Peneliti Tiongkok hampir menciptakan "ilmuwan AI sejati"

Peneliti Tiongkok berada di ambang pendekatan terobosan untuk mengembangkan “ilmuwan kecerdasan buatan (AI)” yang mampu melakukan eksperimen dan memecahkan masalah ilmiah. Kemajuan terbaru dalam model pembelajaran mendalam telah merevolusi penelitian ilmiah, namun model saat ini masih kesulitan untuk meniru interaksi fisik di dunia nyata secara akurat.

Namun, tim peneliti dari Universitas Peking dan Institut Teknologi Oriental (EIT) di Tiongkok telah mengembangkan kerangka kerja baru untuk melatih model pembelajaran mesin berdasarkan pengetahuan sebelumnya, seperti hukum fisika atau logika matematika, bersama dengan data.

South China Morning Post melaporkan bahwa pendekatan semacam itu dapat mengarah pada terciptanya "ilmuwan sejati dengan kecerdasan buatan" yang dapat meningkatkan eksperimen dan memecahkan masalah ilmiah. Model pembelajaran mendalam telah secara signifikan memengaruhi penelitian ilmiah dengan mengungkap hubungan dalam kumpulan data yang besar. Terlepas dari kemajuan ini, model saat ini seperti Sora OpenAI menghadapi keterbatasan dalam mensimulasikan interaksi fisik tertentu secara akurat di dunia nyata.

Misalnya, Sora, model teks-ke-video, telah mendapatkan popularitas luas karena representasi objeknya yang lebih baik dan realistis. Namun, ia tidak dapat secara akurat memodelkan interaksi dasar, misalnya arah pergerakan nyala lilin pada kue liburan.

Para peneliti menyarankan untuk menggabungkan “pengetahuan sebelumnya”, seperti hukum fisika atau logika matematika, bersama dengan data untuk melatih model pembelajaran mesin yang lebih akurat.

Memasukkan pengetahuan manusia ke dalam model AI dapat meningkatkan efektivitas dan kemampuan prediktifnya. Untuk mengatasi masalah ini, tim mengembangkan kerangka kerja untuk mengevaluasi nilai pengetahuan sebelumnya dan menentukan dampaknya terhadap akurasi model. Kerangka kerja mereka bertujuan untuk mengevaluasi nilai pengetahuan menggunakan aturan turunan, dengan mempertimbangkan faktor-faktor seperti volume data dan rentang evaluasi. Dengan melakukan eksperimen kuantitatif, peneliti berupaya menjelaskan hubungan kompleks antara data dan pengetahuan sebelumnya, termasuk ketergantungan, sinergi, dan efek substitusi.

Sistem diagnostik model ini dapat diterapkan pada berbagai arsitektur jaringan, memberikan pemahaman komprehensif tentang peran pengetahuan sebelumnya dalam model pembelajaran mendalam.

Para peneliti menguji kerangka mereka pada model untuk menyelesaikan persamaan multidimensi dan memprediksi hasil eksperimen kimia. Mereka menemukan bahwa menggabungkan pengetahuan sebelumnya secara signifikan meningkatkan kinerja model-model ini, terutama dalam bidang ilmiah di mana konsistensi dengan hukum fisika sangat penting untuk menghindari kemungkinan terjadinya bencana. Dalam jangka panjang, tim ini bertujuan untuk mengembangkan model AI yang dapat secara mandiri mengidentifikasi dan menerapkan pengetahuan yang relevan tanpa campur tangan manusia.

Namun, mereka mengakui bahwa seiring bertambahnya jumlah data dalam model, masalah seperti dominasi aturan umum atas aturan lokal tertentu mungkin timbul, terutama di bidang biologi dan kimia, di mana aturan umum mungkin tidak ada.

Baca juga:

•  Kendaraan lapis baja Cockerill iX menerima AI untuk pertempuran efektif melawan drone
• Apa itu AMD XDNA? Arsitektur yang mendukung AI pada prosesor Ryzen