چه کسی اکتشافات علمی را کنترل می کند؟ – اوریلی

آیا خشم فعلی در ریاضیات، قناری در معدن زغال سنگ برای کار علوم تجربی و دانش است؟

این پست در ابتدا در شیب های در حال محو شدن در ۱۱ سپتامبر ۲۰۲۶٫ برای پاسخ به اعلامیه بعدی ۲۵ مدال آور فیلدز و بحث در مورد هوش مصنوعی، پیشرفت های ریاضی و مشوق های تحقیقاتی به روز شد.

علم بدون درک؟

“به مدت هفت و نیم میلیون سال Deep Thought محاسبه و محاسبه کرد و در نهایت اعلام کرد که پاسخ در واقع ۴۲ است – و بنابراین باید کامپیوتر دیگری حتی بزرگتر ساخته شود تا بفهمد سوال واقعی چیست.”

– داگلاس آدامز، رستوران در انتهای جهان

من اخیراً برای ۲۵ سالگی مؤسسه ماکس پلانک (MPI) برای زیست شناسی سلولی و ژنتیک به درسدن برگشتم، جایی که بخشی از دوره فوق دکتری خود را انجام دادم. MPI برای بررسی مکانیسم‌های فیزیکی و بیولوژیکی سلول‌ها برای پر کردن شکاف بین مقیاس‌های مولکولی و بافتی تأسیس شد. در کنفرانس سالگرد، مایکل برونشتاین (استاد DeepMind هوش مصنوعی، دانشگاه آکسفورد) سخنرانی کلیدی “داده های زیستی از جعبه سیاه در عصر هوش مصنوعی” را ارائه کرد. استدلال او اینگونه بود: آزمایش‌های بیولوژیکی باید داده‌های بهینه‌سازی شده برای یادگیری ماشین را تولید کنند، حتی زمانی که این اندازه‌گیری‌ها نمی‌توانند مستقیماً توسط انسان تفسیر شوند. او استدلال می‌کند که مقیاس را بر کیفیت اندازه‌گیری‌های فردی اولویت می‌دهد و مقادیر زیادی داده ارزان و پر سر و صدا تولید می‌کند که مدل‌های غیرقابل تفسیر می‌توانند سیگنال را از آن استخراج کنند.

وقتی از برونشتاین پرسیده شد که آیا چنین سیستم‌هایی می‌توانند درک ارائه‌شده توسط نظریه گرانش نیوتن را در یک معادله ایجاد کنند (ارتباط مقیاس سیبی که روی سر شما می‌افتد به اندازه‌های ماه و جزر و مد)، گفت که هدف این نبود: داده‌ها و مدل‌های جعبه سیاه، اگر هیچ چیز دیگری، معادلاتی با ده‌ها، صدها، هزاران متر یا بیشتر غیرقابل‌متر ایجاد می‌کنند. نتیجه بر بینش و درک اولویت دارد. او پیشنهاد کرد که می‌توانیم با تفسیر مدل‌های جعبه سیاه این درک را به دست آوریم.^۱ من از دیدن برونشتاین که چنین جهان بینی را به مؤسسه ای که برای درک مکانیسم های مولکولی و سلولی و ویژگی های نوظهور در سطح بافت تأسیس شده است، شگفت زده شدم.

MPI در انجمن ماکس پلانک به دلیل ساختار مشارکتی آن غیرمعمول بود و مدیران گروه های نسبتاً کوچکی را در کنار گروه های تحقیقاتی مستقل رهبری می کردند. مارینو زیریال، مدیر مؤسس، در مراسم افتتاحیه این سالگرد توضیح داد که چگونه آنها از ابتدا تا این حد مؤثر همکاری کرده اند. او گفت که آنها ذوقی برای علم مکانیستی دارند. این باعث شد به این فکر کنم که در هنگام توصیف نقش انسان در عصر هوش مصنوعی چقدر از “سلیقه” و “قضاوت” صحبت می کنیم.

