Η ΦΥΣΙΚΗ, Η ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΤΟ ΜΕΛΛΟΝ ΤΗΣ ΑΝΑΚΑΛΥΨΗΣ

 Μετάφραση: Χρήστος Κρυστάλλης

Επιμέλεια μετάφρασης: Νικόλ Σαρλά, Βασίλης Λεμπέσης

Επιστημονική επιμέλεια: Βασίλης Λεμπέσης, Θάνος Παναγόπουλος

Η τεχνητή νοημοσύνη και η φυσική μετασχηματίζουν η μία την άλλη και οι αλλαγές έχουν επιπτώσεις που εκτείνονται από τη σχολική αίθουσα ως τα αστέρια. Οι επιπτώσεις είναι ορατές στην ακαδημία και τη βιομηχανία, στην άμυνα και την ασφάλεια, στη διαδικασία χρηματοδότησης των εταιριών και τη διακυβέρνηση.

Κορυφαίοι φυσικοί από την ακαδημία, την κυβέρνηση και τη βιομηχανία στις ΗΠΑ, συναντήθηκαν νωρίτερα μέσα στη χρονιά (2024) για να μοιραστούν την ελπίδα τους για το πώς η μηχανική μάθηση (machine learning) και η παραγωγική τεχνητή νοημοσύνη (generative artificial intelligence) θα μπορούσαν να μεταμορφώσουν την ανακάλυψη, τη δημιουργικότητα, την πνευματική ιδιοκτησία, την εκπαίδευση, την επικοινωνία και το εργατικό δυναμικό^[1]. Η εκδήλωση οργανώθηκε από το Ίδρυμα AIP στις 11 Απριλίου 2024 στο Αμερικανικό Κέντρο Φυσικής, στην Ουάσινγκτον. Στο συνέδριο προέδρευσε η France Córdova, πρώην διευθύντρια του National Science Foundation (Το Ίδρυμα AIP είναι μέρος του Αμερικανικού Ινστιτούτου Φυσικής, το οποίο εκδίδει το περιοδικό PHYSICS TODAY)^[2].

Córdova: Πώς αλλάζει η τεχνητή νοημοσύνη την έρευνα στη φυσική; Επιταχύνει την ανακάλυψη ή λειτουργεί ως καταλύτης στη σταδιακή πρόοδο;

Jesse Thaler (MIT και NSF): Το 2016 ήμουν επιφυλακτικός, όταν οι άνθρωποι μιλούσαν για την επανάσταση της βαθείας μάθησης (deep learning). Είμαι ένας θεωρητικός φυσικός, οπότε «σκέφτομαι σε βάθος» με την κιμωλία και τον μαυροπίνακα. Έκτοτε συνειδητοποίησα πώς οι δοκιμασμένες στο χρόνο στρατηγικές της φυσικής μπορούν να συγχωνευθούν με τις στρατηγικές της μηχανικής μάθησης, για την επεξεργασία μεγάλων συνόλων από δεδομένα. Αυτό έχει οδηγήσει στην πρόοδο σε πολλές περιπτώσεις. Ακολουθούν τρία παραδείγματα από το ινστιτούτο μου. Θέλαμε να κατανοήσουμε την ισχυρή πυρηνική δύναμη. Για τον σκοπό αυτό, το 10% όλων των ανοικτών υπερυπολογιστικών πόρων των ΗΠΑ, πλέον, αφιερώνεται στην επίλυση των εξισώσεων της πλεγματικής κβαντικής χρωμοδυναμικής, οι οποίες περιγράφουν την ισχυρή αλληλεπίδραση των κουάρκ με τα γλουόνια, που συνδέονται σε πρωτόνια και νετρόνια και στη συνέχεια σε πυρήνες. Ορισμένοι συνάδελφοί μου χρησιμοποιούν ένα είδος παραγωγικής τεχνητής νοημοσύνης για να κάνουν υπολογισμούς εκκινώντας από πρώτες αρχές στα άτομα του υδρογόνου και του ηλίου και να περιηγηθούν  μέσα στον περιοδικό πίνακα.

Η φυσική των νετρίνων είναι ένας άλλος στρατηγικός τομέας στον οποίο επενδύουν οι ΗΠΑ. Σχεδιάζεται ένα πείραμα για να στείλει δέσμες νετρίνων από το Fermilab σε ένα ορυχείο στη Νότια Ντακότα (βλ. το άρθρο της Anne Heavey, PHYSICS TODAY, Ιούλιος 2022, σελίδα 46). Ο ανιχνευτής βασίζεται σε θαλάμους προβολής στον χρόνο από υγρό αργό που δίνουν εξαιρετική πρόσβαση σε πληροφορίες για τα νετρίνα. Δεν μπορούμε να επεξεργαστούμε αυτά τα πολύπλοκα δεδομένα –και να ανακατασκευάσουμε αξιόπιστα τη δυναμική των νετρίνων– χωρίς την τεχνητή νοημοσύνη.

