Mokslininkai ChatGPT panaudojo dalelių fizikai – DI pasiūlė netikėtą sprendimą senai problemai

Sekite TechNaujienos Google

Dirbtinis intelektas pradeda prisidėti ir prie teorinės fizikos problemų. Fizikų komanda pasitelkė ChatGPT kaip pagalbinį matematinio samprotavimo įrankį ir gavo netikėtą užuominą, kuri padėjo parodyti, kad anksčiau abejotina laikyta dalelių sąveika vis dėlto gali būti įmanoma.

Apie darbą rašė žurnalas „Science“, o publikacijos santrauka indeksuojama PubMed. Tyrėjai pabrėžia, kad rezultatą gavo ne modelis vienas: DI buvo naudojamas kartu su žmogaus fizikos žiniomis ir matematine patikra.

DI tampa „idėjų generatoriumi“ mokslininkams

Dideli kalbos modeliai gali greitai išbandyti skirtingas matematines transformacijas, pasiūlyti analogijas ir priminti ryšius tarp skirtingų teorijų. Tai nebūtinai reiškia, kad modelis „supranta“ fiziką taip, kaip žmogus, tačiau jo sugeneruotos kryptys gali padėti tyrėjui pamatyti variantą, kurio jis pats nebandė.

Didžiausia rizika – klaidingos formulės ar įtikinamai skambantys, bet neteisingi teiginiai. Todėl fizikoje kiekviena DI pasiūlyta idėja turi būti nepriklausomai įrodyta.

Naujausi straipsniai

4 min. skaitymo • prieš 4 minutės

Europa stato nuosavą debesiją palydovų duomenims – nenori priklausyti nuo JAV technologijų milžinų

4 min. skaitymo • prieš 19 minučių

Europa kuria „mąstančių“ palydovų spiečių – jie tarpusavyje naudos DI dar orbitoje

4 min. skaitymo • prieš 34 minutės

ESA pradeda naujos kartos palydovų atranką – trys misijos tirs Žemę visiškai naujais būdais

Visi naujausi straipsniai →

Naujas mokslinio darbo įrankis

Jei tokie metodai pasiteisins, DI gali tapti kasdieniu teorinių mokslų įrankiu – panašiai kaip kompiuterinės algebros sistemos ar skaitinis modeliavimas.

Šis atvejis gerai parodo, kuo kalbos modelis gali būti naudingas teoriniam mokslininkui net tada, kai juo negalima aklai pasitikėti. Fizikas dažnai susiduria su labai didele galimų matematinių pertvarkymų erdve. Modelis gali greitai pasiūlyti analogiją ar netikėtą kelią, kurį žmogus vėliau patikrina formaliai.

Tai primena diskusiją apie kompiuterines algebros sistemas. Jos taip pat neatlieka mokslinio mąstymo už tyrėją, bet leidžia greitai patikrinti simbolinius skaičiavimus, kurie rankomis užtruktų valandas. Kalbos modeliai prideda kitą sluoksnį – gali pasiūlyti ne vien skaičiavimą, bet ir idėją, kokį metodą apskritai verta išbandyti.

Didžiausia rizika – modelio gebėjimas labai įtikinamai pateikti neteisingą matematiką. Teorinėje fizikoje klaida viename ženkle ar prielaidoje gali sugadinti visą išvadą, todėl DI pasiūlytas kelias turi būti perrašytas į patikrinamą matematinį argumentą.

Jei šis darbo būdas taps įprastas, mokslininko kompetencija gali keistis. Mažiau laiko bus skiriama rutininiam variantų generavimui, daugiau – gerų klausimų formulavimui, patikrai ir rezultatų interpretacijai. Tai panašu į tai, kaip programavime DI įrankiai mažina boilerplate kodo kiekį, bet nepašalina architektūros ir testavimo poreikio.

Svarbiausias signalas čia nėra vienas konkretus fizikos rezultatas. Įdomiau tai, kad modeliai pradeda veikti kaip „kognityviniai instrumentai“ – įrankiai, kurie padeda žmogui tyrinėti galimų idėjų erdvę. Jei jų pasiūlymai bus sistemingai tikrinami, toks bendradarbiavimas gali pagreitinti teorinių problemų sprendimą ir kitose mokslo srityse.

Mokslo bendruomenei čia ypač svarbus atkuriamumas. Jei DI pasiūlo netikėtą metodą, publikacijoje turi būti įmanoma aiškiai parodyti, kaip nuo pradinės problemos pereita prie galutinio matematinio argumento. Vien frazė „ChatGPT pasiūlė“ nėra pakankamas mokslinis paaiškinimas. Rezultatas turi būti patikrinamas nepriklausomai nuo konkretaus modelio ar pokalbio istorijos.

Šis principas gali lemti ir naują darbo kultūrą laboratorijose: modelio sugeneruotos idėjos bus traktuojamos kaip juodraštinės hipotezės, o ne kaip autoritetingi atsakymai. Toks požiūris leidžia išnaudoti DI kūrybiškumą nepametant klasikinio mokslinio metodo – įrodymo, patikros ir nepriklausomo pakartojimo.

Taip pat svarbu, kad modeliai gali padėti ne tik generuoti idėjas, bet ir surasti ryšius tarp skirtingų literatūros sričių. Fizikas gali puikiai išmanyti savo subdiscipliną, tačiau nežinoti metodo, kuris įprastas kitoje matematikos ar fizikos šakoje. Kalbos modelis, apmokytas platesniame tekstų rinkinyje, gali pasiūlyti būtent tokį tarpdisciplininį tiltą. Vis dėlto tokia vertė atsiranda tik tada, kai žmogus geba atpažinti, kuri analogija prasminga, o kuri yra tik paviršinis panašumas.

Moksle toks DI naudojimas taip pat kelia reproducibility klausimą. Jei modelio versija vėliau pasikeičia, ta pati užklausa gali duoti kitą idėją ar kitą matematinį kelią. Todėl tyrėjams svarbu fiksuoti modelio versiją, promptus ir tarpinius žingsnius panašiai kaip šiandien saugomas analizės kodas.

Ilgainiui gali atsirasti specializuoti moksliniai modeliai, mokyti ne bendrai kalbai, o konkrečių sričių literatūrai, formulėms ir duomenims. Jie galėtų mažiau haliucinuoti ir geriau laikytis formalių taisyklių. Tačiau net tada žmogaus patikra liks būtina, nes mokslo vertė slypi ne vien tikėtiname atsakyme, o įrodomame ir pakartojamame rezultate.

Daugiau mokslo ir DI naujienų rasite TechNaujienos.lt mokslo rubrikoje.