این جهان بینی که ما نیازی به درک و بینش نداریم، جدید نیست. کریس اندرسون در مقاله خود در سال ۲۰۰۸ با عنوان “پایان نظریه: سیل داده ها روش علمی را منسوخ می کند” استدلال کرد که داده های بزرگ به ما امکان می دهد فرضیه ها، مدل ها و آزمون ها را جهش کنیم. برونشتاین در سخنرانی اصلی MPI خود به دیدگاه اندرسون در مورد علم پسا نظری اشاره می کند، همانطور که در اینجا انجام می دهد، و AlphaFold DeepMind را به عنوان نمونه ای از پیش بینی های آزمایش شده بدون یک نظریه قابل درک برای انسان در مورد تاخوردگی پروتئین ارائه می دهد. بخشی از پروژه اندرسون حفاظت از فناوری بزرگ است و آینده علم به وسیله ای برای انجام این کار تبدیل می شود. مقاله او به این نتیجه می رسد: “علم چه چیزی می تواند از گوگل بیاموزد؟”

هوش مصنوعی به این جهان‌بینی شکل جدیدی می‌دهد: ماشین‌ها می‌توانند نتایجی را تولید کنند که در برابر بررسی دقیق باشد، در حالی که درک لازم برای توضیح آنها مبهم باقی می‌ماند. توسعه این درک نیازمند زمان، دسترسی و همکاری است. هر کسی که این شرایط را کنترل کند، بر آنچه مردم می توانند بفهمند و دنبال کنند، قدرت پیدا می کند.

شواهد فراوان

ریاضیات این امکان را به ویژه آشکار می کند. من در مورد پتانسیل هوش مصنوعی برای گسترش آنچه می توانیم تشخیص دهیم هیجان زده هستم. ترنس تائو، برنده مدال فیلدز، تحقیقات مشترکی را با ترکیب ریاضیدانان، ابزارهای هوش مصنوعی و تأیید رسمی اثبات ها سازماندهی کرده است. سؤالات او در مورد ریاضیات در عصر هوش مصنوعی ناشی از درگیر شدن با این پتانسیل و پرسیدن اینکه ما می‌خواهیم به چه چیزی کمک کند، می‌رسد.

تائو خاطرنشان کرد که ما شواهد ریاضی اثبات شده بیشتری تولید می کنیم که هیچ فردی نمی فهمد. دنیایی از اثبات های ریاضی اثبات شده فراوان! تائو اشاره می کند که بررسی همتایان، مشوق های دانشگاهی و مجلات ما برای این فراوانی طراحی نشده اند. سیستم موجود در حال حاضر شکسته شده است، مشاغل را به تعداد انتشارات گره می زند، به کار بررسی شده بدون دستمزد محققین تکیه می کند، و بسیاری از دانش با بودجه عمومی را پشت دیوارهای بازرگانی قفل می کند. داوران در حال حاضر در تلاش هستند تا با حجم ارسال‌ها هماهنگی داشته باشند. هوش مصنوعی این حجم را بسیار بیشتر از آنچه این سیستم می تواند تحمل کند، چند برابر خواهد کرد.

تائو همچنین مشکلات باز پربار را به عنوان منابع تجدیدناپذیر توصیف می کند: مشکلاتی که پیگیری آنها می تواند تکنیک ها، همکاری ها و درک جدیدی را ایجاد کند که بسیار فراتر از سؤال اصلی است. هنگامی که پاسخ مشخص شد، انگیزه برای کشف این راه ها ممکن است از بین برود. به عنوان مثال، ۱۰۰۰۰ عامل OpenAI که به طور همزمان کار می کردند، می توانستند مشکل جایزه هزاره ناویر-استوکس را حل کنند. (این اعلامیه همچنین بحثی را در مورد اعتبار و رقابت برانگیخت، و این سؤال را که چه کسی اکتشافات ریاضی را کنترل می‌کند، در کانون توجه قرار داد، که من به آن خواهم پرداخت.) یک تصور رایج در علم و ریاضیات این است که راه‌حل‌ها سؤالات و زمینه‌های تحقیق جدیدی را باز می‌کنند. هدف تائو این است که به دنبال راه‌حل هم می‌گردیم. تائو استدلال می‌کند که ارائه راه‌حل، یافتن دقیق علت شکست آن و بازنگری در آن می‌تواند بینش جدیدی را در مورد مکانیک سیالات آشکار کند. دانستن پاسخ نهایی از قبل می تواند این تحقیق را دلسرد کند:

“فرآیند شروع با یک آنساتز، یافتن مانع دقیقی که مانع از کارکرد آن می شود… تقریباً به طور قطع بینش های مهم جدیدی را در مورد مکانیک سیالات آشکار خواهد کرد.”