Και τα δύο αυτά παραδείγματα δείχνουν πώς η τεχνητή νοημοσύνη μπορεί να επηρεάσει την έρευνα στη φυσική. Αλλά πώς μπορούν οι φυσικοί να επηρεάσουν την έρευνα της ΤΝ; Μου αρέσει το παράδειγμα του grokking. Αυτό συμβαίνει όταν ένας αλγόριθμος μηχανικής μάθησης τρέχει και τρέχει και δεν μαθαίνει και ξαφνικά του έρχεται μια επιφοίτηση. Για έναν φυσικό, μια τέτοιου είδους απότομη αλλαγή συνιστά μια αλλαγή φάσης. Και, πράγματι, αυτό που συμβαίνει στο grokking είναι ότι ένα τυχαίο σύνολο από πληροφορίες, αποκρυσταλλώνεται ξαφνικά σε γνώση. Αναδύεται μια πλεγματική δομή μέσα στον λανθάνοντα χώρο της αρχιτεκτονικής της μάθησης. Οι φυσικοί βρίσκονται στην μοναδική θέση να κατανοούν αυτή τη διαδικασία. Κρατιέμαι με νύχια και με δόντια την ώρα που οι νεότεροι συνάδελφοί μου με τραβάνε όλο και πιο βαθιά σε έναν κόσμο για τον οποίο ήμουν αρχικά πολύ επιφυλακτικός. Το 2016 δύο μεταπτυχιακοί φοιτητές μου μού έδειξαν την εργασία τους για τη μηχανική μάθηση. Η εργασία τους βρισκόταν σε ευθύ ανταγωνισμό με τη δική μου. Εγώ είχα κοπιάσει για να κάνω υπολογισμούς στη θεωρία του κβαντικού πεδίου και αυτοί ήταν μπροστά μου με ένα νευρωνικό δίκτυο. Τους είπα όλα τα πράγματα που ήταν λάθος στην εργασία τους: «Δεν είναι ερμηνεύσιμη. Δεν έχετε τα σφάλματα. Δεν καταλαβαίνετε τις έννοιες που εμπλέκονται». Σκέφτηκα ότι θα πήγαιναν να κάνουν τη διδακτορική τους διατριβή με κάποιον άλλον. Αντ’ αυτού, οι διατριβές τους απάντησαν, ουσιαστικά, όλες τις ανησυχίες μου.

Αυτή η εμπειρία μου έδειξε πως δεν πρέπει απλώς να κατεβάζουμε την τεχνητή νοημοσύνη από το ράφι και να τη χρησιμοποιούμε όπως είναι. Για να προσαρμόσουμε αυτή τη μέθοδο στη φυσική, πρέπει να συμπεριλάβουμε όλα όσα κάνουμε συνήθως, επιδιώκοντας να έχουμε υψηλά πρότυπα για την επιστημονική ανακάλυψη.

Walter Copan (Σχολή Μεταλλειολόγων του Κολοράντο): Βλέπω την έρευνα στην φυσική να συνυπάρχει με την τεχνητή νοημοσύνη με πάρα πολλούς τρόπους.

Πάρτε ως παράδειγμα τον εξοπλισμό των μεγάλων φυσικών πειραμάτων. Τα συστήματα ελέγχου της τεχνητής νοημοσύνης επιτρέπουν ρυθμίσεις για τις οποίες παλαιότερα χρειάζονταν μήνες εργασίας για τους μεταπτυχιακούς φοιτητές, όπως ο έλεγχος ειδικών πειραμάτων με λέιζερ σε πραγματικά πολύπλοκες οπτικές διατάξεις ή η διαμόρφωση δεσμών και επιταχυντών σωματιδίων που μας επιτρέπουν να αποδίδουμε με ακρίβεια ό,τι απαιτεί η κατανομή της ενέργειας.

Οι εξωπλανήτες είναι ένα άλλο σημαντικό παράδειγμα. Η τεχνητή νοημοσύνη βρίσκεται στον πυρήνα της εύρεσης ή της επικύρωσης της ύπαρξης αρκετών από τους 5000 πλανήτες που έχουν ανακαλυφθεί μέχρι σήμερα. Συνήθως, οι πλανήτες εντοπίζονται εξαιτίας των μεταβολών στην ένταση των σημάτων που προέρχονται από ένα άστρο, όταν ένας πλανήτης περιφέρεται γύρω του. Η τεχνητή νοημοσύνη είναι απολύτως  κατάλληλη για την έγκαιρη αναγνώριση προτύπων όπως αυτό.

Πράγματι, η τεχνητή νοημοσύνη μπορεί να επιταχύνει την έρευνα της φυσικής μέσω της αναγνώρισης προτύπων, επίσης μπορεί να συνεισφέρει στις διαδικασίες ανακάλυψης, ειδικά όπου εμπλέκονται τεράστιες ποσότητες δεδομένων, όπως για παράδειγμα στον Μεγάλο Επιταχυντή Αδρονίων ή σε όσα αναμένουμε από τον Επιταχυντή Ιόντων-Ηλεκτρονίων στο Εθνικό Εργαστήριο Brookhaven.

