'머신러닝의 아버지' Mitchell은 다음과 같이 썼습니다. AI가 과학 발전을 가속화하는 방법과 미국이 기회를 포착하는 방법
Editor | ScienceAI
최근 카네기멜론대학교 교수이자 "머신러닝의 아버지"로 알려진 Tom M. Mitchell은 "어떻게 인공지능을 인공지능으로 만들 수 있는가?"라는 주제로 새로운 과학용 AI 백서를 작성했습니다. 지능이 과학 발전을 가속화할 수 있습니까? 미국 정부는 이 목표를 달성하는 데 어떻게 도움을 줄 수 있습니까?" 이 주제입니다.
ScienceAI는 원래 의미를 변경하지 않고 원본 백서의 전문을 편집했습니다.
인공지능 분야는 최근 GPT, Claude, Gemini와 같은 대규모 언어 모델을 포함하여 상당한 발전을 이루었고, 따라서 인공지능의 매우 긍정적인 영향이 세포 생물학에서 세포 생물학으로의 전환을 크게 가속화할 수 있다는 가능성이 제기되고 있습니다. 재료과학부터 날씨 및 기후 모델링, 신경과학까지 다양한 과학 분야에서 연구가 발전하고 있습니다. 여기에서는 AI 과학 기회와 미국 정부가 이를 포착하기 위해 무엇을 할 수 있는지 간략하게 요약합니다.
인공 지능과 과학의 기회
오늘날 거의 모든 분야의 과학 연구의 대다수는 "론 레인저" 과학으로 분류될 수 있습니다.
즉, 과학자와 12명의 연구자로 구성된 연구팀이 아이디어를 내고, 이를 테스트하기 위한 실험을 수행하고, 결과를 작성하여 게시하고, 아마도 실험 데이터를 인터넷에 공유하고, 그런 다음 프로세스를 반복합니다.
다른 과학자들은 출판된 논문을 읽어 이러한 결과를 통합할 수 있지만 이 프로세스는 오류가 발생하기 쉽고 여러 가지 이유로 매우 비효율적입니다.
(1) 개별 과학자가 해당 분야에서 이미 출판된 논문을 읽는 것은 불가능합니다. 모든 기사 따라서 출판된 다른 관련 연구에 대해 부분적으로 눈이 멀었습니다. (2) 저널 출판물에 설명된 실험은 필연적으로 많은 세부 사항을 생략하여 다른 사람들이 결과를 복제하고 결과를 구축하기 어렵게 만듭니다. (3) 실험 데이터 세트에 대한 단일 분석은 종종 독립적으로 수행되어 다른 과학자가 수행한 다른 관련 실험의 데이터를 통합하지 못했습니다(따라서 귀중한 정보를 통합하지 않음).
향후 10년 안에 인공지능은 과학자들이 위의 세 가지 문제를 극복하는 데 도움을 줄 수 있습니다.
AI는 이 "론 레인저" 과학 연구 모델을 "공동체 과학적 발견" 모델로 전환할 수 있습니다. 특히 AI는 다음과 같은 방법으로 인간 과학자들이 이러한 문제를 극복하는 데 도움이 되는 새로운 유형의 컴퓨터 연구 보조원을 만드는 데 사용될 수 있습니다. 훨씬 더 작고 대표성이 떨어지는 단일 데이터 세트를 분석합니다. 인간의 능력보다 훨씬 더 큰 데이터 세트를 기반으로 분석을 수행하면 보다 포괄적이고 정확한 분석이 가능합니다.
GPT와 같은 인공 지능 대규모 언어 모델을 사용하여 해당 분야의 모든 관련 출판물을 읽고 소화함으로써 과학자들이 자체 실험실 및 기타 실험실의 실험 데이터뿐만 아니라 다음을 기반으로 새로운 가설을 형성할 수 있도록 돕습니다. 출판 연구 문헌의 가정과 주장을 사용하여 새로운 가설을 공식화함으로써 이 자연어 AI 도구가 없었다면 가능했을 것보다 더 많은 정보를 바탕으로 한 가설을 도출할 수 있습니다. "기본 모델"을 만들고 실험실과 과학자가 수집한 다양한 유형의 실험 데이터를 사용하여 이러한 모델을 훈련함으로써 해당 분야에서 늘어나는 지식을 한 곳으로 가져와 컴퓨터에서 액세스할 수 있는 실행 모델로 만듭니다. 이러한 실행 가능한 "기본 모델"은 f = ma와 같은 방정식과 동일한 목적을 수행할 수 있습니다. 즉, 관찰된 다른 수량을 기반으로 특정 수량에 대해 예측합니다. 그리고 고전 방정식과 달리 이러한 기본 모델은 소수의 변수가 아닌 수십만 개의 다양한 변수 간의 실증적 관계를 포착할 수 있습니다. 새로운 실험 설계 및 로봇 실행을 자동화 또는 반자동화하여 새로운 관련 실험을 가속화하고 과학 실험의 재현성을 향상시킵니다.
이러한 과학적 실천의 패러다임 전환은 어떤 과학적 혁신을 가져올 수 있을까요?
다음은 몇 가지 예입니다. Menterjemah peluang ini kepada realiti memerlukan beberapa elemen: Banyak data percubaan Satu pengajaran model berasaskan teks asas ialah semakin banyak data yang dilatih, semakin berkuasa ia. Para saintis yang berpengalaman juga mengetahui dengan baik nilai data eksperimen yang lebih banyak dan lebih pelbagai. Untuk mencapai banyak urutan kemajuan dalam sains, dan untuk melatih jenis model asas yang kita inginkan, kita perlu membuat kemajuan yang sangat ketara dalam keupayaan kita untuk berkongsi dan bersama-sama menganalisis pelbagai set data yang disumbangkan oleh seluruh komuniti saintifik. Keupayaan untuk mengakses penerbitan saintifik dan membacanya dengan komputer Sebahagian utama peluang di sini adalah untuk mengubah keadaan semasa: saintis tidak mungkin membaca 1% daripada penerbitan yang berkaitan dalam bidang mereka, komputer membaca 100% daripada penerbitan, meringkaskannya dan kaitannya dengan isu saintifik semasa, dan menyediakan antara muka perbualan untuk membincangkan kandungan dan implikasinya. Ini memerlukan bukan sahaja akses kepada kesusasteraan dalam talian, tetapi juga penyelidikan AI untuk membina "pembantu sastera" sedemikian. Sumber Pengkomputeran dan Rangkaian Model asas berasaskan teks seperti GPT dan Gemini terkenal dengan jumlah sumber pemprosesan yang banyak digunakan semasa pembangunannya. Walau bagaimanapun, permintaan pengiraan dalam banyak usaha saintifik AI mungkin jauh lebih kecil daripada yang diperlukan untuk melatih LLM seperti GPT, dan dengan itu boleh dicapai dengan pelaburan yang serupa dengan yang dibuat oleh makmal penyelidikan kerajaan. Sebagai contoh, AlphaFold, model AI yang telah merevolusikan analisis protein untuk reka bentuk ubat, menggunakan lebih sedikit pengiraan latihan berbanding model berasaskan teks asas seperti GPT dan Gemini. Untuk menyokong perkongsian data, kami memerlukan rangkaian komputer yang besar, tetapi Internet semasa sudah menyediakan titik permulaan yang mencukupi untuk memindahkan set data eksperimen yang besar. Oleh itu, kos perkakasan untuk menyokong kemajuan saintifik dipacu AI berkemungkinan agak rendah berbanding dengan potensi manfaat. Pembelajaran Mesin Baharu dan Kaedah AI Kaedah pembelajaran mesin semasa amat berguna untuk menemui keteraturan statistik dalam set data besar yang tidak dapat diteliti oleh manusia (contohnya, AlphaFold dilakukan pada jujukan protein dalam jumlah besar dan struktur 3Dnya yang diukur dengan teliti. terlatih). Bahagian utama peluang baharu ialah mengembangkan kaedah pembelajaran mesin semasa (menemui korelasi statistik dalam data) dalam dua arah penting: (1) beralih daripada mencari korelasi kepada mencari hubungan sebab dalam data, dan (2) beralih daripada mencari hanya besar- skala Pembelajaran set data berstruktur bergerak ke arah pembelajaran daripada set data berstruktur yang besar dan literatur penyelidikan yang besar, iaitu, belajar seperti saintis manusia daripada data eksperimen dan menerbitkan hipotesis dan hujah yang dinyatakan dalam bahasa semula jadi oleh orang lain. Kemunculan LLM baru-baru ini dengan keupayaan lanjutan