– ترنس تائو، ماستودون، ۳ سپتامبر

در اواخر ماه گذشته، احتمال‌شناس هوگو دومینیل-کوپن مثال دیگری ارائه کرد: تلاش‌های ناموفق برای فرضیه نفوذ منجر به همکاری‌ها و احیای تکنیک‌هایی شد که متعاقباً مشکلات دیگر را حل کرد. هر دو امکان‌های هوش مصنوعی را می‌شناسند در حالی که می‌پرسند پیگیری ریاضیات چه چیزی باید ایجاد کند.

این من را به پیشنهاد برونشتاین برای بازیابی درک پس از ساخت مدل بازمی گرداند. آیا تفسیر این مدل معادلات ماکسول و درک ارتباط الکتریسیته، مغناطیس و نور را به ما می دهد؟ این قول کمی شبیه اتصال نئو به کامپیوتر است: “من کونگ فو بلدم.” در ماتریکس، دانلود دانش به او این توانایی را می دهد. نتیجه گرفتن از یک ماشین این کار را برای ما انجام نمی دهد. همانطور که تائو و دومینیل کوپن توضیح می دهند، درک اینکه چرا یک رویکرد شکست می خورد، آنچه را که محققان در مرحله بعد امتحان می کنند تغییر می دهد و سؤالات، تکنیک ها و همکاری های جدیدی ایجاد می کند. بازسازی یک توضیح پس از آن ممکن است چیزی به ما بیاموزد، اما نمی‌تواند راه‌هایی را که درک در طول جستجو باز می‌کرد، بازسازی کند.

جدول نتایج ریاضی

با جمع شدن نتایج، این سؤالات ضروری می شوند. در سال گذشته، سیستم‌های هوش مصنوعی ساختارهای ریاضی جدیدی ایجاد کرده‌اند، مشکلات تحقیقاتی منتشر نشده را حل کرده‌اند و شواهد موجود را رسمی کرده‌اند. از ماه ژوئیه، پیام ها به سرعت به دست آمده است:

این دستاوردها شامل انواع مختلفی از کار است. رسمی کردن آخرین قضیه فرما به معنای ساختن یک اثبات موجود توسط رایانه است. یافتن یک مثال متقابل چیز جدیدی را ایجاد می کند. یک سیستم می تواند یک نتیجه تایید شده تولید کند در حالی که کار توضیح آن باقی مانده است.

برخی از این کارها از طریق تبادل X فوق‌العاده عجیب و غریب اتفاق می‌افتد، جایی که محققان نتایج جدید را منتشر می‌کنند، ساختارهای یکدیگر را بررسی می‌کنند و توضیحاتی را توسعه می‌دهند. زمانی را به یاد می آورد که علم در اروپا افرادی بود که یادداشت می فرستادند و نامه می فرستادند سوار بر اسب:

توضیح هندسی تائو و اثبات کوتاه‌تر لامزوری به تبدیل نتایج تأیید شده به ریاضیاتی کمک می‌کند که مردم بتوانند آن را درک کنند و بر اساس آن بسازند. در پاسخ به یک پیش‌نویس اولیه در جامعه Discord ما، کارول ویلینگ، توسعه‌دهنده هسته پایتون، مدیر سابق بنیاد نرم‌افزار پایتون، و رئیس قدیمی پروژه Jupyter، پرسید:

در حالی که من معتقدم این ابزارها برای پیشرفت علم/ریاضی ارزش دارند، آیا ارزش بیشتری نسبت به یک دانشمند انسانی یا گروهی از دانشمندان دارند که می توانند نتایج باز را بررسی و به چالش بکشند؟

