דיווח: בינה מלאכותית מקצרת 6 חודשי עבודה במעבדה לשבוע
מאת מערכת זירת AI · פורסם: · עודכן:
אחרי עשורים שבהם כלכלנים הצביעו על האטה בקצב התגליות המדעיות, חוקרים בכירים מדווחים שכלי בינה מלאכותית כבר מקצרים עבודה של חודשים לשבוע, מתקנים סימולציות ואף כותבים ביקורות עמיתים. השאלה הפתוחה: האם מדובר בהאצה אמיתית שתייצר המצאות גדולות חדשות, ומה המחיר החברתי שלה.
בקצרה:
- מחקרים מצאו שיפור של 33 עד 50 אחוז בפריון הכתיבה של חוקרים.
- מערכת ERA משלבת שיטות ניתוח קיימות ושימשה לשיפור מודלים לחיזוי מחלות.
- השלב הבא שמציגים החוקרים הוא מעבדות אוטומטיות שייצרו נתונים ויבחנו השערות.
- אימון על ידע אנושי מקובל עלול להקשות על המודלים להגיע לרעיונות חריגים באמת.
במשך שנים רווחה בקרב כלכלנים וחוקרים ההנחה שהמדע מאט. כעת, כשמודלי שפה גדולים נכנסים למעבדות, השאלה נפתחת מחדש: האם הבינה המלאכותית מסוגלת להחזיר את הקצב שאפיין את עידן ההמצאות הגדולות?
עידן התגליות שלא יחזור
הכלכלן רוברט גורדון תיאר בספרו מ-2016 מאה שנים של שינוי עמוק, בין 1870 ל-1970, שנשענו על חמש "המצאות גדולות": חשמל, תברואה עירונית, כימיקלים ותרופות, מנוע בעירה פנימית ותקשורת אותות. לטענתו, הייחוד של התקופה הוא שההמצאות האלה אינן ניתנות לחזרה. את תורת החיידקים או את עקרון האלקטרומגנטיות אפשר לגלות רק פעם אחת.
תחום "מטא-מדע", החוקר מה מאיץ ומה מאט תגליות, מצביע על מגמה דומה: יותר מאמרים ויותר פטנטים, אבל פחות פריצות דרך של ממש. מחקר מ-2020 של ניקולס בלום, צ'ארלס ג'ונס, ג'ון ואן רינן ומייקל ווב מצא שמספר החוקרים הנדרש כדי להכפיל את מהירות השבבים גדול פי 18 מזה שנדרש בתחילת שנות ה-70. לכך מתווספים מוסדות מחקר ענקיים המעדיפים מחקר זהיר והדרגתי, ועומס ידע שהכלכלן בנג'מין ג'ונס כינה "נטל הידע": יש כל כך הרבה מה ללמוד, שקשה לדעת מה דרוש כדי להתקדם.
מבחן השטח: חודשים של עבודה בשבוע אחד
בטור שפורסם ב-The New Yorker מביא ג'ושוע רותמן את דבריהם של חוקרים בכירים שמתארים שינוי מוחשי. מדענית המוח איב מרדר מאוניברסיטת ברנדייס סיפרה שכל אחד מחוקרי מדעי המוח החישוביים במעבדתה אומר שהוא מסוגל כעת לבצע בשבוע עבודה שהייתה לוקחת חצי שנה. קריסטין פרסון, מדענית חומרים בברקלי, תיארה כיצד מודלי שפה לומדים משגיאות בסימולציות ומתקנים אותן באופן עצמאי, עבודה שבעבר גזלה ממנה לילות שלמים.
הביולוג מייקל לוין מאוניברסיטת טאפטס מתאר ערימת מאמרים חשובים שאין לו זמן לקרוא, ולדבריו חוקרים כבר מעבירים אותם לסיכום באמצעות בינה מלאכותית. הוא צופה שהמאמר המדעי עצמו ישנה צורה ויותאם לקריאה על ידי מכונות, כך שידע ישן ונשכח יחזור לשימוש.
מייקל ברנר, פרופסור באוניברסיטת הרווארד המסייע להוביל את מאמצי המדע של Google בתחום, פיתח מערכת בשם ERA, המשלבת שיטות ניתוח קיימות בצירופים רבים כדי למצוא כלים חדשים לניתוח נתונים, ושימשה בין היתר לשיפור מודלים לחיזוי מחלות. לדבריו, כוחה "אינו של איינשטיין אלא של אדיסון": יישום חדשני של רעיונות מוכרים. במקביל, מחקרים מצאו שיפור של 33 עד 50 אחוז בפריון הכתיבה של חוקרים, ומחקר של גארי קינג וסטיבן וורתינגטון מהרווארד קבע שביקורות עמיתים שכתבו מודלי שפה טובות כיום, בכל מדד שבדקו, מאלה של מומחים אנושיים.
