ការចាប់ផ្តើមសាកល្បងប្រើល្បិចថ្មីក្នុងការអភិវឌ្ឍន៍ AI សម្រាប់ការរកឃើញវិទ្យាសាស្ត្រ
ការចាប់ផ្តើមសាកល្បងប្រើល្បិចថ្មីក្នុងការអភិវឌ្ឍន៍ AI សម្រាប់ការរកឃើញវិទ្យាសាស្ត្រ
ការអភិវឌ្ឍន៍បញ្ញាសិប្បនិមិត្តសម្រាប់ការរកឃើញវិទ្យាសាស្ត្របានក្លាយជាគោលដៅដ៏សំខាន់សម្រាប់ក្រុមហ៊ុនបច្ចេកវិទ្យាយក្ស។ ក្រុមហ៊ុនដូចជា OpenAI និង Anthropic ទទួលបានមូលនិធិរាប់សិបពាន់លានជាមួយនឹងការសន្យានៃរបកគំហើញ AI ក្នុងវេជ្ជសាស្ត្រ ជីវវិទ្យា និងរូបវិទ្យា។ ទោះជាយ៉ាងណាក៏ដោយ ការរកឃើញតាមបែបវិទ្យាសាស្ត្រដែលជំរុញដោយ AI ពិតប្រាកដនៅតែពិបាកយល់ ដូចដែលបានបង្ហាញដោយឧប្បត្តិហេតុកាលពីអតីតកាលដូចជាការស្វែងរកគណិតវិទ្យាដែលបង្កើតដោយ ChatGPT ដែលត្រូវបានលុបចោល។ បញ្ហាប្រឈមស្នូលនេះបើយោងតាមអ្នកជំនាញគឺថាគំរូភាសាធំបច្ចុប្បន្ន (LLMs) ខ្វះសមត្ថភាពខាងក្នុងក្នុងការបង្កើតចំណេះដឹងវិទ្យាសាស្ត្រប្រលោមលោកដោយស្វ័យភាព។
ហេតុអ្វីបានជាមន្ទីរពិសោធន៍ AI ធំកំពុងតស៊ូជាមួយការរកឃើញវិទ្យាសាស្ត្រ
លោក Markus Buehler សាស្ត្រាចារ្យផ្នែកវិស្វកម្ម MIT កំណត់ដែនកំណត់ជាមូលដ្ឋាននៅក្នុង AI កម្រិតខ្ពស់នាពេលបច្ចុប្បន្ននេះ។ គាត់ប្រកែកថាប្រព័ន្ធថាមពលម៉ូដែលពី OpenAI និង Anthropic មិនត្រូវបានរចនាឡើងសម្រាប់ការរកឃើញពិតប្រាកដនោះទេ។ ស្ថាបត្យកម្មរបស់ពួកគេគឺផ្អែកលើការទទួលស្គាល់គំរូពីទិន្នន័យដែលមានស្រាប់ មិនមែនលើការបង្កើតទ្រឹស្តីថ្មី ឬសម្មតិកម្មនោះទេ។
នេះត្រូវបានបង្ហាញយ៉ាងច្បាស់កាលពីរដូវស្លឹកឈើជ្រុះមុនពេលការរកឃើញគណិតវិទ្យាដែលបានអះអាងដោយ ChatGPT ត្រូវបានលុបចោលយ៉ាងឆាប់រហ័ស។ វគ្គនេះបានគូសបញ្ជាក់ពីគម្លាតរវាងថាមពលវិភាគរបស់ AI និងការគិតប្រកបដោយការច្នៃប្រឌិត និងផ្តោតលើការរកឃើញរបស់វា។ វាជាបញ្ហាប្រឈមមួយដែលនឹកឃើញដល់ការខិតខំប្រឹងប្រែងរបស់ AI ផ្សេងទៀតដែលបច្ចេកវិទ្យាតស៊ូជាមួយនឹងភាពដើម ដូចជាការរិះគន់ដែលប្រឈមមុខដោយ AI 'actor' Tilly Norwood សម្រាប់កង្វះការច្នៃប្រឌិតពិតប្រាកដ។