اگر ارزش را بر اساس اینکه چه کسی اولین نتیجه را تولید می کند قضاوت کنیم، آنچه را که لامزوری و تائو با ساده کردن یک اثبات یا توضیح هندسه آن کمک می کنند، از دست می دهیم. یک پاسخ ممکن است برخی از راه های تحقیق را ببندد در حالی که راه های دیگری را ایجاد کند. من خیلی بیشتر از این می خواهم: ماشین‌هایی که نتایجی را تولید می‌کنند که افراد می‌توانند با هم کاوش کنند، توضیح دهند و روی آن بسازند. این مبادلات بستگی به در دسترس بودن نتایج تحقیقات، وقت گذاشتن محققان برای درک آنها و اینکه مردم بتوانند آنچه را که یافته اند به اشتراک بگذارند، دارد. این شرایط به اندازه سیستم های تولید کننده شواهد مستحق توجه هستند.

چرا الان این اتفاق می افتد؟

چرا اکنون انفجار در نتایج ریاضیات ایجاد شده توسط هوش مصنوعی رخ داده است؟ همانطور که سباستین راشکا توضیح می دهد، یادگیری تقویتی با پاداش های قابل تایید (RLVR) به یک تکنیک اصلی در مدل پس از یادگیری در سال ۲۰۲۵ تبدیل شده است. فرض واضح است: اگر بتوانید به صورت محاسباتی یک خروجی را تأیید کنید، می توانید به پاسخ های صحیح پاداش دهید و مدل را متناسب با آن به روز کنید. کد را می توان در برابر تست ها اجرا کرد. پاسخ‌های ریاضی را می‌توان تأیید کرد و اثبات‌های رسمی را با ابزارهایی مانند Lean، یک دستیار اثبات که هر مرحله منطقی را در برابر بدیهیات خاص و نتایج از پیش تعیین‌شده بررسی می‌کند (که اخیراً توسط Anthropic برای رسمی کردن اثبات آخرین قضیه فرما استفاده شده است!). این بازخورد بدون ارزیابی انسانی از هر تجربه ارائه می دهد. این بررسی‌ها همچنین عوامل را در حین حل مسئله راهنمایی می‌کنند: یک نماینده می‌تواند یک اثبات ارائه دهد، از Lean برای تأیید آن استفاده کند، و از خطاهای دریافت‌شده برای تجدیدنظر در تجربه خود استفاده کند، بدون اینکه انسان هر مرحله را بررسی کند، فرآیند را تکرار کند.

ممکن است بپرسید، چرا قبل از اینکه ما این انفجار را در نتایج ریاضی ببینیم، عوامل رمزگذاری مفید بودند؟ خب، آزمایشگاه‌ها انگیزه‌ای فوری برای بهبود ابزارهایی داشتند که خودشان استفاده می‌کردند. مهندسانی که سیستم‌های هوش مصنوعی می‌سازند، عوامل کدگذاری بهتری را می‌خواهند تا به ساخت این سیستم‌ها کمک کنند. ماشینی را که ماشین را بهبود می بخشد، بهبود دهید. ریاضیات نیز از امکانات به دست آمده سود می برد: عواملی که می توانند برنامه بنویسند، آزمایش ها را اجرا کنند و با چک های خودکار کار کنند.

قیمت، رقابت و اعتبار

در ۱۱ سپتامبر، ۲۵ مدال آور فیلدز بیانیه ای صادر کردند و هشدار دادند که رقابت برای حل مسائل معیار، ریاضیات را تضعیف می کند. برخی از پاسخ ها به X این را به عنوان حمایت گرایی حرفه ای تلقی کردند. دیگران تصور می کردند که درک به دنبال شواهد خواهد بود. این ما را به پیشنهاد برونشتاین بازمی‌گرداند و اینکه چه کسی باید تصمیم بگیرد که دستیابی به نتایج اول است در حالی که سایر محققان بعداً توضیحات را ارائه می‌دهند.