Valerie Browning (Lockheed Martin): Πλέον, με τα μεγάλα γλωσικά μοντέλα (large language models) και τη παραγωγική τεχνητή νοημοσύνη, η τεχνητή νοημοσύνη εξελίσσεται από ένα εξαιρετικά πολύτιμο υπολογιστικό εργαλείο σε συνεργάτη. Αυτό θα επιταχύνει περαιτέρω τις διαδικασίες της ανακάλυψης. Υπάρχουν πραγματικές υποσχέσεις σε διάφορους τομείς: στη διασταύρωση της κβαντικής πληροφορικής και της μηχανικής μάθησης (machine learning), στην ανακάλυψη νέων υλικών για συστήματα ανανεώσιμων πηγών ενέργειας και στη διασταύρωση των νευρωνικών δικτύων με βάση τη φυσική και τη μηχανική μάθηση.

Córdova: Ποια είναι η προοπτική της βιομηχανίας;

Evgeni Gousev (Qualcomm Research και ίδρυμα tinyML): Στη Silicon Valley αναπτύσσουμε τεχνολογίες αιχμής στην τεχνητή νοημοσύνη, τόσο όσον αφορά στο υλισμικό όσο και στο λογισμικό: όλα τα εργαλεία αξιοποιούνται στην επιστημονική έρευνα. Αναπτυξιακά, όμως, η τεχνητή νοημοσύνη βρίσκεται σε νηπιακό στάδιο. Θα μπορούσε κανείς να διδάξει σε έναν έφηβο να οδηγεί ένα αυτοκίνητο, σε περίπου 10 ώρες. Έχουμε ξοδέψει δισεκατομμύρια δολάρια και πάνω από μια δεκαετία για την αυτόνομη οδήγηση και, ακόμα, δεν έχουμε φτάσει εκεί. Η τεχνολογία της τεχνητής νοημοσύνης βρίσκεται ακόμη στην αρχή. Κάτω από την επιφάνεια, εκτελεί κάποιες βασικές πιθανολογικές εξισώσεις, κάνει πολλαπλασιασμό πινάκων. Αυτή η χοντροκομμένη χρήση της δεν είναι καθόλου βιώσιμη.

Σε αυτό το σημείο μπορούν να συνεισφέρουν οι φυσικοί. Είμαστε εκπαιδευμένοι να λύνουμε προβλήματα και να συνδέουμε τα σημεία. Υπάρχουν τεράστιες ευκαιρίες για εμάς να βοηθήσουμε να καταστεί η τεχνητή νοημοσύνη περισσότερο ερμηνεύσιμη, λογική, αξιόπιστη και να επεκταθεί σε μεγαλύτερη κλίμακα.

Córdova: Υπάρχουν κίνδυνοι για την έρευνα;

Browning: Δεν υπάρχει κάτι σχετικό με την τεχνητή νοημοσύνη που μπορεί να ακυρώσει την ανάγκη για τoν δέοντα έλεγχο και την επιστημονική μέθοδο. Ο κίνδυνος εμφανίζεται στην εφαρμογή. Τα μοντέλα ή οι ιδέες που αναπτύχθηκαν με τη χρήση εργαλείων τεχνητής νοημοσύνης και μηχανικής μάθησης μπορεί να ήταν έγκυρα σε ορισμένα πεδία ή κάτω από συγκεκριμένους περιορισμούς. Ο κίνδυνος εμφανίζεται όταν αυτοί οι περιορισμοί δεν  ενσωματώνονται στη μηχανική διαδικασία.

Στην επιστήμη της αεροδιαστημικής και της στρατιωτικής άμυνας ένα λάθος μπορεί να θέσει ζωές σε κίνδυνο. Έτσι, σε μεγάλο βαθμό, αυτό που κάνουμε είναι να εισάγουμε την αυστηρότητα της μηχανικής. Η αξιολόγηση, η επικύρωση και η επαλήθευση είναι μια πρόκληση όταν προσπαθείς να προβλέψεις όλες τις ακραίες περιπτώσεις –τα σπάνια γεγονότα– που μπορεί να προκύψουν σε ένα περιβάλλον πολύ δυναμικό και, πιθανώς, με περιορισμένους πόρους.

Copan: Ο κίνδυνος είναι μια κατάσταση όπου η οικοδόμηση εμπιστοσύνης απαιτεί διαρκώς έλεγχο και επαλήθευση. Πάρτε πάλι, ως παράδειγμα, την τεχνητή νοημοσύνη και τους εξωπλανήτες. Η ακρίβεια της διαδικασίας ανακάλυψης ήταν πάνω από 96%. Μπορούμε να μάθουμε από ό,τι δεν είχαμε προβλέψει καθώς και από ψευδώς θετικά αποτελέσματα που εντοπίζουμε.

Το NIST έχει βασικό ρόλο σε ό,τι αφορά τα πρότυπα μιας αξιόπιστης τεχνητής νοημοσύνης. Για ένα εύρος εφαρμογών, είναι σημαντικό να υπάρχουν δοκιμαστικά πεδία, όπου τα πρωτόκολλα για την τεχνητή νοημοσύνη να μπορούν να επικυρωθούν και η ακρίβειά τους να μπορεί να επαληθευτεί ανεξάρτητα.

