MIT: העתיד של AI במתמטיקה ופיזיקה
פרופ' ג'סי ת'יילר מ-MIT מציג חזון ל״גשר דו-כיווני״ בין בינה מלאכותית למדעים מתמטיים ופיזיקליים: השקעה בתשתיות, הכשרת חוקרים בין-תחומיים ו״מדע של AI״ שיכול לקדם גם מחקר יסודי וגם את פיתוח האלגוריתמים עצמם.
מהפכת הבינה המלאכותית שפרצה לעולמנו בשנים האחרונות, אינה רק תוצר של תעשיית התוכנה, אלא תולדה של עשרות שנים של עבודה במדעים המתמטיים והפיזיקליים, החל מפיזיקה וכימיה ועד מתמטיקה ומדעי החומרים. כעת, ב-MIT מבקשים למסגר את הקשר הזה כשותפות אסטרטגית חדשה: לא רק להשתמש ב-AI כדי לקדם מדע, אלא גם להשתמש במדע כדי להפוך את ה-AI עצמו לטוב, מוסבר ובטוח יותר.
דו-כיווניות במקום ״יישום כלי״
במרכז הדברים עומד פרופ' ג'סי ת'יילר (Jesse Thaler), פרופסור לפיזיקה ב-MIT ויו"ר סדנת Future of AI+MPS (Artificial Intelligence + Mathematical and Physical Sciences). הסדנה, שמומנה על ידי הקרן הלאומית למדע של ארה"ב (NSF) ובתמיכת בית הספר למדעים ומחלקות הפיזיקה, הכימיה והמתמטיקה ב-MIT, הובילה לכתיבת מסמך מדיניות (White Paper) שפורסם בכתב העת Machine Learning: Science and Technology. המסר המרכזי של ת'יילר: המפגש בין AI למדעים המדויקים חייב להיות ״רחוב דו-סטרי״.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
הדגש הזה משנה את הנרטיב המקובל: במשך שנים רבות מדענים דיברו על AI כמאיץ חישובי שכולל יותר אוטומציה, יותר ניבוי, יותר סריקה של מרחבי פתרונות, אך ת'יילר מציע להגדיר תחום משלים בשם ״המדע של AI״, שבו כלים ותובנות ממדעי הטבע והמתמטיקה תורמים להבנה עמוקה של רשתות עצביות ומערכות למידה, כולל זיהוי עקרונות בסיסיים, התנהגויות מתהוות ושיטות בקרה.
שלושה נתיבים: מדע מניע, מדע מעורר, מדע מסביר
במסגרת ״המדע של AI״, ת'יילר מתאר שלושה כיוונים: מדע שמניע AI, כאשר חשיבה מדעית משפיעה על גישות אלגוריתמיות יסודיות; מדע שמעורר AI, כאשר אתגרים מדעיים דוחפים לפיתוח אלגוריתמים חדשים; ומדע שמסביר AI, כאשר מתודולוגיות מדעיות עוזרות להבין מה המודלים עושים בפועל. בעולם שבו מודלים גדולים הופכים ל'קופסה שחורה', היכולת להסביר ולשלוט בהתנהגותם הופכת לנכס תשתיתי, לא רק אקדמי.
דוגמה שמביא ת'יילר מגיעה מעולם פיזיקת החלקיקים: ניסויי מאיצים מייצרים שיטפון נתונים שמחייב אלגוריתמים בזמן אמת כדי לסנן מידע ולהחליט מה לשמור לניתוח. האלגוריתמים שנולדו כדי לשרת פיזיקה בסיסית עשויים להתגלות כטכנולוגיות רוחביות, רלוונטיות גם לתחומים עתירי נתונים כמו רפואה, סייבר או פיננסים.
התשתית האנושית: ״מדעני קנטאור״
מעבר לטכנולוגיה, המסמך מדגיש צורך בכוח אדם חדש: ״מדעני קנטאור״, חוקרים שמסוגלים לפעול באמת בשתי השפות, גם של המדע וגם של המחשוב. ת'יילר והמשתתפים בסדנה מצביעים על כך שהבטחת גרעין כזה של חוקרים דורשת מסלולי לימוד משולבים, תוכניות דוקטורט בין-תחומיות וגיוסי סגל משותפים.
MIT כבר בונה את הצינור הזה באמצעות יוזמות כמו Common Ground for Computing Education של MIT Schwarzman College of Computing, לצד מסלולים בין-תחומיים בדוקטורט. ת'יילר מציין את פעילותו כראש IAIFI (Institute for Artificial Intelligence and Fundamental Interactions), מכון משותף ל-MIT ולשותפים אקדמיים באזור בוסטון, כדוגמה למסגרת שמחברת בין פיזיקה ל-AI. בנוסף מוזכרים מאמצים מוסדיים כמו A3D3 ו-MIT Generative AI Impact Consortium שמרכזים ידע, מימון ושיתופי פעולה.
למה זה חשוב עכשיו
המשמעות התעשייתית והגלובלית חורגת מקמפוס MIT. אם בעבר חידושים רבים ב-AI הגיעו מניסוי וטעיה בקנה מידה גדול, החיבור למדעים מתמטיים ופיזיקליים עשוי לקדם דור של מודלים יעילים, אמינים ומבוססי עקרונות, עם פחות תלות בכמויות עתק של נתונים ובכוח חישוב יקר. במקביל, מדע שמאמץ AI בצורה מושכלת יכול להאיץ גילויים ולשפר אימות תוצאות, בזמן שבו קצב הפרסום והמורכבות החישובית רק עולים.
ת'יילר מסכם את הלקח ברמה האסטרטגית: מי שיוביל בתחום יהיה מוסד שיפעל באופן שיטתי וירכז החלטות על תשתיות מחשוב ונתונים, הכשרה, גיוס ומימון תחת חזון אחד. ב-MIT כבר נרשמת תנועה בכיוון הזה, כולל חיפוש סגל משותף ראשון מסוגו בין הפקולטה למחשוב למחלקת הפיזיקה. אם המודל יצליח, הוא עשוי להפוך לתבנית פעולה עבור אוניברסיטאות, מכוני מחקר וחברות שמבקשות למצב את עצמן בגל הבא של ה-AI המדעי.