Η τεχνητή νοημοσύνη έχει προοδεύσει τόσο πολύ στην επίλυση μαθηματικών γρίφων, ώστε κάποιοι επικριτές της φοβούνται πως ο καταιγισμός νέων αποδείξεων που παράγει θα υπερφορτώσει τους ακαδημαϊκούς και θα γυρίσει τον κλάδο πίσω. Μέχρι σήμερα, η επίδρασή της σε άλλους τομείς της επιστήμης ήταν περιορισμένη. Ωστόσο, υπάρχουν ενδείξεις ότι η φυσική μπορεί να βρίσκεται μπροστά σε μια αντίστοιχη ανατροπή.
Ο John Sous από το Yale University λέει ότι τα μοντέλα τεχνητής νοημοσύνης ίσως έχουν άδικα κακή φήμη στη φυσική, λόγω του τρόπου με τον οποίο δοκιμάζονται. Τα πιο εξελιγμένα μοντέλα έχουν καταγράψει βαθμολογίες ακόμη και 30% σε έξι διαφορετικά τεστ που σχεδιάστηκαν ειδικά για να αξιολογήσουν την ικανότητα της AI σε δύσκολα προβλήματα φυσικής, όμως αυτό δεν συμβαδίζει με τις επιτυχίες που έχει δει ο ίδιος και οι συνεργάτες του όταν τα χρησιμοποιούν, λέει.
Ο έλεγχος των προβλημάτων στα συγκεκριμένα benchmarks αποκάλυψε πλήθος λαθών και ασαφών ορισμών. Όταν αυτά διορθώθηκαν, οι βαθμολογίες εκτινάχθηκαν έως και στο 94%. Το πρόβλημα δεν βρισκόταν στην AI, αλλά στο ότι τα τεστ δεν παρείχαν τις απαραίτητες πληροφορίες.
«Νομίζω ότι οτιδήποτε είναι καλά ορισμένο, ακόμη κι αν είναι πολύ δύσκολο, υποψιάζομαι ότι η AI θα είναι πολύ καλή σε αυτό – ίσως μάλιστα καλύτερη από τους κορυφαίους ειδικούς», λέει ο Sous. «Αυτό επιβεβαιώνεται από τα δεδομένα μας».
Όμως, ενώ ορισμένα πεδία της φυσικής μπορούν να οριστούν με μεγάλη ακρίβεια — ο φυσικός Vladimir Arnold είχε πει κάποτε ότι τα μαθηματικά είναι το μέρος της φυσικής όπου τα πειράματα είναι φθηνά — πολλά άλλα δεν μπορούν. Και ακριβώς στα νέα, αχαρτογράφητα, ασαφή και αιχμής πεδία της φυσικής είναι πιθανό η AI να δυσκολευτεί.
Ο Sous λέει ότι η ενδιαφέρουσα φυσική προκύπτει όταν βρίσκουμε κάτι ακατανόητο: ένα φαινόμενο που παρατηρούμε στη φύση, ένα υλικό ή το σύμπαν που δεν καταλαβαίνουμε. Τότε είναι δουλειά του φυσικού να δημιουργήσει ένα μοντέλο, μια προσέγγιση ή μια προσομοίωση που να αποτυπώνει και να προβλέπει αυτό το φαινόμενο.
«Αυτό είναι μια πολύ καλλιτεχνική, πολύ δημιουργική διαδικασία», λέει ο Sous. «Μπορεί η AI πραγματικά να κάνει το επόμενο βήμα και να αναλάβει όλο το έργο ενός θεωρητικού φυσικού; Να κάνει έρευνα από την αρχή ως το τέλος: να ορίσει, να δημιουργήσει, να εξερευνήσει, να δοκιμάσει; Η εικόνα δεν είναι ακόμη ξεκάθαρη».
Ένας λόγος για τον οποίο τα μαθηματικά βρέθηκαν στην αιχμή της προόδου της AI είναι η τυποποίηση. Η τεχνική αυτή μετατρέπει μια μαθηματική ιδέα σε κώδικα υπολογιστή, ο οποίος μπορεί να ελεγχθεί συστηματικά. Η διαδικασία είναι τόσο αυστηρή, ώστε αν ένα θεώρημα περάσει ανέπαφο, θεωρείται σωστό πέρα από κάθε λογική αμφιβολία. Έτσι η AI μπορεί να επεξεργαστεί ένα πρόβλημα και να αναγνωρίσει πότε έχει φτάσει σε σωστή λύση.
