Projek sumber terbuka baharu AI untuk Sains 'Polymathic AI', Yann LeCun berkhidmat sebagai perunding

Kandungan yang perlu ditulis semula ialah: Editor | Zi Luo

Sejak beberapa tahun lalu, bidang pembelajaran mesin penglihatan dan pemprosesan bahasa semula jadi (NLP) telah mencapai kemajuan besar dengan melatih pelbagai data yang berbeza menetapkan kemajuan. Ini telah membawa kepada kemunculan "model asas"

Contohnya, "model bahasa besar" telah mencetuskan kebangkitan dalam NLP: penalaan halus atau model generalis yang mendorong kini menjadi amalan standard, dan bukannya melatih model khusus dari awal.

Walau bagaimanapun, aplikasi pembelajaran mesin pada set data saintifik masih belum mengalami anjakan paradigma yang sama.

Ini adalah peluang yang tidak direalisasikan yang ingin diselesaikan oleh program penyelidikan "Polymathic AI" (Polymathic AI).

Yann LeCun, pemenang Anugerah Turing dan Ketua Saintis Meta, berkata: "Saya sangat gembira menjadi perunding untuk projek AI untuk Sains baharu (Polymathic AI)."

Miles Cranmer, Penolong Profesor AI+ Astronomi/Fizik di Universiti Cambridge, berkongsi di Twitter projek baharu yang dia terlibat dalam: Polymathic AI!

"Kami sedang membangunkan model asas [data] saintifik supaya mereka boleh memanfaatkan konsep yang dikongsi merentasi disiplin."

Inisiatif AI Serbaguna bertujuan untuk mempercepatkan pembangunan model asas yang disesuaikan untuk set data berangka dan tugasan pembelajaran mesin saintifik

Cabarannya adalah untuk membina model AI yang memanfaatkan data daripada set heterogen dan maklumat daripada bidang saintifik yang berbeza sebagai pemprosesan bahasa semula jadi, model ini tidak berkongsi perwakilan bersatu (iaitu, teks).

Model ini kemudiannya boleh digunakan sebagai garis dasar yang kuat atau diperhalusi lagi oleh saintis untuk aplikasi tertentu. Pendekatan ini berpotensi untuk mendemokrasikan AI dalam sains dengan menyediakan model siap pakai yang lebih kukuh untuk konsep umum yang dikongsi seperti kausaliti, pengukuran, pemprosesan isyarat, atau konsep perkongsian yang lebih khusus seperti gelombang a priori (iaitu pengetahuan latar belakang). Jika tidak, konsep ini perlu dipelajari dari awal

Untuk mencapai matlamat ini, program penyelidikan ini menghimpunkan satu pasukan penyelidik pembelajaran mesin tulen dan saintis domain merentasi pelbagai disiplin. Selain itu, terima bimbingan daripada panel penasihat saintifik pakar terkemuka dunia

Pasukan Penyelidik.

Kumpulan Penasihat Saintifik.

Kandungan yang ditulis semula untuk dibaca: Penglibatan institusi

Membina model yang benar-benar berasaskan saintifik memerlukan penyelidikan awal yang meluas. Program penyelidikan kami menumpukan pada asas-asas bidang ini. Sehingga kini, kami telah menerbitkan penyelidikan mengenai komponen seni bina utama. Penyelidikan kami merangkumi penyesuaian model bahasa kepada data berangka, menunjukkan kebolehpindahan model pengganti yang dilatih pada sistem fizikal yang berbeza, dan mempelajari benam bersama untuk data saintifik berbilang mod

Program penyelidikan ini memainkan peranan penting dalam mentakrifkan semula landskap pembelajaran mesin saintifik Kami sangat teruja dengan potensi , dan Polymathic AI mewakili langkah bercita-cita tinggi ke arah matlamat ini

Alamat sumber terbuka projek: https://github.com/PolymathicAI/

Sila rujuk perkara berikut: https:// polymathic-ai.org/blog/announcement/

https://polymathic-ai.org/

https://twitter.com/MilesCranmer/status/1711429121220465037

Atas ialah kandungan terperinci Projek sumber terbuka baharu AI untuk Sains 'Polymathic AI', Yann LeCun berkhidmat sebagai perunding. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!