បញ្ហាស្នូលជាមួយម៉ូដែល AI បច្ចុប្បន្ន
គំរូភាសាធំៗពូកែក្នុងការដំណើរការ និងបង្កើតព័ត៌មានឡើងវិញ។ ពួកគេអាចសង្ខេបអត្ថបទ ឆ្លើយសំណួរ និងសូម្បីតែសរសេរកូដដោយផ្អែកលើទិន្នន័យបណ្តុះបណ្តាលរបស់ពួកគេ។ ទោះយ៉ាងណាក៏ដោយ ពួកគេប្រតិបត្តិការនៅក្នុងដែនកំណត់នៃអ្វីដែលពួកគេបានរៀនរួចហើយ។
របកគំហើញបែបវិទ្យាសាស្ត្រ តាមធម្មជាតិរបស់វា តម្រូវឱ្យឈានជើងចូលទៅក្នុងអ្វីដែលមិនស្គាល់។ វាពាក់ព័ន្ធនឹងការបង្កើតទំនាក់ទំនងថ្មីរវាងវិស័យផ្សេងគ្នា និងការស្នើសុំគំនិតដែលមិនមានវត្តមាននៅក្នុងសំណុំទិន្នន័យបណ្តុះបណ្តាលណាមួយ។ នេះគឺជាការលោតផ្លោះដែល AI ជំនាន់បច្ចុប្បន្ន ដែលផ្តោតលើការបង្កើតខ្លឹមសារ និងស្វ័យប្រវត្តិកម្ម មិនត្រូវបានបង្កើតឡើងដើម្បីបង្កើតនោះទេ។ ឧស្សាហកម្មនេះកំពុងវិវឌ្ឍ ដូចដែលបានឃើញជាមួយនឹងការអភិវឌ្ឍន៍ដូចជាការអាប់ដេត WordPress Gutenberg ដែលដាក់មូលដ្ឋានគ្រឹះសម្រាប់ការបោះពុម្ព AI ប៉ុន្តែបញ្ហាប្រឈមស្នូលសម្រាប់ការរកឃើញនៅតែមាន។
ការណែនាំមន្ទីរពិសោធន៍មិនសមហេតុផល៖ វិធីសាស្រ្តថ្មីចំពោះ AI សម្រាប់វិទ្យាសាស្ត្រ
ដើម្បីដោះស្រាយគម្លាតនេះ សាស្ត្រាចារ្យ Buehler បានបង្កើតមន្ទីរពិសោធន៍មិនសមហេតុផលជាមួយលោក Yuan Cao ដែលជាអតីតបុគ្គលិកជាន់ខ្ពស់អ្នកវិទ្យាសាស្ត្រស្រាវជ្រាវនៅ Google DeepMind ។ ការចាប់ផ្តើមនេះមានគោលបំណងត្រួសត្រាយនូវវិធីសាស្រ្តផ្សេងគ្នាជាមូលដ្ឋានក្នុងការអភិវឌ្ឍន៍ AI សម្រាប់ការរកឃើញតាមបែបវិទ្យាសាស្ត្រ។ ជំនួសឱ្យការពឹងផ្អែកតែលើការបញ្ចូលទិន្នន័យដ៏ធំ ពួកគេកំពុងបង្កើតប្រព័ន្ធដែលមានសមត្ថភាពសម្រាប់ហេតុផលអន្តរកម្មសិក្សា។
ថ្មីៗនេះ មន្ទីរពិសោធន៍មិនសមហេតុផល បានទទួលប្រាក់ចំនួន 13.5 លានដុល្លារនៅក្នុងជុំមូលនិធិដែលដឹកនាំដោយ Playground Global ។ ជុំនេះបានឃើញការចូលរួមពី AIX Ventures, E14 Fund, និង MS&AD Ventures ។ ការវិនិយោគដ៏សំខាន់នេះបញ្ជាក់ពីជំនឿរបស់ទីផ្សារចំពោះវិធីសាស្រ្តប្រលោមលោករបស់ពួកគេ។
