Umělá inteligence ve vědě potřebuje uvažování, ne jen data

Výzkumníci varují, že pro skutečný vědecký pokrok nestačí pouhá data a výpočetní výkon. Moderní AI musí zvládat komplexní logické uvažování a porozumění konceptům, která jdou daleko za hranice tréninkových dat.

Všech pár desítiletí se znovu ozývají hlasy, že věda dosáhla svého konce. V roce 1903 byl slavný fyzik Albert Michelson přesvědčen, že „všechna fakta fyziky již byla objevena". Poté Stephen Hawking v osmdesátých letech tvrdil, že teoretická fyzika by mohla být dokončena do konce století. Nyní, s příchodem umělé inteligence, některé osobnosti z vědeckých kruhů vyslovují podobné předpovědi – tentokrát však v optimistickém tónu.

Hype kolem AI a vědy není bez důvodu. Systémy založené na strojovém učení už demonstrují pozoruhodné výsledky v řadě vědních oborů. Od předpovídání struktury proteinů přes objevování nových léků až po analýzu astronomických dat – AI se zdá být všemocná. Mnoho investorů a výzkumných institucí do těchto technologií masivně investuje s vidinou revolucionizace vědeckého procesu. Jenže za veškerým tím entuziasmem se skrývá zásadní problém, který je klíčem k pochopení budoucnosti umělé inteligence ve vědě.

Odpovídající výzkumníci upozorňují na kritické omezení současného přístupu: moderní AI modely jsou především součástí statistických systémů optimalizovaných pro rozpoznávání vzorů v obřích datasetech. Tento přístup funguje výborně v situacích, kdy je k dispozici dostatek trénovacích dat a kde se můžeme spolehnout na historické vzorce. Věda se ale pohybuje na hranici neznáma – tam, kde nejsou jasná data, kde je třeba tvůrčího myšlení a fundamentálního pochopení príncipů. Při řešení zcela nových problémů, jako je vývoj revolučních materiálů nebo pochopení dosud neznámých fyzikálních jevů, tradční machine learning rychle selhává.

Klíčový rozdíl spočívá v tom, co filosofové vědy nazývají formálním uvažováním a logickou dedukací. Zatímco AI modely jsou schopné najít skryté korelace v datech, nejsou programovány tak, aby pochopily fundamentální principy. Vědecký pokrok - skutečný, průlomový pokrok - přichází, když badatelé a myslitelé formulují nové hypotézy, které jdou za rámec dostupných informací. Potřebují schopnost abstraktního myšlení, kritického hodnocení a vytvoření úplně nových konceptuálních modelů.

Budoucnost AI ve vědě tedy závisí na tom, zda se podaří integrovat dva přístupy: statistické zpracování dat s logickým uvažováním a porozuměním kauzálním vztahům. Výzkumníci pracují na systémech, které by kombinovaly sílu neuronových sítí se symbolickým AI – tedy přístupem, který explicitně pracuje se znalostmi a pravidly. Pouze takto by AI mohla skutečně podporovat vědu, která se snaží pochopit zákonitosti přírody, nikoli pouze extrapolovat minulost.

Závěr je jasný: AI není magickým řešením, které nás přenese do věku, kdy už není co objíždět. Naopak – jak věda postupuje hlouběji do neznáma, potřebujeme AI, která nebude jen počítat a hledat vzory, ale bude skutečně přemýšlet. Bez této schopnosti zůstane AI jen nástrojem, který nám pomáhá s rutinnými úkoly, nikoli nástrojem, který by nám umožnil objevit příští generaci vědeckých pravd.

Zdroj: MIT Technology Review

Rubrika: AI & Technologie