कृत्रिम बुद्धिमत्ता विज्ञान को कैसे बदल रही है

नवीनतम एआई एल्गोरिदम आकाशगंगाओं के विकास को समझते हैं, क्वांटम तरंगों के कार्यों की गणना करते हैं, नए रासायनिक यौगिकों की खोज करते हैं, और इसी तरह। क्या वैज्ञानिकों के काम में ऐसा कुछ है जो स्वचालित नहीं हो सकता है?

कोई भी व्यक्ति या यहां तक ​​कि लोगों का एक समूह भौतिकी और खगोल विज्ञान में बड़ी संख्या में प्रयोगों द्वारा उत्पादित झरना जानकारी के साथ नहीं रख सकता है। उनमें से कुछ दैनिक डेटा की टेराबाइट्स को छोड़ देते हैं, और यह प्रवाह केवल बढ़ रहा है। स्क्वायर किलोमीटर एरे एंटीना सरणी, एक रेडियो टेलीस्कोप जिसे वे 2020 के मध्य में चालू करने की योजना बना रहे हैं, वह पूरे इंटरनेट के लिए प्रति वर्ष डेटा की मात्रा का उत्पादन करेगा।

आंकड़ों की इस बाढ़ ने कई वैज्ञानिकों को मदद के लिए कृत्रिम बुद्धिमत्ता (एआई) की ओर अग्रसर किया है। न्यूनतम मानव भागीदारी के साथ, एआई सिस्टम जैसे तंत्रिका नेटवर्क - न्यूरॉन्स के कंप्यूटर-सिम्युलेटेड नेटवर्क जो मस्तिष्क समारोह की नकल करते हैं - डेटा के पहाड़ों के माध्यम से वेड करने में सक्षम होते हैं, विसंगतियों को खोजते हैं और उन दृश्यों को पहचानते हैं जो लोगों ने कभी नहीं देखा होगा।

बेशक, वैज्ञानिक अनुसंधान में कंप्यूटर की मदद का उपयोग लगभग 75 वर्षों के लिए किया गया है, और सार्थक अनुक्रमों की तलाश में डेटा को मैन्युअल रूप से सॉर्ट करने की विधि का आविष्कार हजारों साल पहले किया गया था। लेकिन कुछ विद्वानों का तर्क है कि मशीन लर्निंग और एआई में नवीनतम तकनीक विज्ञान करने के एक मौलिक नए तरीके का प्रतिनिधित्व करती है। इन तरीकों में से एक, जेनेरिक मॉडलिंग (GM), इन आंकड़ों के आधार पर, अवलोकन डेटा की प्रतिस्पर्धात्मक व्याख्याओं के बीच सबसे संभावित सिद्धांत को निर्धारित करने में मदद कर सकता है, और अध्ययन के तहत सिस्टम में क्या शारीरिक प्रक्रियाएं हो सकती हैं, इसके बारे में कोई पूर्व-क्रमिक ज्ञान के बिना । जीएम के समर्थकों ने इसे ब्रह्मांड का अध्ययन करने के लिए संभावित "तीसरे तरीके" के रूप में देखा जा सकता है।

आमतौर पर हम अवलोकन के माध्यम से प्रकृति का ज्ञान प्राप्त करते हैं। जोहान्स केप्लर ने टायको ब्राहे के ग्रहों की स्थिति के तालिकाओं का अध्ययन किया, जो कि अंतर्निहित पैटर्न को खोजने की कोशिश कर रहा था (उन्हें अंततः एहसास हुआ कि ग्रह अण्डाकार कक्षाओं में चलते हैं)। विज्ञान भी सिमुलेशन के माध्यम से आगे बढ़ा है। एक खगोलशास्त्री मिल्की वे और पड़ोसी आकाशगंगा, एंड्रोमेडा की गति का अनुकरण कर सकते हैं और अनुमान लगा सकते हैं कि वे कुछ अरब वर्षों में टकराएंगे। अवलोकन और सिमुलेशन वैज्ञानिकों को भविष्य की टिप्पणियों का उपयोग करके सत्यापित किए जाने वाले परिकल्पना बनाने में मदद करते हैं। जीएम इन दोनों दृष्टिकोणों से अलग है।