untuk mencerna, meringkaskan dan menaakul tentang koleksi teks yang besar boleh menyediakan asas untuk kelas algoritma pembelajaran mesin baharu ini. Apa yang perlu kerajaan buat? Kuncinya ialah menyokong empat bahagian di atas dan menyatukan komuniti saintifik untuk meneroka kaedah baharu berdasarkan kecerdasan buatan untuk mempromosikan kemajuan penyelidikan mereka. Oleh itu, kerajaan harus mempertimbangkan untuk mengambil tindakan berikut: Terokai peluang khusus dalam bidang sains tertentu, Membiayai pasukan penyelidikan pelbagai institusi dalam banyak bidang saintifik untuk membentangkan visi dan keputusan awal yang menunjukkan cara AI boleh digunakan untuk mempercepatkan kemajuan dalam bidang mereka dengan ketara, dan perkara yang diperlukan untuk meningkatkan pendekatan ini. Kerja ini tidak seharusnya dibiayai sebagai geran kepada institusi individu, kerana kemajuan terbesar mungkin datang daripada penyepaduan data dan penyelidikan daripada ramai saintis di banyak institusi. Sebaliknya, ia mungkin paling berkesan jika dijalankan oleh sekumpulan saintis dari banyak institusi, yang mencadangkan peluang dan pendekatan yang memberi inspirasi kepada penglibatan mereka dengan komuniti saintifik secara amnya. Mempercepatkan penciptaan set data eksperimen baharu untuk melatih model asas baharu dan menjadikan data tersedia kepada seluruh komuniti saintis: Cipta piawaian perkongsian data yang membolehkan seorang saintis menggunakan data eksperimen yang dicipta oleh saintis berbeza dengan mudah, dan menyediakan asas untuk sumber data negara dalam setiap bidang saintifik yang berkaitan. Ambil perhatian bahawa terdapat kejayaan sebelumnya dalam membangunkan dan menggunakan piawaian sedemikian yang boleh menyediakan templat permulaan untuk usaha piawai (cth., kejayaan perkongsian data semasa Projek Genom Manusia). Cipta dan sokong tapak web perkongsian data untuk setiap bidang yang berkaitan. Sama seperti GitHub telah menjadi tapak yang digunakan oleh pembangun perisian untuk menyumbang, berkongsi dan menggunakan semula kod perisian, mencipta GitHub untuk set data saintifik boleh berfungsi sebagai repositori data dan enjin carian untuk menemui topik yang berkaitan dengan topik tertentu, Hipotesis atau rancang percubaan pada set data yang paling berkaitan. Kaji cara membina mekanisme insentif untuk memaksimumkan perkongsian data. Pada masa ini, bidang saintifik berbeza secara meluas dalam sejauh mana saintis individu berkongsi data mereka dan sejauh mana organisasi untung menggunakan data mereka untuk penyelidikan saintifik asas. Membina sumber data negara yang besar dan boleh dikongsi adalah penting kepada peluang saintifik untuk AI, dan membina struktur insentif yang menarik untuk perkongsian data akan menjadi kunci kejayaan. Di mana sesuai, dana pembangunan makmal automatik (cth. makmal robotik untuk eksperimen kimia, biologi, dsb. yang boleh digunakan oleh ramai saintis melalui Internet) untuk menjalankan eksperimen dengan cekap dan menjananya dalam data format standard. Faedah utama mewujudkan makmal sedemikian ialah mereka juga akan menggalakkan pembangunan piawaian yang menerangkan dengan tepat prosedur eksperimen yang perlu diikuti, dengan itu meningkatkan kebolehulangan keputusan eksperimen. Sama seperti kami boleh mendapat manfaat daripada GitHubs untuk set data, kami juga boleh mendapat manfaat daripada GitHubs yang berkaitan untuk berkongsi, mengubah suai dan menggunakan semula komponen protokol percubaan. Untuk mencipta generasi baharu alatan kecerdasan buatan memerlukan: Membiayai penyelidikan asas AI berkaitan yang dibangunkan khusus untuk kaedah penyelidikan saintifik. Ini harus merangkumi pembangunan "model asas" dalam erti kata yang luas sebagai alat untuk mempercepatkan penyelidikan dalam bidang yang berbeza dan mempercepatkan peralihan daripada sains "lone ranger" kepada paradigma "penemuan saintifik komuniti" yang lebih berkuasa. Khusus menyokong penyelidikan dengan membaca literatur penyelidikan, mengkritik andaian input yang dinyatakan dan mencadangkan penambahbaikan, dan membantu saintis memperoleh hasil daripada literatur saintifik dengan cara yang berkaitan secara langsung dengan soalan semasa mereka. Khusus menyokong penyelidikan yang memanjangkan pembelajaran mesin daripada penemuan korelasi kepada penemuan penyebab, terutamanya dalam tetapan di mana eksperimen baharu boleh dirancang dan dilaksanakan untuk menguji hipotesis penyebab. Khususnya menyokong pengembangan penyelidikan tentang algoritma pembelajaran mesin, daripada hanya mengambil data besar sebagai input, kepada mengambil kedua-dua data percubaan yang besar dan literatur penyelidikan yang lengkap di lapangan sebagai input, untuk menjana ketetapan statistik dalam data dan penyelidikan percubaan kesusasteraan Andaian, penjelasan, dan hujah yang dibincangkan dalam . . XySO lH1kIeEH3DXE/edit?pli=1
Apakah yang boleh kerajaan AS lakukan untuk merebut peluang ini?
Nota: Gambar-gambar dalam artikel ini datang dari Internet.
위 내용은 '머신러닝의 아버지' Mitchell은 다음과 같이 썼습니다. AI가 과학 발전을 가속화하는 방법과 미국이 기회를 포착하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











