Η τεχνητή νοημοσύνη αρχίζει να μετατρέπεται από εργαλείο παραγωγής κειμένου και κώδικα σε κάτι πολύ πιο φιλόδοξο, σε μια μηχανή επιστημονικής ανακάλυψης. Η πρόσφατη, αμφιλεγόμενη επίθεση της OpenAI στις περίφημες εξισώσεις Navier–Stokes έδειξε πόσο μακριά μπορεί να φτάσει αυτή η προσέγγιση. Η στρατηγική ήταν, σε μεγάλο βαθμό, απλή στη σύλληψη αλλά τεράστια στην κλίμακα: περισσότερη υπολογιστική ισχύς, περισσότερη εξερεύνηση και συστηματική αναζήτηση πιθανών λύσεων. Τώρα μια ομάδα ερευνητών θέλει να δει αν η ίδια λογική μπορεί να εφαρμοστεί και σε άλλα επιστημονικά πεδία.
Η απάντηση είναι ο Scientific Challenge Atlas (Άτλαντας Επιστημονικών Προκλήσεων), ένας επιμελημένος κατάλογος επιστημονικών προβλημάτων που θα μπορούσαν, σύμφωνα με τους δημιουργούς του, να αντιμετωπιστούν από συστήματα τεχνητής νοημοσύνης αξιοποιώντας δεδομένα που ήδη υπάρχουν.
Και αυτό είναι το ενδιαφέρον σημείο, καθώς δεν χρειάζεται κάθε νέα επιστημονική ανακάλυψη ένα νέο τηλεσκόπιο, έναν νέο επιταχυντή σωματιδίων ή δεκαετίες νέων πειραμάτων.
ΔΙΑΒΑΣΤΕ ΕΠΙΣΗΣ
Σε ορισμένες περιπτώσεις, τα δεδομένα μπορεί να βρίσκονται ήδη μπροστά μας.
Ένας «χάρτης» για το άγνωστο
«Με βάση όλα τα δεδομένα που έχουμε ήδη, υπάρχουν νέα επιστημονικά ψήγματα που απλώς περιμένουν να ανακαλυφθούν» εκτιμά ο Rick Stevens, αναπληρωτής διευθυντής εργαστηρίου στο Argonne National Laboratory του αμερικανικού υπουργείου Ενέργειας, μιλώντας στο Science. Μαζί με τον Karthik Duraisamy του University of Michigan και τον Jason Pruet της OpenAI, ο Stevens συμμετείχε στη δημιουργία του Άτλαντα.
Η ιδέα είναι να δημιουργηθεί ένας χάρτης του τεράστιου «χώρου» των επιστημονικών προβλημάτων και να διερευνηθεί ποια μπορούν να λυθούν, πόση υπολογιστική ισχύ χρειάζονται και πόσο μεγάλη προσπάθεια θα απαιτήσει η AI.
Τα πρώτα τέσσερα προβλήματα του Άτλαντα αφορούν τη φυσική. Κυμαίνονται από εξαιρετικά δύσκολους κβαντικούς υπολογισμούς μέχρι ερωτήματα σχετικά με το πόσο περίπλοκοι μπορούν να γίνουν συγκεκριμένοι γεωμετρικοί χώροι.
Οι δημιουργοί εκτιμούν ότι η επίλυσή τους θα απαιτούσε περίπου 1 έως 10 δισεκατομμύρια tokens, δηλαδή τις βασικές μονάδες επεξεργασίας που χρησιμοποιούν τα μοντέλα AI, ή έως περίπου 1 δισεκατομμύριο ώρες υπερυπολογιστικής ισχύος.
Παρά τους τεράστιους αυτούς αριθμούς, πρόκειται, σύμφωνα με τον Duraisamy, για προβλήματα που πιθανότατα θα απαιτήσουν μία έως δύο τάξεις μεγέθους λιγότερη προσπάθεια από την επένδυση εκατομμυρίων δολαρίων που απαιτήθηκε για την επίθεση της OpenAI στις εξισώσεις Navier–Stokes (οι οποίες επιλύθηκαν μέσα σε 88 ώρες).
Ο στόχος είναι ακόμη πιο φιλόδοξος: οι ερευνητές θέλουν να δουν λύσεις μέσα στους επόμενους 6 έως 12 μήνες, όχι σε 5 ή 10 χρόνια.
Από τον Erdős στην AI
Η έμπνευση για τον Άτλαντα προήλθε εν μέρει από έναν διαφορετικό χώρο: τα Μαθηματικά. Ο Paul Erdős, ένας από τους σημαντικότερους μαθηματικούς του 20ού αιώνα, άφησε πίσω του περισσότερα από 1.000 ανοιχτά προβλήματα. Τα προβλήματα αυτά βρίσκονται σε συγκεκριμένους κλάδους των μαθηματικών και, επειδή συχνά είναι διατυπωμένα με τρόπο που ταιριάζει στις δυνατότητες των μεγάλων γλωσσικών μοντέλων, έχουν γίνει ένα ιδιαίτερα ενδιαφέρον πεδίο δοκιμών για την AI.