"अनिवार्य रूप से, यह अवलोकन और अनुकरण के बीच तीसरा दृष्टिकोण है," केविन शाविन्स्की , एक खगोल भौतिकीविद् और सबसे समर्थक जीएम समर्थक में से एक, जिन्होंने हाल ही में स्विस फेडरल इंस्टीट्यूट ऑफ टेक्नोलॉजी में काम किया था। "यह कार्य पर हमला करने का एक अलग तरीका है।"

कुछ वैज्ञानिक पारंपरिक विज्ञान के अभ्यास के लिए जीएम और अन्य तकनीकों को केवल शक्तिशाली उपकरण मानते हैं। लेकिन ज्यादातर सहमत हैं कि एआई इस प्रक्रिया को महत्वपूर्ण रूप से प्रभावित करेगा, और विज्ञान में इसकी भूमिका केवल बढ़ेगी। ब्रायन नॉर्ड , फ़र्मी राष्ट्रीय त्वरक प्रयोगशाला में एक खगोल भौतिकीविद्, जो अंतरिक्ष का अध्ययन करने के लिए कृत्रिम तंत्रिका नेटवर्क का उपयोग करता है, उन लोगों में से एक है जो डरते हैं कि एक भी मानव वैज्ञानिक स्वचालन से बच नहीं जाएगा। "सोचा बहुत भयानक है," उन्होंने कहा।

पीढ़ी की खोज

संस्थान में भी, शाविन्स्की ने डेटा के आधार पर विज्ञान में एक प्रतिष्ठा का निर्माण शुरू किया। अपने डॉक्टरेट पर काम करते हुए, उन्होंने अपनी उपस्थिति के आधार पर हजारों आकाशगंगाओं को वर्गीकृत करने के कार्य के साथ मुलाकात की। इस कार्य के लिए कोई तैयार कार्यक्रम नहीं थे, इसलिए उन्होंने इस उद्देश्य के लिए क्राउडसोर्सिंग का आयोजन करने का फैसला किया - यही कारण था कि गैलेक्टिक चिड़ियाघर परियोजना का जन्म हुआ। 2007 से, सामान्य उपयोगकर्ता खगोलविदों को यह अनुमान लगाने में मदद करने में सक्षम हैं कि आकाशगंगा किस श्रेणी से संबंधित है, और आमतौर पर अधिकांश आवाज़ों ने आकाशगंगा को सही ढंग से वर्गीकृत किया है। यह परियोजना सफल रही, हालांकि, शाविन्स्की नोटों के रूप में, एआई ने इसे व्यर्थ कर दिया: "आज, मॉस्को क्षेत्र में अनुभव और क्लाउड कंप्यूटिंग तक पहुंच के साथ प्रतिभाशाली वैज्ञानिक आधे दिन में इस तरह की परियोजना बना सकते हैं।"

शाविंस्की ने 2016 में जीएम के नए शक्तिशाली उपकरण की ओर रुख किया। वास्तव में, जीएम सवाल पूछता है: यह कैसे संभव है कि एक्स के तहत हमें परिणाम वाई मिलता है? यह दृष्टिकोण अविश्वसनीय रूप से प्रभावी और सार्वभौमिक साबित हुआ है। उदाहरण के लिए, मान लें कि आपने GM को मानव चेहरों की छवियों का एक सेट खिलाया है, और प्रत्येक व्यक्ति के लिए उसकी आयु सीमित है। कार्यक्रम इन प्रशिक्षण आंकड़ों को कंघी करता है और पुराने चेहरे और उन पर दिखने वाली झुर्रियों की बढ़ती संभावना के बीच एक संबंध खोजने के लिए शुरू होता है। नतीजतन, वह किसी भी व्यक्ति की आयु को समाप्त कर सकती है - अर्थात यह अनुमान लगाने के लिए कि किसी भी उम्र के किसी व्यक्ति को शारीरिक परिवर्तन से गुजरना पड़ता है।


इनमें से कोई भी व्यक्ति वास्तविक नहीं है। शीर्ष पंक्ति (ए) और बाएं स्तंभ (बी) वास्तविक व्यक्तियों के तत्वों से उत्पन्न बिल्डिंग ब्लॉकों का उपयोग करके एक जनरेटिव-एडवरसैरियल नेटवर्क (जीएसएस) द्वारा बनाई गई हैं। फिर जीएसएस ने पंक्ति A के मुख्य चेहरे की विशेषताओं को जोड़ दिया, जिसमें लिंग B, बढ़ने और चेहरे का आकार शामिल है, स्तंभ B के छोटे चेहरे की विशेषताओं के साथ, उदाहरण के लिए, बाल और आंख का रंग, और बाकी तालिका में चेहरे बनाए।