Córdova: Πώς αλλάζει η τεχνητή νοημοσύνη την εκπαίδευση;

Thaler: Στην πανεπιστημιούπολή μας, υπάρχει ένα χάσμα μεταξύ των ανθρώπων που είναι ενθουσιασμένοι με την τεχνητή νοημοσύνη και των στρουθοκάμηλων που βάζουν το κεφάλι τους στην άμμο και λένε ότι η τεχνητή νοημοσύνη δεν πρόκειται να είναι ποτέ συναφής με την έρευνα μας. Αλλά αν δεν φέρνουμε αυτά τα εργαλεία στο αμφιθέατρο, τότε ουσιαστικά δεν κάνουμε τη δουλειά μας ως καθηγητές, δεν διδάσκουμε.

Και μόλις υποχρεώνεις τους φοιτητές να χρησιμοποιήσουν τη γενετική ΤΝ, πραγματικά αλλάζουν οι εξετάσεις που θα χρειαστεί να ετοιμάσεις. Αυτές τις μέρες, ένας φοιτητής μπορεί να χρησιμοποιήσει ένα ρομπότ, τύπου ChatGPT, για να απαντήσει σε μια ερώτηση για το πώς να τρέξει, ας πούμε, έναν κώδικα που επεξεργάζεται δεδομένα από το Aστεροσκοπείο Βαρυτικών Κυμάτων Συμβολομετρίας Λέιζερ (LIGO). Ένας ψηφιακός βοηθός συνομιλίας (chatbot) μπορεί ακόμη και να δημιουργήσει ένα υπόδειγμα κώδικα. Οι συνάδελφοί μου στο ΜΙΤ αναπτύσσουν έναν ψηφιακό βοηθό συνομιλίας κατάλληλος για τη ροή της επιστημονικής εργασίας. Είναι μια απίστευτη πηγή μάθησης. Φοιτητές που μπορεί να μην ξέρουν ούτε πώς να θέτουν ερωτήσεις μπορούν να αλληλεπιδράσουν με έναν ψηφιακό βοηθό συνομιλίας για να βρουν απαντήσεις σε πράγματα που είναι θαμμένα μέσα στην τεχνική βιβλιογραφία.

Copan: Η τεχνητή νοημοσύνη και η μηχανική μάθηση είναι πλέον τα βασικά εργαλεία με τα οποία ασκείται η επιστήμη. Είναι σημαντικό οι φοιτητές να αποκτήσουν γνώση για την τεχνητή νοημοσύνη. Είναι αυτοί που θα προωθήσουν τη φυσική μέσω της τεχνητής νοημοσύνης και το αντίστροφο.

Córdova: Αλλάζει η τεχνητή νοημοσύνη την επικοινωνία της επιστήμης;

Thaler: Σε αυτό το πεδίο, οι δυνατότητες που έχουμε έχουν αυξηθεί εκπληκτικά, όπως διαπίστωσα μέσω ενός πρωταπριλιάτικου αστείου εις βάρος μου που ονομάζεται ChatJesseT. Πρόκειται για έναν ψηφιακό βοηθό συνομιλίας που γνωρίζει όλες τις εργασίες μου, το λήμμα μου στη Wikipedia και την ιστοσελίδα μου. Το ChatJesseT μιλάει με πολύ ενθουσιασμό για τη φυσική και την τεχνητή νοημοσύνη. Οι φοιτητές και οι μεταδιδακτορικοί ερευνητές του ΜΙΤ το κατασκεύασαν χρησιμοποιώντας παραγωγή ενισχυμένη με ανάκτηση, αντλώντας από ένα αξιόπιστο σώμα κειμένων, και αξιοποιώντας κάποια μηχανική προτροπών (prompt-engineering). Αυτό μας ενέπνευσε να εκπαιδεύσουμε έναν ψηφιακό βοηθό συνομιλίας σε όλες τις εργασίες του J. Robert Oppenheimer. Μπορεί να μας δώσει απαντήσεις για τεχνικές έννοιες, όπως η προσέγγιση Born-Oppenheimer, αλλά και για θέματα που βρίσκονται στην διασταύρωση της κοινωνίας με τη φυσική.

Διαπιστώσαμε ότι το ρομπότ, Open-AI-mer, μπορεί να πυροδοτήσει έναν διάλογο με το κοινό σε σχέση με τις υποσχέσεις και τους κινδύνους της τεχνητής νοημοσύνης. Οι επισκέπτες του Φεστιβάλ Επιστήμης του Κέιμπριτζ έδειξαν έντονο ενδιαφέρον να μιλήσουν με το Open-AI-mer και στη συνέχεια να ρωτήσουν τον φυσικό στο περίπτερο αν οι απαντήσεις του ρομπότ ήταν μια ψευδαίσθηση ή ήταν πραγματικές.

