Przeszli\u015bmy d\u0142ug\u0105 drog\u0119 od XVII wieku, kiedy to Johannes Kepler zrewolucjonizowa\u0142 astronomi\u0119 dzi\u0119ki swoim precyzyjnym prawom matematycznym przewiduj\u0105cym ruch planet. Jednak modele te, cho\u0107 imponuj\u0105ce, nie potrafi\u0142y wyja\u015bni\u0107, dlaczego planety porusza\u0142y si\u0119 w\u0142a\u015bnie w ten spos\u00f3b. G\u0142\u0119bsze zrozumienie tej kwestii nadesz\u0142o dopiero wraz z pojawieniem si\u0119 Isaaca Newtona i sformu\u0142owania przez niego praw grawitacji. Dzisiaj dostrzegamy podobie\u0144stwa mi\u0119dzy t\u0105 histori\u0105 a obecnym stanem rozwoju sztucznej inteligencji.<\/p>\n
Systemy sztucznej inteligencji osi\u0105gn\u0119\u0142y bieg\u0142o\u015b\u0107 w formu\u0142owaniu prognoz w takich dziedzinach, jak j\u0119zyk, rozpoznawanie obraz\u00f3w, a nawet modelowanie naukowe, co sk\u0142ania do \u017cywego przypomnienia sobie wk\u0142adu Keplera. Czy jednak systemy te naprawd\u0119 rozumiej\u0105 \u015bwiat, czy te\u017c jedynie na\u015bladuj\u0105 wzorce, podobnie jak modele Keplera, kt\u00f3rym brakowa\u0142o g\u0142\u0119bokich spostrze\u017ce\u0144 Newtona? To niepokoj\u0105ce pytanie wywo\u0142uje rosn\u0105c\u0105 fal\u0119 ciekawo\u015bci w\u015br\u00f3d naukowc\u00f3w.<\/p>\n
Zesp\u00f3\u0142 naukowc\u00f3w z Laboratorium System\u00f3w Informacyjnych i Decyzyjnych (LIDS) przy MIT oraz z Uniwersytetu Harvarda postanowi\u0142 zg\u0142\u0119bi\u0107 t\u0119 intryguj\u0105c\u0105 zagadk\u0119, badaj\u0105c zakres zrozumienia sztucznej inteligencji. Jaki by\u0142 ich cel? Ustalenie, czy sztuczna inteligencja potrafi tworzy\u0107 wewn\u0119trzne modele \u015bwiata \u2013 co\u015b w rodzaju \u201cmodelu \u015bwiata\u201d, pozwalaj\u0105cego na uog\u00f3lnienie jej prognoz. Keyon Vafa, doktorant z Uniwersytetu Harvarda i g\u0142\u00f3wny autor badania, zauwa\u017cy\u0142, \u017ce wyzwaniem by\u0142o ustalenie, czy sztuczna inteligencja by\u0142a w stanie przej\u015b\u0107 od generowania trafnych prognoz do konstruowania modeli \u015bwiata, tak jak robi\u0105 to ludzie.<\/p>\n
Sendhil Mullainathan, profesor MIT i g\u0142\u00f3wny autor badania, zwr\u00f3ci\u0142 uwag\u0119 na g\u0142\u00f3wn\u0105 przeszkod\u0119 stoj\u0105c\u0105 na ich drodze: zdefiniowanie poj\u0119cia \u2018zrozumienia\u2019 w kontek\u015bcie sztucznej inteligencji. Wiedzieli, jak zmierzy\u0107 dok\u0142adno\u015b\u0107 prognoz algorytmu, ale potrzebowali rzetelnej metody oceny jego zdolno\u015bci do zrozumienia. Aby pokona\u0107 t\u0119 przeszkod\u0119, zesp\u00f3\u0142 opracowa\u0142 wska\u017anik zwany \u2018stronniczo\u015bci\u0105 indukcyjn\u0105\u2019, kt\u00f3ry mierzy, na ile wnioski wyci\u0105gane przez system sztucznej inteligencji odzwierciedlaj\u0105 rzeczywiste okoliczno\u015bci.<\/p>\n