जीएम सिस्टम में, जेनेरेटर के प्रतिकूल नेटवर्क (जीएसएस) सबसे अधिक ज्ञात हैं। पर्याप्त प्रशिक्षण डेटा संसाधित करने के बाद, जीएसएस लापता या क्षतिग्रस्त पिक्सल के साथ छवियों को पुनर्स्थापित कर सकता है या धुंधली तस्वीरों को स्पष्ट कर सकता है। जीएसएस को प्रतिस्पर्धा के आधार पर लापता जानकारी को निकालने के लिए प्रशिक्षित किया जाता है (इसलिए "प्रतिकूल"): नेटवर्क का एक हिस्सा, जनरेटर, गलत डेटा उत्पन्न करता है, और दूसरा, भेदभाव करने वाला, वास्तविक लोगों के साथ गलत डेटा को अलग करने की कोशिश करता है। जबकि कार्यक्रम चल रहा है, इसके दोनों हिस्से धीरे-धीरे बेहतर काम करते हैं। आपने जीएसएस द्वारा बनाए गए कुछ सुपर-यथार्थवादी "चेहरे" देखे होंगे - "अविश्वसनीय रूप से यथार्थवादी लोग जो वास्तविकता में मौजूद नहीं हैं" की छवियां, जैसा कि उन्होंने सुर्खियों में से एक में लिखा था।

एक अधिक सामान्य मामले में, एक जीएम एक डाटासेट (आमतौर पर छवियां, लेकिन आवश्यक नहीं) लेता है, और उन्हें मूल अमूर्त इमारत ब्लॉकों के सबसेट में तोड़ देता है - वैज्ञानिक उन्हें डेटा का "छिपा हुआ स्थान" कहते हैं। एल्गोरिथ्म छिपी हुई जगह के तत्वों को हेरफेर करता है यह देखने के लिए कि यह प्रारंभिक डेटा को कैसे प्रभावित करेगा, जो सिस्टम के संचालन को सुनिश्चित करने वाली भौतिक प्रक्रियाओं को प्रकट करने में मदद करता है।

छिपी हुई जगह का विचार कल्पना करने के लिए सार और कठिन है, लेकिन एक कच्चे सादृश्य के रूप में, सोचें कि आपका मस्तिष्क क्या कर सकता है जब आप किसी व्यक्ति के लिंग को चेहरे से निर्धारित करने का प्रयास करते हैं। शायद आप एक केश विन्यास, एक नाक के आकार और इतने पर, साथ ही साथ ऐसे पैटर्न नोटिस करते हैं जो शब्दों में वर्णन करना आसान नहीं है। एक कंप्यूटर प्रोग्राम डेटा में छिपे हुए संकेतों की भी तलाश करता है: हालाँकि यह पता नहीं है कि मूंछ या लिंग क्या है, अगर यह एक डेटा सेट पर प्रशिक्षित किया गया है जिसमें कुछ छवियों को "पुरुष" या "महिला" लेबल किया गया है, और कुछ का लेबल "मूंछ" है “, वह जल्दी से रिश्ते को समझ जाएगा।


केविन शाविन्स्की, खगोल-भौतिकीविद्, एआई-कंपनी मोडुलोस के प्रमुख

जर्नल एस्ट्रोनॉमी एंड एस्ट्रोफिजिक्स, शैविंस्की और उनके सहयोगियों, डेनिस थर्प और चे जेन में दिसंबर में प्रकाशित एक पेपर में, विकास के दौरान आकाशगंगा में भौतिक परिवर्तनों का अध्ययन करने के लिए जीएम का उपयोग किया गया (वे जिस सॉफ्टवेयर का उपयोग करते हैं वह जीएसएस से छिपे हुए स्थान को थोड़ा अलग से गणना करता है, इसलिए यह तकनीकी रूप से असंभव है। जीएसएस को कॉल करें, हालांकि यह गुणों में काफी करीब है)। उनके मॉडल ने शारीरिक प्रक्रियाओं के बारे में परिकल्पना का परीक्षण करने के लिए कृत्रिम डेटा सेट बनाए। उदाहरण के लिए, उन्होंने पूछा कि कैसे स्टार गठन का "क्षीणन" - उनके गठन की गति में तेज कमी - आकाशगंगा के घनत्व में वृद्धि के साथ जुड़ा हुआ है।