Κάποτε ήμουν στραβόξυλο, πίστευα ότι δεν θα μπορέσουμε ποτέ να χρησιμοποιήσουμε ένα γλωσσικό μοντέλο για τις ανακαλύψεις της επιστήμης κι αυτό γιατί η γλώσσα της φυσικής είναι εξισώσεις. Έχω αρχίσει να εκτιμώ ότι ένας τόνος δεδομένων έχει τη μορφή κειμένου. Για παράδειγμα, ένας μαθητής λυκείου και ένας μεταδιδακτορικός ερευνητής χρησιμοποίησαν τεχνητή νοημοσύνη με μια βάση δεδομένων με εικόνες του Hubble –είχε τις εικόνες από το διαστημικό τηλεσκόπιο Hubble και τις προτάσεις που χρησιμοποιήθηκαν για να δικαιολογήσουν το χρόνο λειτουργίας του τηλεσκοπίου. Έβαλαν μαζί τα δεδομένα-κειμένου και τα δεδομένα-εικόνας και δημιούργησαν έναν νέο τρόπο αλληλεπίδρασης με ένα επιστημονικό σύνολο δεδομένων.

Εμείς οι φυσικοί συνειδητοποιούμε, ίσως προς απογοήτευσή μας, ότι η γλώσσα είναι στην πραγματικότητα ένα ισχυρό μέσο επικοινωνίας. Η γενετική τεχνητή νοημοσύνη μπορεί να φέρει κοντά τους τεχνικούς εμπειρογνώμονες και το κοινό και να δημιουργήσει περισσότερες ευκαιρίες για ανταλλαγή απόψεων.

Ακόμα καλύτερα, θα είμαστε σε θέση να προσαρμόσουμε τα δικά μας ρομπότ συνομιλίας –ChatFrance, ChatWalt, αν θέλετε– ώστε να καλύπτουν τις ανάγκες μας. Η σύζυγός μου είναι δικηγόρος. Η έκδοση που έχει δημιουργηθεί με μηχανική προτροπών που χρησιμοποιεί της απαντά σε ορισμένους τύπους νομικών ερωτήσεων σε μια μορφή που είναι χρήσιμη επαγγελματικά για την ίδια. Ακόμη κι αν δεν έχουμε γνώσεις προγραμματισμού, μπορούμε να προγραμματίσουμε τέτοια εργαλεία για να κάνουν διάφορες δουλειές που διαφορετικά θα ήταν αρκετά επαχθείς.

Córdova: Ποια είναι τα βασικά ζητήματα πολιτικής για τη χρηματοδότηση από το κράτος;

Browning: Περίπου το 70% του προϋπολογισμού, των περίπου 4 δισεκατομμυρίων δολαρίων που επενδύει η DARPA [Υπηρεσία Προηγμένων Αμυντικών Ερευνητικών Προγραμμάτων] στην έρευνα και ανάπτυξη είτε αξιοποιεί την τεχνητή νοημοσύνη, είτε την προωθεί.

Copan: Είδαμε μια επαναστατική αλλαγή στις ομοσπονδιακές επενδύσεις σε ό,τι αφορά την επιστήμη και την τεχνολογία της τεχνητής νοημοσύνης. Όπως είναι φυσικό, χρειάζεται χρόνος για να συμβαδίσει η πολιτική και η νομοθετική ρύθμιση με την κλίμακα και τον ρυθμό της επιστημονικής ανακάλυψης και της τεχνολογίας. Τώρα που οι ΗΠΑ θέλουν να είναι ο παγκόσμιος ηγέτης στην τεχνητή νοημοσύνη, οι θεσμοί θα αρχίσουν να αναρωτιούνται αν οι ερευνητές, τελικά, δεν χρησιμοποιούν την τεχνητή νοημοσύνη για να πετύχουν τους στόχους τους με οικονομικά αποδοτικό τρόπο που μπορεί να αναπτύξει μοντέλα με δυνατότητα να επεκταθούν και να χρησιμοποιηθούν για άλλους σκοπούς. Σαφώς, οι ευκαιρίες σε όλες τις επιστημονικές υπηρεσίες θα μετριαστούν από την ανάγκη να αξιοποιηθεί η επιστημονική διαδικασία στην επικύρωση των μοντέλων.

Όμως, ο βαθμός στον οποίο οι ΗΠΑ μπορούν να κεφαλαιοποιήσουν την τεχνητή νοημοσύνη ως πολλαπλασιαστή δυνάμεων, ως παράγοντα ενεργοποίησης και ως μοχλό αποδοτικότητας εντός της οικονομίας είναι επίσης ένα ζήτημα που αφορά το εργατικό δυναμικό. Υπάρχουν κενά σε όλο το εργατικό δυναμικό που πρέπει να καλυφθούν, εντός και εκτός των εταιριών που ασχολούνται με την επιστήμη, τώρα και στο μέλλον. Κι αυτό έχει επιπτώσεις στην πολιτική.