ការរៀនពីគ្រា "Aha" នៅក្នុងប្រវត្តិសាស្ត្រវិទ្យាសាស្ត្រ
សម្មតិកម្មរបស់ Buehler គឺថាការរកឃើញដ៏អស្ចារ្យជាច្រើនកើតឡើងពីគ្រា "aha" ។ ទាំងនេះគឺជាករណីដែលអ្នកវិទ្យាសាស្ត្រអនុវត្តទ្រឹស្ដី ឬគំនិតពីវិស័យមួយ ដើម្បីដោះស្រាយបញ្ហាក្នុងដែនខុសគ្នាទាំងស្រុង។ គំនិតលម្អងឆ្លងកាត់នេះជាគន្លឹះនៃការឈានដល់ការឈានដល់ការឈានដល់ការសម្រេចចិត្ត។
ឧទាហរណ៏បុរាណមួយគឺការងាររបស់ John Hopfield ក្នុងឆ្នាំ 1982។ គាត់បានអនុវត្តគោលគំនិតពីរូបវិទ្យានៃរូបធាតុ condensed ទៅវិស័យបញ្ញាសិប្បនិម្មិតនៅពេលនោះ។ នេះបាននាំឱ្យមានការអភិវឌ្ឍន៍បណ្តាញ Hopfield ដែលជាបណ្តាញសរសៃប្រសាទមួយប្រភេទដែលមានសមត្ថភាពរៀន និងរំលឹកការចងចាំ។ វាជាគំនិតបដិវត្តន៍ដែលកើតចេញពីការភ្ជាប់មុខវិជ្ជាដែលមិនពាក់ព័ន្ធ។
របៀបដែល AI របស់មន្ទីរពិសោធន៍មិនសមហេតុផល ខុសពីម៉ូដែលសំខាន់ៗ
AI ដែលកំពុងត្រូវបានបង្កើតឡើងនៅ Unreasonable Labs ត្រូវបានរចនាឡើងដើម្បីធ្វើត្រាប់តាមសមត្ថភាពរបស់មនុស្សនេះសម្រាប់ការយល់ដឹងផ្នែកអន្តរកម្មសិក្សា។ គោលដៅរបស់ពួកគេគឺមិនមែនដើម្បីបង្កើតគំរូភាសាធំជាងនេះទេ ប៉ុន្តែដើម្បីបង្កើតប្រព័ន្ធដែលអាចវែកញែកតាមដែនវិទ្យាសាស្ត្រ។
ក្រាហ្វចំណេះដឹងអន្តរផ្នែក៖ ជំនួសឱ្យការបណ្តុះបណ្តាលលើអត្ថបទតែម្នាក់ឯង AI របស់ពួកគេរួមបញ្ចូលចំណេះដឹងដែលមានរចនាសម្ព័ន្ធពីវិស័យវិទ្យាសាស្ត្រជាច្រើន ពីជីវវិទ្យារហូតដល់រូបវិទ្យា។ ម៉ាស៊ីនហេតុផលអាណាឡូកៈ បច្ចេកវិទ្យាស្នូលផ្តោតលើការស្វែងរកភាពស្រដៀងគ្នា និងភាពស្រដៀងគ្នារវាងគំនិតដែលហាក់ដូចជាមិនទាក់ទងគ្នា ដែលជាកត្តាជំរុញដ៏សំខាន់នៃការច្នៃប្រឌិតវិទ្យាសាស្ត្រ។ ការបង្កើតសម្មតិកម្ម៖ ប្រព័ន្ធនេះកំពុងត្រូវបានរៀបចំឡើងដើម្បីស្នើសុំសម្មតិកម្មវិទ្យាសាស្ត្រដែលអាចសាកល្បងបាន មិនមែនគ្រាន់តែវិភាគទិន្នន័យដែលមានស្រាប់នោះទេ។