Shavinsky के लिए, महत्वपूर्ण सवाल यह है कि तारकीय और गैलेक्टिक प्रक्रियाओं के बारे में कितनी जानकारी केवल एक डेटा के आधार पर निकाली जा सकती है। "जो कुछ भी हम खगोल भौतिकी के बारे में जानते हैं उसे छोड़ दें," उन्होंने कहा। "केवल डेटा का उपयोग करके हम इस ज्ञान को किस हद तक फिर से खोज सकते हैं?"

पहले, आकाशगंगा छवियों को छिपी हुई जगह पर कम कर दिया गया था; तब शाविन्स्की इस स्थान के एक तत्व को ठीक कर सकता था ताकि यह आकाशगंगा के वातावरण में एक निश्चित बदलाव से मेल खाता हो - उदाहरण के लिए, इसके पर्यावरण का घनत्व। तब वह आकाशगंगा को पुन: स्थापित कर सकता था और देख सकता था कि इस बार क्या अंतर दिखाई देगा। "और अब मेरे पास परिकल्पना पैदा करने के लिए एक मशीन है," उन्होंने समझाया। "मैं आकाशगंगाओं का एक गुच्छा ले सकता हूं जो मूल रूप से कम घनत्व से घिरे थे, और ऐसा लगता है कि उनका घनत्व अधिक है।" शैविंस्की, तर्प और जेन ने पाया कि पर्यावरण के उच्च घनत्व से निचले स्तर पर जाने से वे लाल हो जाते हैं, और उनके तारे अधिक सघनता से केंद्रित होते हैं। यह आकाशगंगाओं की मौजूदा टिप्पणियों के अनुरूप है, शाविंस्की ने कहा। एकमात्र सवाल यह है कि क्यों।

शैविंस्की का अगला कदम, अभी तक स्वचालित नहीं हुआ है। "मैं, आदमी, हस्तक्षेप करने और कहने की जरूरत है: ठीक है, किस तरह की भौतिकी इस प्रभाव की व्याख्या कर सकती है?" इस प्रक्रिया के लिए दो संभावित स्पष्टीकरण हैं: यह संभव है कि आकाशगंगाएं घनीभूत वातावरण में लाल हो जाती हैं क्योंकि उनमें अधिक धूल होती है, या क्योंकि तारों के निर्माण में गिरावट होती है (दूसरे शब्दों में, उनके सितारे आमतौर पर पुराने होते हैं)। जेनेरेटिव मॉडल का उपयोग करके, हम दोनों विचारों का परीक्षण कर सकते हैं। हम धूल से जुड़े छिपी हुई जगह के तत्वों और तारे के निर्माण की गति को बदलते हैं, और देखते हैं कि यह आकाशगंगाओं के रंग को कैसे प्रभावित करता है। "और जवाब स्पष्ट है," Shavinsky कहा। रेडर आकाशगंगाएं वे हैं "जहां स्टार गठन की गति गिर गई है, और न कि जहां धूल अधिक है। इसलिए, हम पहले स्पष्टीकरण के पक्ष में झुके हैं। ”


शीर्ष पंक्ति निम्न-घनत्व वाले क्षेत्रों में वास्तविक आकाशगंगाएं हैं।
दूसरी पंक्ति - छिपे हुए स्थान के आधार पर पुनर्निर्माण।
इसके बाद नेटवर्क द्वारा किए गए रूपांतरण आते हैं, और नीचे उच्च घनत्व वाले क्षेत्रों में उत्पन्न आकाशगंगाएं हैं।

दृष्टिकोण पारंपरिक सिमुलेशन के साथ जुड़ा हुआ है, लेकिन इसमें कार्डिनल अंतर हैं। सिमुलेशन, वास्तव में, "मान्यताओं पर आधारित है," शेविंस्की ने कहा। "यह कहने के रूप में एक ही है:" मुझे लगता है कि मुझे समझ में आया कि भौतिक बुनियादी बातों में जो कुछ भी मैं सिस्टम में देखता हूं उसे रेखांकित करता हूं। " मेरे पास सितारों को बनाने का नुस्खा है, काले पदार्थ के व्यवहार के लिए, और इसी तरह। मैं अपनी सभी परिकल्पनाओं को स्थान देता हूं और अनुकरण शुरू करता हूं। और फिर मैं पूछता हूं: क्या यह वास्तविकता की तरह दिखता है? " और जेनेरिक मॉडलिंग के साथ, यह, उन्होंने कहा, "एक अर्थ में, सिमुलेशन के बिल्कुल विपरीत है।" हम कुछ भी नहीं जानते हैं, हम कुछ भी ग्रहण नहीं करना चाहते हैं। हम चाहते हैं कि डेटा हमें बताए कि क्या हो सकता है। ”