Córdova: Η βιομηχανία διαθέτει τους περισσότερους πόρους για την τεχνητή νοημοσύνη αυτή τη στιγμή. Τα πανεπιστήμια χρειάζονται αυτά τα εργαλεία για να ασχοληθούν με βασικά ερευνητικά ερωτήματα. Τα εργαλεία αυτά είναι ακριβά και σπάνια. Ποια είναι η λύση;

Browning: Αυτή η πρόκληση επιδεινώνει το ευρύτερο και μακροχρόνιο πρόβλημα των ανισοτήτων σε υπολογιστές υψηλής ισχύος, συμπεριλαμβανομένης της πρόσβασης στις μονάδες επεξεργασίας γραφικών στα ακαδημαϊκά μας ιδρύματα. Αυτό παρεμποδίζει τη βιωματική μάθηση. Ένας φοιτητής που έχει πρόσβαση μπορεί να εργαστεί πάνω σε κάποια απαιτητικά προβλήματα του πραγματικού κόσμου, και αυτή η εμπειρία μπορεί να του ανοίξει πόρτες που είναι κλειστές για όσους έχουν λιγότερους πόρους. Η διόρθωση αυτού του προβλήματος απαιτεί εστίαση, εξέταση και επένδυση.

Ως κράτος, αναγνωρίζουμε ότι η πρόσβαση είναι πρόβλημα. Ο νόμος CHIPS and Science Act, για παράδειγμα, προτείνει μεγάλες αυξήσεις στη χρηματοδότηση για τη στήριξη μεγαλύτερης πρόσβασης σε πεδία STEM, συμπεριλαμβανομένων των κβαντικών υπολογιστών και της ΤΝ, για την ενίσχυση των ερευνητικών υποδομών και των προηγμένων υπολογιστών. Όμως, χρειάζεται ακόμα να γίνουν περισσότερα για τους μαθητές.

Gousev: Αυτή τη στιγμή τα πάντα είναι υπερτιμημένα, από τις τιμές ως τον όγκο των παραγγελιών, κι αυτό είναι μέρος του προβλήματος. Η τεχνητή νοημοσύνη δεν είναι ένα εργαλείο παντός καιρού. Τα πανεπιστήμια πρέπει να τη χρησιμοποιούν με έξυπνο τρόπο, ξεκινώντας από το πρόβλημα που προσπαθούν να λύσουν. Τα δεδομένα στο ψηφιακό νέφος, σε μεγάλο βαθμό, έχουν ήδη χρησιμοποιηθεί από τα μοντέλα τύπου GPT. Αλλά υπάρχουν πολύ περισσότερα δεδομένα στον πραγματικό κόσμο. Γι’ αυτό χρειαζόμαστε την τεχνητή νοημοσύνη, για να τα συλλέξει και να τα κάνει αξιοποιήσιμα.

Ο ενθουσιασμός θα μειωθεί. Έρχεται περισσότερη χωρητικότητα, καθώς περισσότερες νεοφυείς επιχειρήσεις εισέρχονται στο χώρο για να αναπτύξουν νέες προσεγγίσεις, καινοτομίες, τεχνικές και υλικό. Οι αλγόριθμοι θα γίνουν πιο αποδοτικοί. Ένας ανθρώπινος εγκέφαλος καταναλώνει 20 watts ενέργειας και μπορούμε να κάνουμε πολύ σύνθετες εργασίες. Οι μονάδες επεξεργασίας γραφικών μπορούν να καταναλώνουν κιλοβάτ –είναι εξαιρετικά μη αποδοτικές. Είμαι αισιόδοξος ότι η τεχνητή νοημοσύνη θα γίνεται όλο και πιο αποδοτική και προσιτή.

Άτομο από το ακροατήριο: Κρατούν τα ηνία της ανάπτυξης της τεχνητής νοημοσύνης άνθρωποι με τις κατάλληλες δεξιότητες;

Gousev: Είναι η κατάλληλη στιγμή για να λάμψουν οι φυσικοί. Είμαστε λίγο κλεισμένοι στο καβούκι μας, αφού πολλές ανακαλύψεις της φυσικής έγιναν τον 20^ό αιώνα. Ήρθε η ώρα να επανέλθουμε. Μπορούμε να φέρουμε περισσότερη ερμηνευσιμότητα, αποδοτικότητα και κοινή λογική στον σύγχρονο χαοτικό κόσμο της τεχνητής νοημοσύνης.

Copan: Κατά την εκπαίδευση των φυσικών, πρέπει να δουλέψουμε σε όλη την κλίμακα και να τους δώσουμε την ικανότητα να επικοινωνούν με πειστικότητα και σαφήνεια, ώστε να μπορούν να οικοδομούν ομοφωνία και ομάδες. Αυτό που χρειάζεται τώρα είναι ένας συνδυασμός φυσικής, επιχειρηματικής οξυδέρκειας, συναισθηματικής νοημοσύνης και επικοινωνιακών δεξιοτήτων: φυσική και κάτι ακόμα.

Thaler: Στο ινστιτούτο τεχνητής νοημοσύνης του NSF, εκπαιδεύουμε απίστευτα ταλαντούχους διεπιστημονικούς εμπειρογνώμονες που συνεχίζουν να εργάζονται στη βιομηχανία. Είναι κορυφαίοι στην επίλυση προβλημάτων. Μόλις βάλεις αυτούς τους ανθρώπους στο κατώφλι σημαντικών εταιρειών, θα φτάσουν μέχρι την κορυφή.