מעבדות אוטומטיות והמגבלה של הקונצנזוס
השלב הבא, לדברי לוין ופרסון, הוא מעבדות אוטומטיות. פרסון סבורה שרובוטים יוכלו לייצר נתונים ניסיוניים בהיקף רחב ובעקביות גבוהה, לצורך ניתוח ואימון מודלים חדשים. לוין מעריך שכאשר מערכות יוכלו לבחון בעצמן את ההשערות שלהן, בעיית ההזיות תיעלם והתהליך כולו יואץ באופן מעריכי. עם זאת, הוא מזהיר שהמודלים אומנו על תוצרים אנושיים שבהם תיאוריות מקובלות מיוצגות ביתר, ולכן יתקשו להגיע לרעיונות חריגים באמת.
בין צמיחה לשליטה
רותמן מזהה שלוש השלכות להאצה אפשרית. הראשונה היא שאלת הניהול שהעלה ג'ון פון נוימן ב-1955: כמה טכנולוגיות חדשות במקביל חברה מסוגלת לספוג. לטענתו, יש לעבור מהאדרת השיבוש להתמקדות בשליטה. השנייה היא צמיחה: מול הזדקנות האוכלוסייה ועלויות מחיה גואות, הכלכלן טיילר כאואן אמר שתוכנית א' היא שהבינה המלאכותית תאיץ את הצמיחה, ו"אין תוכנית ב'". השלישית נוגעת לידע האנושי עצמו: מתמטיקאים אחדים טוענים שהתחום שלהם "נשבר". ברנר ופרסון חולקים על כך, ולדבריהם זו דווקא תקופה מצוינת להיות מדען, כשהעבודה השחורה נעלמת ומתפנה זמן לשאלות הגדולות.
שאלות נפוצות
האם בינה מלאכותית באמת מקצרת חצי שנת עבודה במעבדה לשבוע?
לפי עדות שמובאת בכתבה, חוקרים במדעי המוח החישוביים במעבדתה של איב מרדר מדווחים שהם מסוגלים לבצע בשבוע עבודה שבעבר ארכה כחצי שנה. מדובר בדיווח ממעבדה מסוימת, ולא במדד לכל תחומי המדע. דוגמאות נוספות בכתבה כוללות תיקון שגיאות בסימולציות, סיכום מאמרים ושיפור בפריון הכתיבה של חוקרים.
מה זה מודל שפה גדול ואיך הוא מסייע למחקר מדעי?
מודל שפה גדול הוא מערכת בינה מלאכותית שאומנה על כמויות גדולות של טקסט כדי לעבד ולהפיק שפה. במחקר מדעי, לפי הכתבה, מודלים כאלה מסייעים בסיכום מאמרים, בכתיבה, בביקורת עמיתים ובתיקון שגיאות בסימולציות. כך הם עשויים לצמצם עבודה שגרתית ולהקל על חוקרים להתמודד עם עומס הידע המצטבר.
מה זה ERA ואיך המערכת משפרת ניתוח נתונים מדעיים?
ERA היא מערכת שפיתח מייקל ברנר, פרופסור בהרווארד המסייע להוביל את מאמצי המדע של Google בתחום. המערכת משלבת שיטות ניתוח קיימות בצירופים רבים כדי למצוא כלים חדשים לניתוח נתונים. לפי הכתבה, היא שימשה בין היתר לשיפור מודלים לחיזוי מחלות, וכוחה הוא ביישום חדשני של רעיונות מוכרים, ולא בהכרח בהמצאת תיאוריה חדשה.
איך מעבדות אוטומטיות יכולות להאיץ מחקר בעזרת בינה מלאכותית?
מעבדות אוטומטיות עשויות לשלב רובוטים שמבצעים ניסויים ומייצרים נתונים בהיקף רחב ובעקביות גבוהה, לצד מערכות בינה מלאכותית שמנתחות את התוצאות. לפי החוקרים המצוטטים בכתבה, הנתונים יוכלו לשמש גם לאימון מודלים חדשים. האפשרות שמערכות יבחנו בעצמן השערות עשויה להאיץ את המחקר, אך היא מוצגת כתחזית ולא כתוצאה שכבר הוכחה.
מה המגבלות של בינה מלאכותית בגילוי פריצות דרך מדעיות?
המגבלה המרכזית שמוצגת בכתבה היא שמודלי בינה מלאכותית אומנו על תוצרים אנושיים שבהם תיאוריות מקובלות מיוצגות ביתר. לכן, גם אם הם יעילים בשילוב רעיונות קיימים, הם עלולים להתקשות בהעלאת רעיונות חריגים באמת. הכתבה מזכירה גם את בעיית ההזיות, והאפשרות לצמצמה באמצעות בדיקה ניסויית עצמאית מוצגת כהערכה של אחד החוקרים