इस तरह के एक अध्ययन में जेनेरिक मॉडलिंग की स्पष्ट सफलता, जाहिर है, इसका मतलब यह नहीं है कि खगोलविद और स्नातक छात्र अनावश्यक हो गए हैं - लेकिन ऐसा लगता है कि जिस डिग्री में एआई ज्योतिषीय वस्तुओं और प्रक्रियाओं के बारे में कुछ भी सीख सकता है, उसके पास है लगभग केवल बड़ी मात्रा में डेटा। "यह पूरी तरह से स्वचालित विज्ञान नहीं है, लेकिन यह दर्शाता है कि हम ऐसे उपकरण बनाने में सक्षम हैं जो वैज्ञानिक प्रगति को कम से कम आंशिक रूप से स्वचालित करते हैं," शेविंस्की ने कहा।

जनरेटिव मॉडलिंग स्पष्ट रूप से बहुत सक्षम है - लेकिन क्या यह वास्तव में विज्ञान के लिए एक नए दृष्टिकोण का प्रतिनिधित्व करता है, यह एक महत्वपूर्ण बिंदु है। डेविड हॉग के लिए , न्यूयॉर्क विश्वविद्यालय और फ़्लैटिरॉन इंस्टीट्यूट में एक कॉस्मोलॉजिस्ट, यह तकनीक, हालांकि प्रभावशाली है, वास्तव में डेटा से दृश्यों को निकालने के लिए एक बहुत ही जटिल तरीका है - और खगोलविद सदियों से ऐसा करते रहे हैं। दूसरे शब्दों में, यह अवलोकन और विश्लेषण का एक उन्नत तरीका है। शैवस्की की तरह हॉग का काम एआई पर अत्यधिक निर्भर है; वह स्पेक्ट्रम द्वारा तारों को वर्गीकृत करने के लिए तंत्रिका नेटवर्क का उपयोग करता है और डेटा-संचालित मॉडल का उपयोग करके तारों के अन्य भौतिक गुणों के बारे में निष्कर्ष निकालता है। लेकिन वह अपने काम, और Shavinsky के काम को एक पुरानी, ​​दयालु, सिद्ध वैज्ञानिक पद्धति मानता है। "मुझे नहीं लगता कि यह तीसरा तरीका है," उन्होंने हाल ही में कहा। “मैं सिर्फ यह सोचता हूं कि हम, एक समुदाय के रूप में, अपने डेटा का उपयोग कर रहे हैं। विशेष रूप से, हम डेटा की तुलना में बहुत बेहतर हैं। लेकिन मेरे दृष्टिकोण से, मेरा काम पूरी तरह से अवलोकन शासन के ढांचे में फिट बैठता है।

उत्साही सहायक

एआई और तंत्रिका नेटवर्क वैचारिक रूप से नए उपकरण हैं या नहीं, यह स्पष्ट है कि वे आधुनिक खगोल विज्ञान और भौतिक अनुसंधान में महत्वपूर्ण भूमिका निभाने लगे। हीडलबर्ग इंस्टीट्यूट फॉर थियोरेटिकल रिसर्च में, भौतिक विज्ञानी काई पॉलेस्टर ने एस्ट्रोइनफॉरमैटिक्स पर एक समूह का नेतृत्व किया - डेटा प्रोसेसिंग के आधार पर खगोल भौतिकी में नए तरीकों के साथ काम करने वाले शोधकर्ताओं की एक टीम। उन्होंने हाल ही में आकाशगंगा डेटासेट से रीडशिफ्ट जानकारी निकालने के लिए MOs के साथ एक एल्गोरिथ्म का उपयोग किया था - एक ऐसा काम जो दुर्बल करने के लिए उपयोग किया जाता था।