វិធីសាស្រ្តនេះតំណាងឱ្យការចាកចេញយ៉ាងសំខាន់ពីយុទ្ធសាស្រ្តទិញយកនៃទំហំធំក្រុមហ៊ុនបច្ចេកវិទ្យា ដូចជាការទិញ Zendesk នៃក្រុមហ៊ុន AI startup Forethought ដែលជារឿយៗផ្តោតលើការកែលម្អកម្មវិធីសេវាកម្មអតិថិជនដែលមានស្រាប់ ជាជាងការត្រួសត្រាយទម្រង់នៃការរកឃើញថ្មី។
អនាគតនៃ AI-Driven Discovery
ប្រសិនបើជោគជ័យ បច្ចេកវិទ្យារបស់ Unreasonable Labs អាចពន្លឿនការស្រាវជ្រាវក្នុងផ្នែកសំខាន់ៗ។ ស្រមៃមើល AI ដែលអាចណែនាំសមាសធាតុឱសថថ្មីដោយរួមបញ្ចូលគ្នានូវគោលការណ៍ពីគីមីវិទ្យា និងពន្ធុវិទ្យា។ ឬគំរូដែលស្នើរសម្ភារៈថ្មីសម្រាប់ថាមពលប្រកបដោយនិរន្តរភាព ដោយភ្ជាប់គំនិតពីបច្ចេកវិទ្យាណាណូ និងទែរម៉ូឌីណាមិច។
កម្មវិធីដែលមានសក្តានុពលមានច្រើន ចាប់ពីការពន្លឿនការស្រាវជ្រាវផ្នែកវេជ្ជសាស្រ្ត រហូតដល់ការដោះស្រាយបញ្ហាប្រឈមបរិស្ថានដ៏ស្មុគស្មាញ។ នេះតំណាងឱ្យព្រំដែនបន្ទាប់សម្រាប់ AI ដោយផ្លាស់ប្តូរហួសពីស្វ័យប្រវត្តិកម្ម ដើម្បីក្លាយជាដៃគូពិតប្រាកដនៅក្នុងភាពប៉ិនប្រសប់របស់មនុស្ស។
សេចក្តីសន្និដ្ឋាន៖ រលកបន្ទាប់នៃការច្នៃប្រឌិត AI
ការប្រណាំងដើម្បីអភិវឌ្ឍ AI សម្រាប់ការរកឃើញវិទ្យាសាស្ត្រកំពុងឡើងកំដៅ ប៉ុន្តែភាពជោគជ័យពិតអាចស្ថិតនៅជាមួយការចាប់ផ្ដើមអាជីវកម្មពិសេសដូចជា Unreasonable Labs ជាដើម។ ការផ្តោតអារម្មណ៍របស់ពួកគេលើហេតុផលអន្តរកម្មសិក្សា ផ្តល់នូវផ្លូវជោគជ័យលើសពីដែនកំណត់នៃគំរូភាសាធំៗនាពេលបច្ចុប្បន្ន។ ដំណើរឆ្ពោះទៅរកការបង្កើត AI ដែលអាចរកឃើញពិតប្រាកដគឺទើបតែចាប់ផ្តើម។
បន្តធ្វើបច្ចុប្បន្នភាពលើការច្នៃប្រឌិតចុងក្រោយបំផុតនៅក្នុង AI និងបច្ចេកវិទ្យា។ សម្រាប់ការយល់ដឹងបន្ថែម និងដើម្បីងាយស្រួលចែករំលែកអត្ថបទនេះ បង្កើតទំព័រតំណក្នុងជីវប្រវត្តិដោយឥតគិតថ្លៃរបស់អ្នកនៅលើ Seemless ដើម្បីរៀបចំមាតិកាដែលអ្នកចូលចិត្ត។