بسیاری تصور می کنند که هدف از ریاضیات محض تولید نتایج است. هدف تائو این است که پیگیری این نتایج همچنین روش‌ها، درک و افرادی را توسعه می‌دهد که می‌توانند سؤالات بهتری بپرسند. مشکلات حل شده به عنوان نماینده ای برای این پیشرفت گسترده تر عمل کرده اند. قانون گودارت خطر تبدیل پروکسی به هدف را توصیف می کند. هوش مصنوعی سیستم‌های انگیزشی ما را منعکس می‌کند و در پیگیری آنچه که پاداش می‌دهند بسیار خوب است. اگر مدارس به انشا نسبت به یادگیری اهمیت دهند، دانش‌آموزان مقاله تولید می‌کنند. اگر اعتبار ریاضی در درجه اول به مسائل حل شده متصل شود، آزمایشگاه ها انگیزه زیادی برای تولید آنها دارند.

دستیابی به نتایج و توسعه درک متقابلاً منحصر به فرد نیست، اما سیستم فعلی پیگیری هر دو را به شدت دشوار می کند. آزمایشگاه‌های مرزی انگیزه‌های قوی برای نتایج دارند، نه بینش. (برای مثال به مشوق های Anthropic برای حل مشکلات جایزه هزاره کلود قبل از عرضه اولیه عمومی که در تفسیر گاوین بیکر درباره موقعیت یابی آنتروپیک قبل از IPO بحث شده است، نگاه کنید؛ ساموئل کر یک استدلال مرتبط در مورد ریاضیات OpenAI و روایت IPO آن ارائه می کند.) کار OpenAI شامل ۱۰۰۰ ساعت کار برای ۸۰۰ ساعت است. Abhishek Nagaraj، دانشیار دانشگاه کالیفرنیا، برکلی، تخمین زد که این برای یک کاربر معمولی ۲۰ تا ۳۰ میلیون دلار هزینه توکن دارد.

تریستان باکمستر، ریاضیدان دانشگاه نیویورک، می‌گوید OpenAI او را تحت فشار قرار داده است تا بدون همکارش Levent Alpoge که در Anthropic کار می‌کند، منتشر کند. سباستین بابک از OpenAI حساب خود را به چالش می کشد. باک مستر همچنین توضیح می دهد که چگونه فشار بر ریاضیات تأثیر می گذارد: او و آلپوگه اثبات های خود را بررسی کردند، اما برای درک آنها و ایجاد توضیحات خوانا زمان بیشتری می خواستند. در عوض، آنها عجله کردند تا آثاری را منتشر کنند که احساس می کردند به اندازه کافی توضیح داده نشده است. اگر درک تا پس از نتیجه به تعویق بیفتد، چه چیزی تضمین می کند که به همه زمان، منابع و دسترسی برای توسعه آن داده شود؟

بدتر از آن، ما حتی مطمئن نیستیم که آیا استفاده از عوامل OpenAI می تواند شما را تحت تأثیر قرار دهد یا خیر. به نظر می رسد آنها نیز مطمئن نیستند:

اگرچه بعید است، نمی‌توانیم رد کنیم که داده‌های شناسایی نشده به‌دست‌آمده از استفاده از محصولات ما به بهبود مدل‌های ما کمک کرده است.

در پایان ریاضیات، ریاضیدان دانیل لیت تصور می‌کند که محققان از ترس ربوده شدن ایده‌های ناتمام را عقب نگه می‌دارند. همکاری که Duminil-Copin توصیف می کند به این بستگی دارد که افراد مایل باشند کار خود را قبل از موفقیت به اشتراک بگذارند.