Το 2023, ο μαθηματικός του University of Manchester Thomas Bloom συγκέντρωσε για πρώτη φορά σε έναν ιστότοπο μια μεγάλη συλλογή αυτών των προβλημάτων, τα οποία μέχρι τότε ήταν διασκορπισμένα στη βιβλιογραφία.
Έκτοτε, μοντέλα AI έχουν καταφέρει να λύσουν ορισμένα από αυτά, προκαλώντας έκπληξη ακόμη και στην κοινότητα των μαθηματικών.
Υπάρχει όμως κάτι βαθύτερο στην ιστορία του Erdős. Τα προβλήματά του δεν προέκυπταν από έναν αλγόριθμο. Ήταν αποτέλεσμα δεκαετιών συζητήσεων, συνεδρίων, εργασιών και ανταλλαγής ιδεών μεταξύ μαθηματικών.
Ο Bloom περιγράφει ουσιαστικά τη συλλογή ως το αποτέλεσμα μιας διαδικασίας στην οποία δεκάδες μαθηματικοί συζητούν μεταξύ τους και χτίζουν ο ένας πάνω στις ιδέες του άλλου. Οι ερευνητές του Άτλαντα αναρωτήθηκαν: θα μπορούσε η AI να μιμηθεί αυτή τη διαδικασία και να την επιταχύνει δραματικά; Για να το δοκιμάσουν, έδωσαν σε εκατοντάδες AI agents όσο χρόνο και tokens χρειάζονταν και τους ζήτησαν να αναζητήσουν επιστημονικά προβλήματα που φαίνονταν ταυτόχρονα σημαντικά και επιλύσιμα.
Οι agents μπορούσαν να ανατρέξουν στη γνώση τους αλλά και να διαβάσουν πρόσφατες επιστημονικές εργασίες.
Υπήρχε όμως ένα κρίσιμο ερώτημα: πόσο δύσκολο είναι πραγματικά να λυθεί ένα πρόβλημα που προτείνει μια AI;
Για να το υπολογίσουν, οι ερευνητές ζήτησαν από τα συστήματα να αναπαράγουν αποτελέσματα που είχαν ήδη δημοσιευτεί σε επιστημονικές εργασίες. Η διαδικασία αυτή λειτουργούσε σαν σημείο αναφοράς.
Αν ένας AI agent χρειαζόταν συγκεκριμένη ποσότητα υπολογιστικής προσπάθειας για να αναπαράγει ένα γνωστό αποτέλεσμα, οι ερευνητές μπορούσαν να εκτιμήσουν πόσο περισσότερη προσπάθεια θα χρειαζόταν για να φτάσει σε ένα νέο, δημοσιεύσιμο αποτέλεσμα.
Έτσι προέκυψε ένας αρχικός χάρτης του επιστημονικού χώρου προβλημάτων. Στον έναν άξονα βρίσκεται η υπολογιστική σκέψη μετρημένη σε tokens και στον άλλο ο χρόνος υπερυπολογιστικής ισχύος.
Η AI δεν χρειάζεται πάντα περισσότερα δεδομένα
Αυτό ίσως είναι το σημαντικότερο στοιχείο της ιδέας.
Η AI μπορεί να γίνει εξαιρετικά ισχυρή στην επιστήμη, αλλά υπάρχουν όρια που δεν μπορούν να ξεπεραστούν μόνο με περισσότερους υπολογισμούς. Σε πολλές περιπτώσεις, το πρόβλημα είναι η ίδια η παραγωγή δεδομένων.
Για να απαντήσει κανείς σε ένα ερώτημα μπορεί να χρειάζεται ένα μεγαλύτερο τηλεσκόπιο, έναν ισχυρότερο επιταχυντή σωματιδίων ή ένα εντελώς νέο πείραμα. Υπάρχουν όμως και άλλα όπου όλα τα απαραίτητα συστατικά υπάρχουν ήδη.
