MIT: az egyetemeknek fel kell készülniük az embernél okosabb AI-ra

A kutatás fejlődését a gyors ellenőrzés is felgyorsítja

Az MIT News október 8-i beszámolója szerint Alexander, vagyis Sasha Rakhlin, az MIT Statistics and Data Science Center igazgatója új esszében vizsgálta, hogyan változtatja meg az AI az akadémiát. Elemzése elsősorban a matematikára, a statisztikára, a gépi tanulásra, a mérnöki tudományokra, valamint a doktori kutatásra és képzésre összpontosít.

Rakhlin a matematika példáján mutatja be a fejlődés sebességét. Egy modell tavaly már aranyérmes szintet ért el a Nemzetközi Matematikai Diákolimpián, egy évvel később pedig a modellek új kutatási eredményeket állítottak elő, köztük egy nemrég javasolt megoldást az egyik Millennium-díjas problémára.

Szerinte egy adott tudományterületen annak alapján is gyorsul az AI fejlődése, hogy milyen gyorsan és megbízhatóan ellenőrizhetők az eredmények. A formalizált bizonyítások automatikusan vizsgálhatók, a programok pedig futtathatók és tesztelhetők. Az így kapott visszajelzések lehetővé teszik, hogy a rendszerek új jelölteket hozzanak létre, tanuljanak az eredményekből és tovább javuljanak.

„Az egyetemeknek fel kell készülniük egy közeli jövőre, amelyben az AI az értelmi munkánk számos, talán legtöbb területén okosabb lesz mindannyiunknál”, írja Rakhlin.

A doktori képzésben a hozzájárulást kell értékelni

Rakhlin szerint egyre több területen gyengébb jelzés az egyéni szakértelemről egy kifogástalanul elkészített tanulmány. A tanszékeknek ezért újra kell gondolniuk, mit jutalmaznak. Nagyobb elismerést kaphat a jó kérdések megfogalmazása, az eredmények reprodukálása, az ötletek szintézise, a tanulságos negatív eredmények és a megosztott adathalmazok létrehozása.

Az értékelésnek azt is egyértelművé kell tennie, hogy egy kutató mivel járult hozzá a munkához, és miért vállal szellemi felelősséget, akkor is, ha a feladat jelentős részét AI végezte. Ezeket az elvárásokat a felvételnél, az előléptetésnél és a finanszírozásnál is alkalmazni kellene, valamint világosan közölni kellene a jelenlegi és a leendő doktoranduszokkal.

A professzor szerint a képzés nehézsége, hogy a szellemi készségek gyakorlással fejlődnek. A rutinszámítások, a programozás, a sikertelen próbálkozások és a kisebb felfedezések mind hozzájárulhatnak az intuíció és az ítélőképesség kialakulásához. A hallgatóknak meg kell tanulniuk problémákat megfogalmazni, ellenőrizni a modellek kimenetét, reprodukálni az eredményeket és megindokolni a döntéseiket. Rakhlin szerint ezért az alapok is értékesebbé válhatnak.

Közös AI-infrastruktúrát építene az egyetemeken

Rakhlin szerint az egyetemeknek hosszú távú kérdéseket kell kutatniuk, nyíltan megosztaniuk az eredményeket és önállóan ellenőrizniük az állításokat. Az ipari partnerségek fontosak lesznek, de a kereskedelmi célok szerinte nem fedik le a tudomány teljes szélességét, és idővel eltérhetnek annak érdekeitől. Emiatt valamennyi technológiai függetlenségre is szükség lesz.

Az akadémia egyik legfontosabb stratégiai eszköze az egyetemi laboratóriumokban felhalmozott tudás és tapasztalat lehet. A publikációk szelektív képet adnak, a sikertelen kísérletek, az elvetett irányok és a hibák okai gyakran nem jelennek meg bennük. Ezek rögzítése, valamint a kutatók értelmezése javíthatná a modellek tudományos felfedezésben betöltött szerepét.

Az MIT professzora olyan jövőt vázol, amelyben az intézmény laboratóriumai megosztott AI-kutatási infrastruktúrán keresztül kapcsolódnak egymáshoz. Egy idegrendszeri kutatócsoport például egy számítógépes látással foglalkozó csoport eredményét használhatná neuronok mikroszkópos képeken való elkülönítéséhez. Az AI-ügynökök felismerhetnék a kapcsolódó eredményeket, kutatókat kapcsolhatnának össze, mérési összehasonlításokat javasolhatnának és jelezhetnék a nyitott kérdéseket.

Ehhez olyan munkafolyamatokra van szükség, amelyek rögzítik a hipotéziseket, beavatkozásokat, eredményeket, kudarcokat és értelmezéseket. Rakhlin szerint az egyetemeknek már most be kell fektetniük a számítási kapacitásba, a biztonságos adatrendszerekbe és az AI-modellek alkalmazásához szükséges szakértelembe. A közös szabályok a hozzájárulások és a szerzőség követését is segíthetik, így a doktoranduszok munkája könnyebben felismerhetővé válhat.