چه اتفاقی برای ریاضیدانان می افتد و چه کسی ریاضیات را کنترل می کند؟

اگر محققان از ترس ربوده شدن ایده‌های امیدوارکننده را به اشتراک بگذارند، شرکت‌هایی که بیشترین محاسبات را دارند کنترل بیشتری بر آنچه دیگران می‌توانند بیاموزند به دست می‌آورند. یک مدرک منتشر شده می تواند به صورت عمومی در دسترس باشد، در حالی که رویکردهای شکست خورده و بینش های میانی خصوصی باقی می مانند. تهدیدات برای تأمین مالی عمومی تحقیقات در ایالات متحده این وابستگی را عمیق تر می کند: شرکت هایی که منابع را ارائه می دهند تأثیر بیشتری بر آنچه علم انجام می دهد به دست می آورند. این ما را به سؤالات شوشانا زوبوف در مورد دانش و قدرت می رساند: “چه کسی می داند؟ چه کسی تصمیم می گیرد، چه کسی می داند؟ چه کسی تصمیم می گیرد، چه کسی تصمیم می گیرد؟” چه کسی می‌تواند یک سؤال پربار را دنبال کند، و چه کسی تعیین می‌کند که آیا کار پشت پاسخ آن به دانش مشترک تبدیل می‌شود؟

حرکت محققان هوش مصنوعی از دانشگاه به صنعت، تخصص را در کنار این منابع متمرکز می کند. و متوجه شدم: اگر بخواهم به تحقیقات عمیق برگردم، آزمایشگاه‌های مرزی یکی از جذاب‌ترین مکان‌ها برای کار خواهند بود. دسترسی به سرمایه، داده‌ها، محاسبات و همکاران فوق‌العاده با استعداد می‌تواند تحقیقاتی را امکان‌پذیر کند که انجام آن در دانشگاه دشوار است. جذابیت تک تک محققان واضح است، حتی با وجود اینکه حرکت جمعی آنها به شرکت ها نفوذ بیشتری بر اولویت های تحقیقاتی می دهد و دانشگاه ها را با افراد کمتری برای آموزش به نسل بعدی باقی می گذارد. با فکر کردن به این فرار مغزها، فراموش نکردم که برونشتاین “پروفسور DeepMind هوش مصنوعی” در آکسفورد است. نفوذ شرکت ها به خود دانشگاه ها نیز گسترش می یابد.

دانش‌آموزان همچنین به فرصت‌هایی نیاز دارند تا قضاوتی را که ما از مردم می‌خواهیم توسعه دهند. Po-Ling Loh دشواری مشاوره با دانشجویان کارشناسی و دکترا را توصیف می کند زیرا هوش مصنوعی انتظارات تحقیقات را تغییر می دهد. انتخاب یک مسئله ثمربخش، تشخیص اینکه چرا یک رویکرد شکست خورده است، و تصمیم گیری در مورد اینکه در مرحله بعد چه چیزی را امتحان کنید، توانایی هایی هستند که با انجام ریاضیات ایجاد می شوند. اگر دانش‌آموزان قبل از اینکه این توانایی‌ها را توسعه دهند این کار را واگذار کنند، قضاوت آنها از کجا می‌آید؟ هوش مصنوعی همچنین می‌تواند به آن‌ها کمک کند تا رویکردهای بیشتری را کشف کنند و با ایده‌های ناآشنا کار کنند، مشروط بر اینکه درک آن‌ها هدف صریح این فرآیند باقی بماند. این امر مستلزم مربیانی با زمان برای آموزش و موسساتی است که مایل به حمایت از کاری هستند که ارزش آن شامل آموخته های محقق می شود، حتی زمانی که یک ماشین بتواند نتیجه را سریعتر تولید کند.

زمانی که مشاغل به تولید مقاله بستگی دارد، زمان صرف شده برای توضیح یک نتیجه، ساده کردن یک اثبات یا کمک به دیگران برای درک آن می‌تواند با فشار برای انتشار مقاله بعدی رقابت کند. مارتین هیرر استدلال می کند که نویسندگان باید استدلال های خود را درک کنند، ایده ها را به منابع خود ردیابی کنند و مشارکت های هوش مصنوعی را توضیح دهند. انجام این مسئولیت‌ها زمانی دشوارتر می‌شود که نتایج سریع‌تر از آن‌چه محققان بتوانند آن‌ها را درک کنند به دست می‌آیند. دانشگاه ها، نهادهای تامین مالی و مجلات به تعیین اینکه آیا ریاضیدانان می توانند این کار را انجام دهند یا خیر کمک خواهند کرد. اگر به درک مشترک اهمیت می‌دهیم، توسعه توضیحات، آموزش ایده‌های دشوار و ارائه شواهد مفید برای سایر محققان نیز باید به عنوان شغل در نظر گرفته شود. در غیر این صورت، موسساتی که از مردم می خواهند قضاوت خود را انجام دهند، ممکن است به خاطر صرف زمان کمتر برای توسعه آنها به آنها پاداش دهند.

