on.
Drugačiji put razvoja sistema veštačke inteligencije
Tim iz Pekinga tvrdi da AI-Newton upravo zato predstavlja drugačiji put razvoja AI sistema. Za razliku od široko obučenih velikih jezičkih modela, AI-Newton nije obučen na ogromnim korpusima, već na strogo struktuiranim fizičkim podacima. Cilj nije bio reprodukcija informacija, već stvaranje novih pojmova.
Ma naglašava da je sledeći korak proširenje sistema na složenije fizičke situacije, kao što su fluidi, elektromagnetizam ili termodinamika. „Ako sistem uspe da samostalno otkrije Maksvelove jednačine ili zakon održanja energije, to bi bio revolucionarni momenat u nauci,“ kaže on.
Uprkos tome, stručnjaci upozoravaju da je put do toga dug. Neki fizičari smatraju da će AI uvek zavisiti od ljudskih postavki i koncepata, i da je „potpuno autonomno naučno otkriće“ možda više filozofski ideal nego realan cilj.
Ipak, prvi koraci koje je napravio AI-Newton sugerišu da bi u budućnosti veštačka inteligencija mogla postati pomoćnik naučnika koji ne samo analizira podatke, već im pomaže da zamisle nova teorijska objašnjenja — možda čak i takva do kojih ljudi sami nikada ne bi došli.