Εκεί η AI μπορεί να λειτουργήσει διαφορετικά, όχι ως μηχανή που παράγει νέα δεδομένα, αλλά ως σύστημα που ψάχνει μέσα σε τεράστιες ποσότητες υπάρχουσας γνώσης για μοτίβα, σχέσεις και λύσεις που οι άνθρωποι δεν έχουν εντοπίσει. Ένα από τα πρώτα προβλήματα του Άτλαντα αφορά μια εξαιρετικά δύσκολη θεωρητική πρόβλεψη που συνδέεται με την προσπάθεια να γεφυρωθεί η κβαντομηχανική με τη βαρύτητα. Οι ερευνητές θέλουν να εξετάσουν αν μια συγκεκριμένη θεωρία εξακολουθεί να ισχύει σε ακραίες συνθήκες, προχωρώντας έναν πολύ δύσκολο υπολογισμό σε έναν έβδομο «βρόχο» —ένα επίπεδο πολυπλοκότητας που απαιτεί περισσότερα από 3 εκατομμύρια ολοκληρώματα.
Οι φυσικοί προσπαθούν να αντιμετωπίσουν το πρόβλημα εδώ και περισσότερα από 16 χρόνια. Και εδώ ακριβώς εμφανίζεται η πιθανή αξία της AI. Οι εκτιμήσεις της ομάδας δείχνουν ότι ένα AI σύστημα ίσως μπορούσε να επιχειρήσει τη λύση με κόστος περίπου 1 έως 10 δισεκατομμυρίων tokens. Οι ίδιοι οι ερευνητές, ωστόσο, αναγνωρίζουν ότι τέτοιες εκτιμήσεις είναι ιδιαίτερα αβέβαιες όταν αφορούν τα όρια των σημερινών συστημάτων.
Τα τέσσερα πρώτα προβλήματα είναι μόνο η αρχή
Οι δημιουργοί του Άτλαντα θέλουν τελικά κάθε επιστημονικός κλάδος να αποκτήσει τον δικό του «άτλαντα προκλήσεων». Από τη φυσική και τα μαθηματικά μέχρι τη βιολογία, τη χημεία και άλλες επιστήμες, η ιδέα είναι να δημιουργηθεί μια τεράστια βιβλιοθήκη προβλημάτων που θα μπορούν να εξερευνούν άνθρωποι και AI agents.
Ο Duraisamy φαντάζεται έναν Άτλαντα που τελικά θα «μας ξεπεράσει», με χιλιάδες κάρτες προβλημάτων από διαφορετικούς επιστημονικούς τομείς. Οι κάρτες δεν θα περιέχουν απλώς ένα ερώτημα. Θα εξηγούν τι ακριβώς πρέπει να βρεθεί, γιατί έχει σημασία, ποια μορφή θα πρέπει να έχει η απάντηση και με ποιον τρόπο μπορεί να βοηθήσει η AI.
Ο Stevens θέλει, επίσης, τα δεδομένα του Άτλαντα να είναι διαθέσιμα σε μορφή που θα μπορούν να διαβάζουν απευθείας οι μηχανές και οι AI agents.
Και αυτό ανοίγει μια ακόμη πιο ενδιαφέρουσα πιθανότητα.
Μέχρι σήμερα, μεγάλο μέρος της επιστημονικής διαδικασίας βασίζεται σε ανθρώπους που αποφασίζουν ποια ερωτήματα αξίζει να κυνηγήσουν. Ο Άτλαντας επιχειρεί να προσθέσει έναν νέο παίκτη σε αυτή τη διαδικασία, ένα σύστημα που μπορεί να εξερευνά τον τεράστιο χώρο των ερωτημάτων και να εντοπίζει εκείνα στα οποία υπάρχει ένας ρεαλιστικός δρόμος προς την πρόοδο.
Αυτό μπορεί να ενδιαφέρει όχι μόνο τους επιστήμονες αλλά και όσους αποφασίζουν πού θα κατευθυνθούν οι πόροι της έρευνας. Αν μπορεί να εκτιμήσει κάποιος, έστω χονδρικά, πόση υπολογιστική ισχύ χρειάζεται ένα πρόβλημα και τι είδους επιστημονική πρόοδος μπορεί να προκύψει, τότε μπορεί να αρχίσει να βλέπει την επιστημονική έρευνα και ως έναν χάρτη επενδύσεων σε γνώση.
Ο Stevens το θέτει ως ζήτημα κατανομής πόρων, όπου οι υπεύθυνοι χάραξης ερευνητικής πολιτικής πρέπει να αποφασίζουν πού αξίζει να κατευθυνθούν πόροι και τι είδους πρόοδος μπορεί να επιτευχθεί. Ο Άτλας φιλοδοξεί να τους δώσει μια ευρύτερη εικόνα του τι είναι υπολογιστικά εφικτό και περίπου πόσο θα μπορούσε να κοστίσει.
Το μεγάλο ερώτημα, τελικά, δεν είναι αν η AI μπορεί να γίνει καλύτερη στην επίλυση επιστημονικών προβλημάτων, αλλά αν μπορεί να βοηθήσει την ανθρωπότητα να βρει ποια προβλήματα αξίζει να λύσει στη συνέχεια.