ریاضیات به عنوان قناری

پس از سخنرانی برونشتاین، در یک سالن آبجو درسدن نشستیم و مشغول خوردن کاری وورست و نوشیدنی رادلر بودیم. اواخر تابستان بود و صحبت ها وحشیانه بود. زیست شناسان سلولی، بیوشیمی دانان، ریاضیدانان و مهندسان در این فکر بودند که این آینده برای آنها چه معنایی دارد. بعضی ها ترسیده بودند. برخی دیگر معتقد بودند که این امر اجتناب ناپذیر است و دانشمندان را به چیزی شبیه هنرمندان تبدیل می کند. همانطور که اکنون در زمینه هوش مصنوعی کار می کنم، مردم از من پرسیده اند: “به نظر شما همه چیز در اینجا پیش می رود؟” آنها می خواستند بدانند که نقش انسان چیست و دانش علمی چگونه منتقل می شود. شروع کردم به صحبت کردن با آنها در مورد ریاضی. چشم انداز نتایج فراوان بدون درک مشترک از قبل سوالاتی را که ما از آبجوهای خود می پرسیدیم ایجاد می کرد.

در زیست‌شناسی، نتیجه پیشنهادی هنوز باید با دنیای فیزیکی مطابقت داشته باشد: کسی باید نمونه‌هایی را آماده کند، آزمایش‌ها را انجام دهد و آنچه را که اتفاق می‌افتد اندازه‌گیری کند. رباتیک و اتوماسیون آزمایشگاهی به عوامل این امکان را می دهد که بیشتر این کار را انجام دهند و به دانشمندان این ظرفیت را می دهد تا آزمایش هایی را انجام دهند که زمانی به یک گروه کامل نیاز داشتند. شاید تعداد بیشتری از دانشمندان به PI آزمایشگاه های خودکار تبدیل شوند که سؤالات را انتخاب می کنند و عوامل و ابزارها را کنترل می کنند. اما کار خودکار همچنین نحوه یادگیری دانشجویان کارشناسی، دکترا و تکنسین ها است. دست زدن به یک نمونه، توجه به چیزی غیرمنتظره، و درک اینکه چرا یک آزمایش شکست خورد، قضاوتی را ایجاد می کند که هدف قرار دادن یک سیستم ممکن است آموزش ندهد. چه کسی می تواند این تجربه را قبل از اینکه انتظار رهبری داشته باشد به دست آورد؟

تحقیق در مورد یک خط مشی مختصر، ساختن یک مدل مالی یا توسعه یک استراتژی محصول به افراد کمک می کند قلمروی را که در آن تصمیم می گیرند، بیاموزند. در کار علم داده مبتنی بر عامل، من افراد را تشویق می‌کنم که داده‌های سلول به سلول را با یک عامل بررسی کنند، زیرا کار تجزیه و تحلیل درک مورد نیاز برای تصمیم‌گیری در مورد اینکه در آینده چه چیزی بپرسد را توسعه می‌دهد. در کار دانش، این وظایف همچنین نحوه توسعه تخصص همکاران جوان است. اگر تولید آنها را خودکار کنیم، چگونه یادگیری و قضاوت ایجاد شده با انجام آنها را حفظ خواهیم کرد؟ ما می‌توانیم به طور فزاینده‌ای برای داشتن و انتقال تجربه به مدل‌هایی وابسته باشیم، با انتقال دانش از مدلی به مدل دیگر، سپس به افرادی که به عنوان اورابل با آنها مشورت می‌کنند. هر کسی که این سیستم ها را کنترل می کند، بر آنچه ما می توانیم مطالعه و یاد بگیریم، قدرت پیدا می کند. درک انسانی باید بخشی از آنچه ما در تلاش برای تولید آن هستیم باشد.