पोलेस्टर इन नई एआई-आधारित प्रणालियों को "उत्साही सहायक" मानते हैं, जो बिना ऊब के घंटों तक डेटा का मुकाबला करने में सक्षम हैं और काम की परिस्थितियों के बारे में शिकायत करते हैं। ये सिस्टम सभी नीरस और कड़ी मेहनत कर सकता है, उन्होंने कहा, हमें एक "शांत, दिलचस्प विज्ञान" के साथ छोड़कर।

लेकिन वे परिपूर्ण नहीं हैं। विशेष रूप से, पोलस्टरर चेतावनी देता है, एल्गोरिदम केवल वही कर सकते हैं जो उन्हें प्रशिक्षित किया गया है। सिस्टम इनपुट के प्रति उदासीन है। उसे एक आकाशगंगा दें और वह उसके लाल रंग और उम्र की सराहना करने में सक्षम होगी। लेकिन उसे एक सेल्फी या सड़े हुए मछली की तस्वीर दें, वह उनकी उम्र (स्वाभाविक रूप से, गलत) की सराहना करेगा। अंत में, उन्होंने कहा, लोगों की निगरानी आवश्यक है। “सब कुछ हम पर, शोधकर्ताओं ने बंद कर दिया। हम व्याख्या के लिए जिम्मेदार हैं। ”

अपने हिस्से के लिए, फरमिलाब के नॉर्ड ने चेतावनी दी है कि यह महत्वपूर्ण है कि तंत्रिका नेटवर्क न केवल परिणाम पैदा करते हैं, बल्कि त्रुटियों को भी काम करते हैं, क्योंकि कोई भी छात्र आदी है। विज्ञान में यह स्वीकार किया जाता है कि यदि आप माप लेते हैं लेकिन कोई त्रुटि नहीं देते हैं, तो कोई भी आपके परिणामों को गंभीरता से नहीं लेगा।

कई एआई शोधकर्ताओं की तरह, नॉर्ड भी चिंतित हैं कि तंत्रिका नेटवर्क से परिणाम समझना मुश्किल है; तंत्रिका नेटवर्क इसे प्राप्त करने का एक स्पष्ट तरीका प्रदान किए बिना एक उत्तर देता है।

हालांकि, हर कोई यह नहीं मानता है कि पारदर्शिता की कमी एक समस्या है। फ्रांस में इंस्टीट्यूट ऑफ थियोरेटिकल फिजिक्स के शोधकर्ता लेनका ज़ेडबोरोवा बताते हैं कि मानव अंतर्ज्ञान को समझना कभी-कभी असंभव भी होता है। आप फोटो को देखते हैं और पता लगाते हैं कि बिल्ली को इस पर चित्रित किया गया है - "लेकिन आप यह नहीं जानते कि आप इसे कैसे जानते हैं," वह कहती हैं। "आपका दिमाग, एक तरह से, एक ब्लैक बॉक्स भी है।"

न केवल खगोल भौतिकीविद् और ब्रह्मांड विज्ञानी एआई और डेटा प्रोसेसिंग का उपयोग करके विज्ञान के पक्ष में पलायन करते हैं। परिधि के सैद्धांतिक भौतिकी के संस्थान और वाटरलू विश्वविद्यालय के क्वांटम भौतिकी विशेषज्ञ रोजर मेल्को ने इस क्षेत्र में सबसे जटिल और महत्वपूर्ण समस्याओं में से कुछ को हल करने के लिए एक तंत्रिका नेटवर्क का उपयोग किया, उदाहरण के लिए, कई कणों की एक प्रणाली का वर्णन करते हुए एक लहर फ़ंक्शन का प्रतिनिधित्व करते हैं। एआई आवश्यक है क्योंकि मेल्को को "आयाम का घातीय अभिशाप" कहते हैं। अर्थात्, तरंग प्रणाली के संभावित रूपों की संख्या वर्णित प्रणाली में कणों की संख्या में वृद्धि के साथ तेजी से बढ़ जाती है। कठिनाई एक गेम जैसे शतरंज या जाने में सर्वश्रेष्ठ चाल का चयन करने की कोशिश करने के समान है: आप अगले कदम की गणना करके यह कल्पना करने की कोशिश करते हैं कि आपका प्रतिद्वंद्वी कैसे जाएगा और सर्वश्रेष्ठ उत्तर का चयन करेगा, लेकिन प्रत्येक कदम के साथ अवसरों की संख्या बढ़ती है।

