"Sains" mengumumkan sepuluh kejayaan terbaik tahun ini, AIGC dan AI untuk kemenangan sains

Sebentar tadi, "Sains" memilih sepuluh kejayaan saintifik teratas pada tahun 2022.

Apa yang telah memenangi tempat untuk kecerdasan buatan tahun ini ialah dua hala tuju penyelidikan popular: kandungan janaan AI (AIGC) dan penemuan saintifik dipercepatkan AI.

Penciptaan artistik dan penemuan saintifik pernah dianggap dua bidang yang sukar dimasuki kecerdasan buatan kerana memerlukan kecerdasan dan kreativiti manusia. Tetapi kini, AI sudah melakukan kerja yang hebat dalam kedua-dua arah.

Bidang AIGC yang paling banyak dikaji pada tahun 2022 sudah pasti model penjanaan teks-ke-imej. Model sedemikian menggunakan pembelajaran mesin untuk menganalisis gandingan teks dan imej dalam talian, mencari corak yang mencipta imej baharu berdasarkan teks baharu.

Bermula dari OpenAI yang menunjukkan DALL·E menjana "kerusi berbentuk alpukat" pada tahun 2021, model penjanaan teks-ke-imej telah memasuki peringkat baharu.

Pada April 2022, OpenAI mengeluarkan versi ditingkatkan model DALL·E 2. DALL·E 2 dibina pada CLIP dan menggunakan proses yang dipanggil resapan untuk menjana imej daripada "bunyi".

DALL·E 2 boleh menjana gambar realistik dengan cekap. Pelbagai model penyebaran telah dikeluarkan tahun ini, dan syarikat seperti Meta dan Google juga telah mengeluarkan model penyebaran yang boleh menjana video.

Gambar di bawah ialah "Space Opera" yang dihasilkan oleh model generasi teks-ke-imej Midjourney Pereka permainan berusia 39 tahun Jason Allen memenangi anugerah di Colorado, Amerika Syarikat untuk lukisan yang dihasilkan oleh AI ini.

Pembangunan model AIGC pada tahun 2022 telah mencetuskan perhatian dan pemikiran beretika orang ramai tentang seni penciptaan AI.

Sebaliknya, model AI juga meneruskan kemajuan mereka pada tahun 2021 dalam sains, matematik dan pengaturcaraan. 10 kejayaan terbaik Sains pada tahun 2021 termasuk AlphaFold, model AI yang meramalkan struktur protein. Membina kerja ini, penyelidik kini telah menggunakan kecerdasan buatan untuk mereka bentuk protein baharu sepenuhnya yang boleh digunakan dalam vaksin, bahan binaan atau mesin nano.

Dalam makalah yang diterbitkan dalam Sains pada September tahun ini, penyelidik seperti David Baker, profesor biokimia di Washington University School of Medicine, mencadangkan AI boleh mereka bentuk protein dari awal melalui dua idea. . Satu teknik, yang dipanggil "fantasi," bermula dengan urutan rawak dan kemudian mengubahnya menjadi urutan yang alat AI lain yakin akan dilipat menjadi protein yang stabil.

Mereka mereka bentuk algoritma baharu "ProteinMPNN" untuk menjana jujukan asid amino, yang boleh mula mengira dalam masa 1 saat, iaitu lebih daripada 200 kali lebih pantas daripada masa teratas sebelumnya.

Pada masa yang sama, DeepMind mengeluarkan alat bernama ​​AlphaTensor​​ . Ia menemui jalan pintas yang telah diabaikan oleh ahli matematik manusia selama beberapa dekad, membenarkan reka bentuk algoritma yang lebih cekap untuk blok pendaraban matriks. Pendaraban matriks ialah komponen teras bagi banyak tugas pengkomputeran, termasuk grafik komputer, komunikasi digital, latihan rangkaian saraf dan pengkomputeran saintifik, dan algoritma yang ditemui oleh AlphaTensor boleh meningkatkan kecekapan pengkomputeran dengan ketara dalam bidang ini.

Menurut DeepMind, AlphaTensor dibina pada AlphaZero. Kerja ini menunjukkan peralihan AlphaZero daripada digunakan untuk permainan kepada digunakan buat kali pertama untuk menyelesaikan masalah matematik yang sukar.

Walaupun AlphaTensor pada mulanya tertumpu pada masalah khusus pendaraban matriks, DeepMind berkata ia berharap dapat memberi inspirasi kepada lebih ramai orang untuk menggunakan AI untuk membimbing penemuan algoritma untuk tugas pengkomputeran asas yang lain. Selain itu, penyelidikan DeepMind juga menunjukkan bahawa algoritma AlphaZero yang berkuasa jauh melangkaui bidang permainan tradisional dan boleh membantu menyelesaikan masalah terbuka dalam bidang matematik.

DeepMind turut melancarkan AlphaCode, sebuah sistem yang boleh diprogramkan untuk menyelesaikan masalah berangka, seperti mengira bilangan rentetan binari bagi panjang tertentu yang tidak mempunyai sifar berturut-turut. AlphaCode menggunakan model yang dilatih pada program sebelumnya dan penerangannya untuk menjana beberapa program calon dan kemudian memilih yang paling menjanjikan.

Minggu lepas, penyelidikan AlphaCode telah diterbitkan secara rasmi dalam Sains.

Prestasi AlphaCode adalah purata berbanding pengaturcara manusia. Penyelidik DeepMind menguji AlphaCode dalam cabaran Codeforces, platform pertandingan pengaturcaraan telah diuji terhadap 10 cabaran yang diselesaikan oleh 5,000 pengguna di tapak web Codeforces Kedudukan keseluruhan berada dalam 54.3% teratas, mengalahkan 46% peserta.

Walaupun gagal memenangi pertandingan, keputusan ini mewakili lonjakan besar dalam keupayaan kecerdasan buatan untuk menyelesaikan masalah dan membuktikan bahawa model pembelajaran mendalam diperlukan potensi dalam tugasan pemikiran kritis.

DeepMind menyatakan bahawa set kemahiran semasa AlphaCode pada masa ini hanya sesuai untuk bidang pengaturcaraan yang kompetitif, tetapi keupayaannya membuka pintu baharu untuk mencipta alatan masa hadapan yang menjadikan pengaturcaraan Lebih Mudah dan automatik sepenuhnya.

Selain perdebatan sama ada kejayaan ini dikira sebagai kreativiti sebenar, ia juga menimbulkan dilema praktikal dan etika. Sesetengah pemerhati bimbang bahawa pengaturcara dan artis buatan buatan ini boleh melanggar hak cipta, mengekalkan stereotaip, menyebarkan maklumat salah atau menghapuskan pekerjaan. Tetapi tidak ada keraguan bahawa manusia akan menggunakan alat ini untuk mengembangkan kreativiti mereka, seperti yang mereka lakukan dengan alat tenun, kamera, dan ciptaan lain yang pernah mengganggu pada masa lalu.

Atas ialah kandungan terperinci "Sains" mengumumkan sepuluh kejayaan terbaik tahun ini, AIGC dan AI untuk kemenangan sains. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!