Άτομο από το ακροατήριο: Τι ρόλο παίζει η τεχνητή νοημοσύνη στην καινοτομία και τη δημιουργικότητα;

Thaler:  Δεν εκμεταλλευόμαστε αρκετά την ικανότητα των υπολογιστών να εξερευνούν τεράστια πεδία δυνατοτήτων. Ένα μέρος μου αναρωτιέται αν κάποιες από τις κορυφές των ανθρώπινων επιτευγμάτων θα μπορούσαν να έχουν επιτευχθεί μέσα από εξαντλητική αναζήτηση. Θα μπορούσε η σχετικότητα του Αϊνστάιν να προέλθει από την αρχή της βελτιστοποίησης; Χρειαζόταν πράγματι η κατανόηση της γεωμετρίας του χωροχρόνου; Υπήρχε κάποιος άλλος τρόπος για να φτάσουμε σε αυτή τη διαπίστωση; Ένα μέρος μου σκέφτεται ότι ίσως σταθήκαμε τυχεροί στο παρελθόν με τις ανακαλύψεις της φυσικής. Τα πράγματα ήταν απλά και προκαλούσαν ταραχή. Οι φυσικοί μπορούσαν να χρησιμοποιήσουν βασικούς κανόνες και έτσι να προοδεύσουν.

Ίσως τα προβλήματα που αντιμετωπίζουμε σήμερα να είναι εγγενώς πολύπλοκα. Ίσως οι φυσικοί πρέπει να είναι προσεκτικοί με τις υπερβολικές αναγωγές των πραγμάτων στις απλούστερες μορφές τους. Ίσως πρέπει να αποδεχτούμε κάποιο επίπεδο πολυπλοκότητας. Ίσως, για να αποκτήσουμε πρωτοποριακές ιδέες στη φυσική, χρειάζεται να αρχίσουμε να σκεφτόμαστε λίγο περισσότερο σαν υπολογιστές και να εξετάζουμε πολλές, πολλές διαφορετικές, επιλογές. Ίσως η ωμή ισχύς να είναι το μέλλον της δημιουργικότητας.

Copan: Ο πειραματικός σχεδιασμός και η ανακάλυψη είναι εγγενώς ανθρώπινες δραστηριότητες. Βρισκόμαστε τώρα σε μια πολύ ενδιαφέρουσα συμβίωση με τις μηχανές. Υπάρχει το μέρος μιας ανακάλυψης που μπορεί να κατοχυρωθεί με δίπλωμα ευρεσιτεχνίας και το άγριο πεδίο της εργασίας που μπορεί να κατοχυρωθεί με πνευματικά δικαιώματα. Τι συνιστά την αρχή μιας δημιουργικής διαδικασίας και ποιος ήταν ο ρόλος της τεχνητής νοημοσύνης ή ενός προγράμματος υποβοηθούμενου από μηχανές;

Το Γραφείο Διπλωμάτων Ευρεσιτεχνίας και Εμπορικών Σημάτων των ΗΠΑ και άλλα γραφεία πνευματικής ιδιοκτησίας σε όλο τον κόσμο έχουν λάβει ορισμένες πολιτικές αποφάσεις σχετικά με την ευρεσιτεχνία και τον ρόλο του ανθρώπου εφευρέτη ενώπιον των μηχανών. Αλλά, κατά κάποιο τρόπο, αυτά είναι τεχνουργήματα. Πρόκειται για ένα πεδίο που εξελίσσεται διαρκώς.

Browning: Υπάρχουν παραδείγματα στα οποία η τεχνητή νοημοσύνη ανακάλυψε ξανά νόμους της φυσικής που γνωρίζουμε. Ποιος μπορεί να πει ότι δεν βρισκόμαστε στα πρόθυρα της ανακάλυψης κάτι νέου από την τεχνητή νοημοσύνη; Και η τεχνητή νοημοσύνη μπορεί να εξερευνήσει πολλές διαφορετικές επιλογές ύστερα από μερικές προτροπές. Ας πούμε ότι θέλω να σχεδιάσω έναν εναλλάκτη θερμότητας με συγκεκριμένες ιδιότητες, αλλά χωρίς τις σημερινές προκαταλήψεις γύρω από το πως μοιάζει ένας εναλλάκτης θερμότητας. Η τεχνητή νοημοσύνη βρίσκει μερικές αρκετά δημιουργικές επιλογές. Αν το συνδυάσετε αυτό με νέες κατασκευαστικές τεχνικές και κατασκευαστικά υλικά, νομίζω ότι υπάρχει προοπτική.

Córdova: Τυχαίνει να έχουμε στο ακροατήριο τον πατέρα του διαδικτύου, τον Vint Cerf. [Ο Cerf είναι αντιπρόεδρος και ένθερμος οπαδός του Διαδικτύου στην Google και πρόσφατα μέλος του διοικητικού συμβουλίου]. Είναι σκόπιμο να του δώσουμε τον τελευταίο λόγο.