बेशक, एआई ने इन दोनों खेलों में महारत हासिल की, कुछ दशक पहले शतरंज खेलना सीखा और 2016 में सर्वश्रेष्ठ गो खिलाड़ी की पिटाई की - यह अल्फा गो सिस्टम द्वारा किया गया था। वह बारी-बारी से कहती है कि वे क्वांटम भौतिकी की समस्याओं के भी अनुकूल हैं।

मशीन मन

क्या शाविन्स्की यह घोषणा करने में सही है कि उसने विज्ञान में संलग्न होने के लिए "तीसरा रास्ता" खोज लिया है, या, जैसा कि हॉग कहते हैं, ये सिर्फ पारंपरिक अवलोकन और डेटा विश्लेषण "स्टेरॉयड पर" हैं, यह स्पष्ट है कि एआई एक वैज्ञानिक खोज का सार बदलता है और स्पष्ट रूप से इसे तेज करता है। विज्ञान में AI क्रांति कितनी दूर तक जाएगी?

समय-समय पर जोर से बयान "रोबो-वैज्ञानिकों" की उपलब्धियों के बारे में किया जाता है। दस साल पहले, एडम रोबोट रसायनज्ञ ने खमीर जीनोम की जांच की और निर्धारित किया कि कौन से जीन कुछ अमीनो एसिड के उत्पादन के लिए जिम्मेदार हैं। उन्होंने खमीर के उपभेदों का अवलोकन करके ऐसा किया जिसमें कुछ जीनों की कमी थी और एक दूसरे के साथ उनके व्यवहार के परिणामों की तुलना की। वायर्ड पत्रिका ने लिखा, " रोबोट ने अपने दम पर वैज्ञानिक खोज की ।"

थोड़ी देर बाद, Glazko विश्वविद्यालय में एक रसायनज्ञ, ली क्रोनिन ने रोबोट का उपयोग बेतरतीब ढंग से मिश्रण करने के लिए किया , ताकि यह देखा जा सके कि कोई यौगिक मिश्रित है या नहीं। द्रव्यमान स्पेक्ट्रोमीटर, एक परमाणु चुंबकीय अनुनाद मशीन और एक अवरक्त स्पेक्ट्रोमीटर का उपयोग करके वास्तविक समय में प्रतिक्रियाओं को ट्रैक करके, सिस्टम ने अंततः सबसे प्रतिक्रियाशील संयोजनों की भविष्यवाणी करना सीखा। भले ही इससे खोजों को बढ़ावा नहीं मिला, क्रोनिन ने कहा, एक रोबोट प्रणाली रसायनज्ञों को अपने शोध को 90% तक गति देने की अनुमति दे सकती है।

पिछले साल, ज्यूरिख के वैज्ञानिकों की एक अन्य टीम ने डेटा सेट के आधार पर भौतिक कानूनों को प्राप्त करने के लिए तंत्रिका नेटवर्क का उपयोग किया था । उनकी प्रणाली, एक प्रकार का रोबोट केपलर, सौर मंडल के हेलियोसेंट्रिक मॉडल को फिर से खोजती है, जो पृथ्वी से दिखाई देने वाले आकाश में सूर्य और मंगल के स्थान के रिकॉर्ड के आधार पर है, और गेंदों के टकरावों की टिप्पणियों के रूप में गति के संरक्षण के कानून को भी घटाया है। चूंकि भौतिक कानूनों को अक्सर कई तरीकों से व्यक्त किया जा सकता है, इसलिए शोधकर्ता इस बात में रुचि रखते हैं कि क्या यह प्रणाली ज्ञात कानूनों के साथ नए और संभवतः सरल तरीके से काम कर सकती है।