Zesp\u00f3\u0142 pr\u00f3bowa\u0142 zbada\u0107, jak g\u0142\u0119bokie jest zrozumienie sztucznej inteligencji w r\u00f3\u017cnych scenariuszach o rosn\u0105cym stopniu z\u0142o\u017cono\u015bci. W przypadku prostego, jednowymiarowego modelu siatki, takiego jak \u017caba skacz\u0105ca mi\u0119dzy li\u015b\u0107mi lilii wodnej, sztuczna inteligencja radzi\u0142a sobie znakomicie, opieraj\u0105c si\u0119 na sygna\u0142ach s\u0142uchowych. Jednak wraz ze wzrostem z\u0142o\u017cono\u015bci, na przyk\u0142ad w przypadku przej\u015bcia do siatek dwu- lub tr\u00f3jwymiarowych, sztuczna inteligencja zacz\u0119\u0142a mie\u0107 trudno\u015bci. Peter G. Chang, doktorant z MIT, stwierdzi\u0142, \u017ce ich model wykazywa\u0142 silne nastawienie indukcyjne w systemach o mniejszej z\u0142o\u017cono\u015bci, ale wraz ze wzrostem z\u0142o\u017cono\u015bci zaczyna\u0142 traci\u0107 sp\u00f3jno\u015b\u0107.<\/p>\n
Wyniki tego badania maj\u0105 ogromne znaczenie, bior\u0105c pod uwag\u0119 rosn\u0105c\u0105 rol\u0119 sztucznej inteligencji w odkryciach naukowych. Przewidywanie w\u0142a\u015bciwo\u015bci zwi\u0105zk\u00f3w chemicznych czy zrozumienie procesu fa\u0142dowania bia\u0142ek wymaga czego\u015b wi\u0119cej ni\u017c tylko rozpoznawania wzorc\u00f3w \u2014 konieczne jest zrozumienie le\u017c\u0105cych u ich podstaw zasad. Przypomnia\u0142o to Keyonowi Vafie o otrze\u017awiaj\u0105cej rzeczywisto\u015bci \u2014 przed nami wci\u0105\u017c d\u0142uga droga, nawet w przypadku tak podstawowych zagadnie\u0144, jak poj\u0119cia z zakresu mechaniki.<\/p>\n
\u2018Modele podstawowe\u2019 \u2013 rozbudowane systemy sztucznej inteligencji, trenowane na ogromnych zbiorach danych z r\u00f3\u017cnych dziedzin \u2013 budz\u0105 ogromne zainteresowanie. Oczekuje si\u0119, \u017ce modele te b\u0119d\u0105 gromadzi\u0107 wiedz\u0119 specyficzn\u0105 dla danej dziedziny, przydatn\u0105 przy rozwi\u0105zywaniu nowych problem\u00f3w. Ale czy jeste\u015bmy na to gotowi? Nasze badanie sk\u0142ania nas do ponownego przemy\u015blenia tej kwestii \u2013 uwa\u017ca Chang. Jednak badania te otworzy\u0142y drog\u0119 do sprawdzenia, czy sztuczna inteligencja tworzy dok\u0142adne modele \u015bwiata, co stanowi nieocenione narz\u0119dzie zar\u00f3wno dla programist\u00f3w, jak i naukowc\u00f3w.<\/p>\n
W \u015bwiecie rz\u0105dzonym przez sztuczn\u0105 inteligencj\u0119 przej\u015bcie od przewidywania do zrozumienia mo\u017ce stanowi\u0107 kolejny prze\u0142omowy krok, podobny do tego, jaki nast\u0105pi\u0142 mi\u0119dzy Keplerem a Newtonem. Jak trafnie podsumowuje Chang, gdy tylko dysponujemy odpowiednim wska\u017anikiem, mo\u017cemy go skutecznie optymalizowa\u0107, co wskazuje na obiecuj\u0105c\u0105 \u015bcie\u017ck\u0119 rozwoju sztucznej inteligencji.<\/p>\n