Αν και έχουν γίνει ορισμένα βήματα στη χρήση της τυποποίησης για τη φυσική, βρισκόμαστε ακόμη στην αρχή σε σύγκριση με τα μαθηματικά. Και τα προβλήματα στη φυσική συχνά είναι πιο ακατάστατα και πιο δύσκολο να προσδιοριστούν με ακρίβεια.
Εκείνο που είναι σαφές είναι ότι η AI χρησιμοποιείται ήδη από φυσικούς, όχι μόνο για να γράφει κώδικα και να κάνει υπολογισμούς, αλλά ακόμη και για να σχεδιάζει και να εκτελεί πειράματα. Ο Logan Wright, επίσης στο Yale University, διδάσκει πλέον ένα μάθημα για τη χρήση της AI στην έρευνα της φυσικής και λέει ότι η ύλη αλλάζει διαρκώς για να συμβαδίζει με τις εξελίξεις.
Το κλειδί, λέει ο Wright, είναι να σχεδιάζονται πειράματα στα οποία οι είσοδοι και οι έξοδοι μπορούν να ελέγχονται από υπολογιστή. Τότε αυτός ο έλεγχος μπορεί να περάσει σε μια AI, η οποία μπορεί να χειριστεί τα κατάλληλα «μοχλάκια» για να εξερευνήσει τον χώρο του προβλήματος και να φτάσει σε ουσιαστικά αποτελέσματα.
«Δεν έχει χέρια, δεν έχει μάτια, αλληλεπιδρά με τον κόσμο μόνο μέσω της γλώσσας και του κώδικα», λέει ο Wright. «Άρα, αν μπορούμε να στήσουμε ένα πείραμα στο οποίο όλες οι παρατηρήσεις μετατρέπονται σε κώδικα και όλες οι ενέργειες μετατρέπονται σε κώδικα… τότε η AI μπορεί πραγματικά να είναι πολύ χρήσιμη».
Ένα τέτοιο πείραμα που βρίσκεται αυτή την περίοδο σε εξέλιξη στο εργαστήριο του Wright εξετάζει πώς διαφορετικά σχήματα παλμών λέιζερ επηρεάζουν ένα άτομο ρουβιδίου. Οι ερευνητές χρησιμοποιούν το Claude της Anthropic για να ελέγχουν τους παλμούς του λέιζερ και να συλλέγουν δεδομένα για τα αποτελέσματά τους.
«Το Claude μπορεί πλέον ουσιαστικά να πει “νομίζω ότι αυτός ο παλμός λέιζερ θα παράγει αυτό το αποτέλεσμα”, σωστά;» λέει ο Wright. «Και μπορεί να το δοκιμάσει».
Ο Wright λέει ότι τέτοια πειράματα μπορούν να τρέχουν όλη τη νύχτα και να ολοκληρώνουν τόση δουλειά όση θα έκανε ένας άνθρωπος σε μία εβδομάδα. Οι ανθρώπινοι φυσικοί μπορούν μάλιστα να χρησιμοποιούν μια εφαρμογή στο κινητό τους για να προτείνουν ιδέες που τους έρχονται όσο βρίσκονται μακριά από το εργαστήριο και να παίρνουν τα αποτελέσματα όταν επιστρέφουν.
«Δεν θα είναι [η περίπτωση ότι] όλο το σύμπαν μπορεί να εξερευνηθεί έτσι. Θα πρόκειται για πολύ περιορισμένους τομείς», λέει ο Wright. «Νομίζω ότι μέρος του επόμενου ορίζοντα της φυσικής θα είναι να προχωρήσουμε όσο περισσότερο μπορούμε σε αυτούς τους τομείς».
Ο Wright λέει ότι είναι ήδη απολύτως πιθανό η AI σύντομα να σχεδιάσει ένα πείραμα που οι άνθρωποι δεν καταλαβαίνουν, να ζητήσει από ανθρώπους να το κατασκευάσουν και να δώσει συναρπαστικά νέα αποτελέσματα. «Αλλά για να είμαστε σαφείς, όπως και στα μαθηματικά, υπάρχει μια συζήτηση για το αν αυτό μετράει ως επιστήμη, αν παίρνουμε ένα αποτέλεσμα για το οποίο δεν καταλαβαίνουμε τίποτα», λέει ο Wright.
Το παρόν κείμενο δημιουργήθηκε με τη χρήση τεχνητής νοημοσύνης.