ये सभी इस बात के उदाहरण हैं कि AI वैज्ञानिक खोजों को कैसे तेज करता है, हालांकि प्रत्येक मामले में यह तर्क दिया जा सकता है कि नया दृष्टिकोण कितना क्रांतिकारी था।शायद सबसे विवादास्पद सवाल यह होगा कि अकेले डेटा से कितनी जानकारी प्राप्त की जा सकती है - विशाल, कभी-बढ़ती, डेटा के पहाड़ों के युग में एक महत्वपूर्ण मुद्दा। द बुक ऑफ व्हाई, 2018 में, कंप्यूटर विज्ञान विशेषज्ञ जैडी पर्ल और लोकप्रिय विज्ञान लेखक दाना मैकेंजी का सुझाव है कि डेटा एक "अविश्वसनीय रूप से गूंगा" चीज है। कारण के बारे में प्रश्न "केवल आंकड़ों के आधार पर उत्तर नहीं दिया जा सकता है," वे लिखते हैं। "हर बार जब आप किसी काम या अध्ययन का विश्लेषण करते हैं, जिसमें मॉडल को ध्यान में रखे बिना डेटा का विश्लेषण किया जाता है, तो आप सुनिश्चित हो सकते हैं कि इस काम का आउटपुट बढ़ता है, और संभवतः रूपांतरित होता है, लेकिन डेटा की व्याख्या नहीं करता है।" शेविंस्की पर्ल की स्थिति के प्रति सहानुभूति रखता है, लेकिन केवल डेटा के साथ काम करने के विचार का वर्णन करता है जैसे "डैश का छोटा आदमी"। उन्होंने कहा कि उन्होंने डेटा से कारणों और प्रभावों को प्राप्त करने की संभावना कभी नहीं बताई।"मैंने अभी कहा है कि हम आमतौर पर मामले की तुलना में डेटा के साथ बहुत कुछ कर सकते हैं।"

एक और आम तर्क यह है कि विज्ञान के लिए रचनात्मकता की आवश्यकता है, और कम से कम अभी के लिए, हमें नहीं पता कि इसे कैसे करना है। सभी संभावनाओं का एक सरल संग्रह, जैसा कि रोबोट रसायनज्ञ क्रोनिन ने किया था, विशेष रूप से रचनात्मक नहीं दिखता है। "मुझे लगता है कि सिद्धांत के साथ आने के लिए, तार्किक निर्माण, रचनात्मकता की आवश्यकता है," पोलस्टर ने कहा। "हर बार जब आपको रचनात्मकता की आवश्यकता होती है, तो आपको एक व्यक्ति की आवश्यकता होती है।" और रचनात्मकता कहाँ से आती है? पोलस्टर को संदेह है कि यह ऊब से जुड़ा है - तथ्य यह है कि, उसके अनुसार, कार को परीक्षण करने के लिए नहीं दिया गया था। “रचनात्मक होने के लिए, किसी को बोरियत से प्यार नहीं करना चाहिए। और मुझे नहीं लगता कि कंप्यूटर कभी ऊब जाएगा। " दूसरी ओर, "रचनात्मकता" और "प्रेरणा" जैसे शब्दों का उपयोग अक्सर डीप ब्लू और अल्फा गो जैसे कार्यक्रमों का वर्णन करने के लिए किया जाता है। और निरर्थक प्रयासों का वर्णनमशीन दिमाग के अंदर जो हो रहा है, वह बहुत मुश्किलों से मिलता-जुलता है, जब हम अपनी स्वयं की विचार प्रक्रियाओं का अध्ययन करते हैं।

शैविंस्की ने हाल ही में व्यावसायिक क्षेत्र के पक्ष में शिक्षाविदों को छोड़ दिया; वह अब मोडुलोस स्टार्टअप चलाता है, जहां स्विस टेक्निकल इंस्टीट्यूट के कई वैज्ञानिक काम करते हैं, और उनकी वेबसाइट के अनुसार, "एआई और मशीन लर्निंग के क्षेत्र में विकास की आंधी के कारण काम करता है।" आधुनिक एआई और पूर्ण कृत्रिम बुद्धिमत्ता के बीच जो भी बाधाएं हैं, वह और अन्य विशेषज्ञों का मानना ​​है कि मशीनों को वैज्ञानिकों के अधिक से अधिक काम करने के लिए किस्मत में है। क्या इसकी सीमाएँ हैं, हमें केवल इसका पता लगाना है।

“क्या भविष्य में यह संभव होगा कि भौतिकी या गणित में खोजों को बनाने में सक्षम एक ऐसी मशीन बनाई जाए जो जैविक उपकरणों का उपयोग करने वाले जीवित लोगों में से सबसे अधिक सक्षम न हो? - शविंस्की सोचता है। - क्या भविष्य का विज्ञान हमारे लिए दुर्गम स्तर पर काम करने वाली मशीनों की बदौलत विकसित होगा? मुझे नहीं पता यह एक अच्छा सवाल है। ”