Worldcoin (WLD)은 Cryptocurrency 시장에서 고유 한 생체 인정 및 개인 정보 보호 메커니즘으로 눈에 띄고 많은 투자자의 관심을 끌고 있습니다. WLD는 혁신적인 기술, 특히 OpenAi 인공 지능 기술과 함께 Altcoins에서 뛰어난 성과를 거두었습니다. 그러나 향후 몇 년 안에 디지털 자산은 어떻게 행동 할 것인가? WLD의 미래 가격을 함께 예측합시다. 2025 WLD 가격 예측은 2025 년 WLD에서 상당한 성장을 달성 할 것으로 예상됩니다. 시장 분석에 따르면 평균 WLD 가격은 최대 $ 1.36로 $ 1.31에 도달 할 수 있습니다. 그러나 곰 시장에서 가격은 약 $ 0.55로 떨어질 수 있습니다. 이러한 성장 기대는 주로 WorldCoin2에 기인합니다.

가상 통화 가격 상승의 요인은 다음과 같습니다. 1. 시장 수요 증가, 2. 공급 감소, 3. 긍정적 인 뉴스, 4. 낙관적 시장 감정, 5. 거시 경제 환경; 감소 요인에는 다음이 포함됩니다. 1. 시장 수요 감소, 2. 공급 증가, 3. 부정적인 뉴스의 파업, 4. 비관적 시장 감정, 5. 거시 경제 환경.