Vint Cerf: Είναι σημαντικό να γίνει διάκριση μεταξύ των γενικών μοντέλων μηχανικής μάθησης και των ειδικών μεγάλων γλωσσικών μοντέλων (Large Language Models). Τα πρώτα έχουν επιδείξει μια ικανότητα να ανακαλύπτουν συσχετίσεις που ίσως να μην είχαμε παρατηρήσει. Η επισήμανση συσχετίσεων αποτελεί σημαντικό μέρος της ανακάλυψης στη φυσική. Με τα μεγάλα γλωσσικά μοντέλα, νομίζω ότι δεν εκτιμούμε πλήρως τι στο διάολο συμβαίνει. Ξέρουμε ότι είναι παραγωγικά και ξέρουμε ότι μπορούν να έχουν παραισθήσεις, αλλά είναι ενδιαφέρον ότι συγκεντρώνουν κάποιες απροσδόκητες συγκρίσεις εξαιτίας της μεθοδολογίας μέσω της οποίας έχουν εκπαιδευτεί.

Το θέμα είναι ότι δεν είναι επαρκώς πλαισιωμένα. Το δοκίμασα, ζητώντας από ένα μεγάλο γλωσσικό μοντέλο να γράψει έναν επικήδειο για μένα και αυτό παρήγαγε ένα βιογραφικό 700 λέξεων. Έδωσε μια ημερομηνία, που θεωρώ πως ήταν πολύ νωρίς. Μίλησε για την καριέρα μου. Μου έδωσε εύσημα για πράγματα που δεν έκανα. Έδινε σε άλλους ανθρώπους τα εύσημα για πράγματα που είχα κάνει εγώ. Έφτιαξε μέλη της οικογένειας που δεν έχω.

Αυτό φανερώνει πως τα μεγάλα γλωσσικά μοντέλα παράγουν την αληθοφάνεια του ανθρώπινου λόγου. Ανταποκρίνονται σαν να είχαμε ρωτήσει: «Αν ήσασταν άνθρωπος, τι θα λέγατε σε αυτή την προτροπή;». Αυτό είναι όλο. Αλλά μέσα τους κρύβεται κάποια έννοια γνώσης, επειδή τα στατιστικά στοιχεία ανταποκρίνονται σε πραγματικά κείμενα που έχουν νόημα. Και έτσι μπορεί να νιώθουμε σαν να υπάρχει ένα φάντασμα εκεί μέσα που καταλαβαίνει κάτι.

Να ένα αιχμηρό παράδειγμα. Ένας από τους υπαλλήλους μας ζήτησε από ένα ρομπότ συνομιλίας να αντιστρέψει μια σειρά τυχαίων χαρακτήρων. Παρήγαγε την αντίστροφη συμβολοσειρά και πρόσθεσε: «Παρεμπιπτόντως, εδώ είναι ένα πρόγραμμα Python που το κάνει αυτό». Αυτό μας ξάφνιασε. Η μηχανική μάθηση (machine learning) και η γενετική τεχνητή νοημοσύνη είναι ως επί το πλείστων απλώς εργαλεία. Και εμείς πρέπει να είμαστε αρκετά έξυπνοι ώστε να διακρίνουμε μεταξύ παραίσθησης και οράματος.

ΣΗΜΕΙΩΣΕΙΣ

[1] Σχετικά με τους συμμετέχοντες στο διάλογο: Η France Córdova είναι πρόεδρος του διοικητικού συμβουλίου του Ιδρύματος AIP, πρόεδρος της Science Philanthropy Alliance και πρώην διευθύντρια του National Science Foundation (NSF). Η Valerie Browning είναι αντιπρόεδρος έρευνας και τεχνολογίας του γραφείου τεχνολογίας της εταιρείας Lockheed Martin και είναι μέλος του διοικητικού συμβουλίου του AIP. Ο Walter Copan είναι αντιπρόεδρος για την έρευνα και τη μεταφορά τεχνολογίας στη Σχολή Μεταλλειολόγων του Κολοράντο και πρώην διευθυντής του National Institute of Standards and Technology (NIST). Ο Evgeni Gousev είναι ανώτερος διευθυντής μηχανικής στην Qualcomm Research και πρόεδρος του διοικητικού συμβουλίου του ιδρύματος tinyML, και είναι μέλος του διοικητικού συμβουλίου του ιδρύματος AIP. O Jesse Thaler είναι καθηγητής φυσικής στο MIT και διευθυντής του NSF Institute for Artificial Intelligence and Fundamental Interactions.

[2] Το κείμενο που ακολουθεί είναι η προσαρμοσμένη και συμπυκνωμένη εκδοχή του απομαγνητοφωνημένου κειμένου της εκδήλωσης.

ΕΥΧΑΡΙΣΤΙΕΣ

Ευχαριστούμε τον Στέργιο Χατζηκυριακίδη, καθηγητή Υπολογιστικής Γλωσσολογίας στο Τμήμα Φιλολογίας του Πανεπιστημίου Κρήτης, για τη βοήθειά του στην απόδοση όρων του κειμένου στα ελληνικά.

Reproduced from France Córdova, Valerie Browning, Walter Copan, Evgeni Gousev, Jesse Thaler; Physics, AI, and the future of discovery. Physics Today 1 November 2024; 77 (11): 30–37, (https://doi.org/10.1063/pt.rlqh.ngld) with the permission of the American Institute of Physics.