Китайские исследователи совершили прорыв в создании «настоящих ученых в области искусственного интеллекта»

Недавно китайские исследователи из Пекинского университета и Восточного технологического института (EIT) представили новаторскую структуру, предназначенную для обучения моделей машинного обучения с использованием априорных знаний, что является отходом от традиционного подхода, основанного только на данных. Исследователи подчеркивают преобразующее влияние моделей глубокого обучения на научные исследования, акцентируя внимание на их способностиtracзначимые взаимосвязи из огромных массивов данных. Предложенная структура устраняет ограничения существующих моделей, таких как Sora от OpenAI, которая с трудом точно моделирует некоторые взаимодействия в реальном мире из-за недостаточного понимания физических законов, таких как гравитация.

Модели глубокого обучения, известные тем, что произвели революцию в научных исследованиях, в основном полагаются на обширные данные для обучения, а не на учет предварительных знаний, таких как физические законы илиmaticлогика. Однако исследователи из Пекинского университета и Восточного технологического института предлагают сдвиг парадигмы. Команда предполагает, что объединение данных с предварительными знаниями во время обучения может привести к созданию более точных и обоснованных моделей машинного обучения.

Задача состоит в определении того, какие аспекты предварительных знаний, включая функциональные зависимости, уравнения и логику, следует интегрировать для улучшения предварительного обучения без разрушения модели. Профессор Чен Юньтянь подчеркивает, что перегрузка моделей большим объемом знаний и правил часто приводит к трудностям или неудачам в современных моделях машинного обучения, основанных на анализе данных.

Методика оценки важности правил

Для решения этой задачи исследователи разработали структуру, которая оценивает ценность правил и определяет оптимальные комбинации, повышающие прогностическую способность моделей глубокого обучения. Сюй Хао, первый автор и исследователь из Пекинского университета, объясняет, что их структура вычисляет «важность правил», анализируя, как конкретные правила или комбинации влияют на точность прогнозирования модели.

Этот подход направлен на балансирование влияния данных и знаний, повышение эффективности и возможностей вывода моделей глубокого обучения. Команда предполагает, что внедрение человеческих знаний в модели ИИ может значительно улучшить их способность отражать реальный мир, сделав их более применимыми в научных и инженерных областях.

Исследователи протестировали свою методику, оптимизировав модель для решения многомерных уравнений и другую модель для прогнозирования результатов химического эксперимента. Чен предполагает, что в краткосрочной перспективе эта методика найдет наиболее полезное применение в научных моделях, где соответствие законам физики имеет решающее значение для предотвращения потенциальных негативных последствий.

Несмотря на многообещающие результаты, команда признает наличие проблемы. По мере добавления данных в модель общие правила становятся более значимыми, чем конкретные локальные правила. Однако это наблюдение не приносит существенных преимуществ в таких областях, как биология и химия, где общие правила часто отсутствуют.

На пути к автономному искусственному интеллекту ученые

В перспективе исследовательская группа стремится вывести свою систему на новый уровень, позволив ИИdentсвои знания и правила непосредственно из данных без вмешательства человека. Конечная цель — создание замкнутого цикла, превращающего модель в настоящего учёного-ИИ. Чен рассматривает это развитие как значительный шаг к автономии в ИИ, и команда активно работает над инструментом с открытым исходным кодом для разработчиков ИИ, чтобы облегчить этот переход.