크로스 체인 거래를 지원하는 교환 : 1. Binance, 2. Uniswap, 3. Sushiswap, 4. Curve Finance, 5. Thorchain, 6. 1inch Exchange, 7. DLN 거래,이 플랫폼은 다양한 기술을 통해 다중 체인 자산 거래를 지원합니다.

초보자에게 적합한 cryptocurrency 데이터 플랫폼에는 CoinmarketCap 및 비소 트럼펫이 포함됩니다. 1. CoinmarketCap은 초보자 및 기본 분석 요구에 대한 글로벌 실시간 가격, 시장 가치 및 거래량 순위를 제공합니다. 2. 비소 인용문은 중국 사용자가 저 위험 잠재적 프로젝트를 신속하게 선별하는 데 적합한 중국 친화적 인 인터페이스를 제공합니다.

암호 화폐의 번화 한 세계에서는 새로운 기회가 항상 나타납니다. 현재 Kerneldao (Kernel) 에어 드롭 활동은 많은 관심을 끌고 많은 투자자들의 관심을 끌고 있습니다. 그렇다면이 프로젝트의 기원은 무엇입니까? BNB 보유자는 어떤 이점을 얻을 수 있습니까? 걱정하지 마십시오. 다음은 당신을 위해 하나씩 공개 할 것입니다.

휘발성 cryptocurrency 시장에서 투자자들은 대중적인 통화를 넘어서는 대안을 찾고 있습니다. Solana (Sol), Cardano (ADA), XRP 및 Dogecoin (DOGE)과 같은 잘 알려진 암호 화폐도 시장 감정, 규제 불확실성 및 확장 성과 같은 도전에 직면 해 있습니다. 그러나 새로운 신흥 프로젝트 인 Rexasfinance (RXS)가 떠오르고 있습니다. 유명 인사 효과 나 과대 광고에 의존하지는 않지만 RWA (Ralld Assets)와 블록 체인 기술을 결합하여 투자자에게 혁신적인 투자 방법을 제공하는 데 중점을 둡니다. 이 전략은 2025 년의 가장 성공적인 프로젝트 중 하나가되기를 희망합니다. Rexasfi

Aavenomics는 AAVE 프로토콜 토큰을 수정하고 Aavedao의 쿼럼을 구현 한 Token Repos를 소개하는 제안입니다. AAVE 프로젝트 체인 (ACI)의 설립자 인 Marc Zeller는 X에서 이것을 발표하여 계약의 새로운 시대를 표시한다고 지적했습니다. AAVE 체인 이니셔티브 (ACI)의 설립자 인 Marc Zeller는 AAVENOMICS 제안서에 AAVE 프로토콜 토큰 수정 및 토큰 리포지션 도입이 포함되어 있다고 X에서 AAVEDAO에 대한 쿼럼을 달성했다고 발표했습니다. Zeller에 따르면, 이것은 계약의 새로운 시대를 나타냅니다. Aavedao 회원국은 수요일에 주당 100 인 제안을지지하기 위해 압도적으로 투표했습니다.

비트 코인 구조 분석 차트를 그리는 단계에는 다음이 포함됩니다. 1. 도면의 목적과 청중 결정, 2. 올바른 도구 선택, 3. 프레임 워크 설계 및 핵심 구성 요소를 채우십시오. 4. 기존 템플릿을 참조하십시오. 완전한 단계는 차트가 정확하고 이해하기 쉽도록합니다.