بعدش چی؟

ریاضیدان جرد دوکر لیختمن، یک پروژه اطلس ریاضی را برای رسمی کردن ادبیات ریاضی موجود پیشنهاد کرد، با این ادعا که بودجه و محاسبات کافی می تواند این کار را ظرف یک سال ممکن کند. کتابخانه‌ای از ریاضیات محاسباتی قابل تأیید می‌تواند به محققان اجازه دهد تا بر روی نتایج ثابت‌شده با اطمینان بیشتری بنا کنند، در حالی که عامل‌ها به یافتن ارتباطات و جمع‌آوری آرگومان‌ها در دامنه‌ها کمک می‌کنند. همچنین اگر افراد بتوانند شواهد رسمی را به توضیحاتی که می‌فهمند متصل کنند، می‌تواند به یک منبع یادگیری تبدیل شود. دستیابی به این امر مستلزم کار آگاهانه روی دسترسی، قرار گرفتن در معرض و آموزش در کنار رسمی سازی است. ما این فرصت را داریم که ابزارهایی ایجاد کنیم که به مردم کمک می کند ریاضیات را عمیق تر کشف کنند، به شرطی که این بخشی از پروژه باشیم.

MPI در درسدن برای درک چگونگی عملکرد سلول‌ها، چگونگی ایجاد مکانیسم‌های مولکولی منجر به رفتار بافت زنده ایجاد شد. من از هوش مصنوعی می خواهم که به ما کمک کند تا این جاه طلبی را دنبال کنیم، از جمله از طریق رویکردهایی که قبلا هرگز نمی توانستیم امتحان کنیم. اما درک انسانی متعلق به چیزهایی است که ما می خواهیم این اثر با زمان و منابع اختصاص داده شده به توسعه آن تولید کند. همچنین توانایی به اشتراک گذاشتن آنچه می آموزیم و انتخاب آنچه که در آینده کاوش کنیم نیز وجود دارد. اگر این تصمیم‌ها را به شرکت‌های تامین‌کننده ماشین‌ها بسپاریم، تصمیم‌گیری برای پیشرفت علمی را نیز به آنها واگذار می‌کنیم.

👉 آیا می خواهید بفهمید که عوامل هوش مصنوعی در واقع چگونه کار می کنند؟ ج عوامل هوش مصنوعی را از First Principles بسازید، ما خودمان یک عامل می‌سازیم، سپس آن را با یک SDK و MCP مدرن بازسازی می‌کنیم. شما با یک عامل کار، کدی که می توانید آن را تطبیق دهید و درک درستی برای تشخیص خرابی ها و تصمیم گیری در مورد آنچه که سیستم شما واقعاً به آن نیاز دارد، کنار خواهید رفت. 👈

پشتیبانی از ناپدید شدن گرادیان

Vanishing Gradients مستقل است و بیشتر پادکست‌ها، کارگاه‌ها، مقالات، مهارت‌ها و جریان‌های کاری که منتشر می‌کنم رایگان هستند.

اگر می خواهید به ادامه آن کمک کنید:

• یک مشترک پولی شوید. اشتراک شما از پادکست، خبرنامه و منابع باز پشتیبانی می کند.
• این پست را به اشتراک بگذارید با یک دوست یا همکار که آن را مفید می داند.
• در تقویم رویدادها مشترک شوید برای نمایش های زنده، سمینارها و جلسات آینده.
• در یوتیوب مشترک شوید برای قسمت های کامل، مجموعه های زنده و ضبط شده.
• در Discord به ما بپیوندید. بیایید درباره این قطعه بحث کنید، ایده ها را به چالش بکشید و یادداشت هایی را در مورد آنچه با هوش مصنوعی می سازید مقایسه کنید.
• با من کار کن من به تیم ها کمک می کنم تا محصولات مبتنی بر هوش مصنوعی را بسازند و بهبود بخشند.

پاورقی

آیا امنیت سایبری بخشی از شغل شماست؟ اگر چنین است، ما دوست داریم نظر شما را در مورد گزارشی که می نویسیم بدانیم. فقط به این ۱۱ سوال سریع پاسخ دهید. پیشاپیش متشکرم در نظرسنجی شرکت کنید >