ИИ, ученые и будущее

Jan 16 2023

Скорость развития технологий зашкаливает. Если ChatGPT может удивить большинство людей, то, используя это как отправную точку, вполне вероятно, что скорость развития в будущем действительно поразит (или напугает) людей [1].

Недавно я прослушал отчет семинара, в котором методы глубокого обучения используются для оптимизации способности прогнозирования MJO. Обзор литературы также включает предыдущих ученых, использующих ГО для оптимизации прогнозирования ЭНЮК, но, насколько мне известно, с текущим развитием технологии ГО на самом деле есть лучшие способы сделать то же самое. Другими словами, чисто с «технической» точки зрения улучшение этих прогностических способностей является лишь вопросом времени [2].

В настоящее время виды результатов академических исследований в основном делятся на:

1. Сбор данных наблюдений и соответствующий анализ.
2. Создание или оптимизация моделей
. 3. Создание или оптимизация теорий
. 4. Установление индикаторов для конкретных ситуаций
. 5. Изобретение или улучшение инструментов наблюдения.

Если быть более кратким, то на самом деле это следующие три направления:

1. Инструменты
2. Методы
3. Теории

Исходя из текущего развития технологии искусственного интеллекта, наиболее затронутой областью этих академических достижений могут быть категории «оптимизация/сопутствующий анализ». Например, некоторые типы исследований проводятся путем сбора данных наблюдений, а затем поиска статистических взаимосвязей для выявления возможных корреляций, а затем рисования картины для описания истории. Независимо от того, насколько опасно делать вывод о причинно-следственной связи только на основе корреляции (что делают многие люди), для тех, кто относится к этой категории, если собирать меньше данных, достоверность, естественно, будет ниже. Но если будет больше сбора данных, доля технологий, связанных с ИИ, в оптимизации данных, вероятно, станет доминирующей. Это означает, что ученым, которые не планируют или не могут идти в ногу с этой тенденцией, будет труднее выжить в будущем.

Между тем, те, что относятся к категории «теория» или «сбор данных», могут иметь временно меньшее влияние. Например, какой бы хорошей ни была модель, без хороших данных на входе результатом будет только мусор. Поэтому, как собрать качественные и большие объемы данных, это как найти золотую жилу, это будет область ожесточенных споров. Кроме того, те, кто относится к теоретической категории, играют руководящую роль в академическом развитии. Таким образом, без теоретиков затраты в долгосрочной перспективе на местах могут быть невообразимыми.

Однако на практике эти категории не являются полностью независимыми друг от друга, а это означает, что стремительное развитие технологий, связанных с ИИ, будет иметь на них разную степень влияния.

Поскольку все они, вероятно, окажут влияние, их не следует игнорировать. Следующий вопрос заключается в том, что распределение вычислительных ресурсов во многом определит отправную точку участников. Существует ли разумный метод распределения? Или это будет эпоха «Победитель получает все»?

В текущей ситуации, как в академических кругах, так и в промышленности, в краткосрочной перспективе может появиться много сильных соперников, но в долгосрочной перспективе лишь немногие останутся доминирующими. А в условиях ограниченности ресурсов будет все труднее перераспределять рынок за счет прорывных инноваций.

Если это так, как будет выглядеть будущая работа? Если я владелец компании и у меня есть технология, которая может помочь мне сократить трудозатраты и повысить эффективность, буду ли я это делать? Если да, то какие виды работ будут заменены и какие таланты мне понадобятся, чтобы победить моих конкурентов (у которых тоже могут быть похожие технологии).

Как показал нам ChatGPT, в грядущей эпохе, если вы не находитесь на пути разработки технологии ИИ, большинству людей, работающих в приложениях, придется думать о том, как давать правильные инструкции для управления моделями ИИ. В более фундаментальном плане для людей более важно, как задавать правильные вопросы (как), чем получать правильные ответы (что), потому что последние могут быть решены и оптимизированы с помощью моделей. И по сравнению с тем, как задавать правильные вопросы, еще важнее, зачем нам нужно задавать этот вопрос (почему).

В таком случае, действительно ли существующая система школьного образования помогает детям смотреть в будущее? Я сомневаюсь в этом, особенно стиль зубрежки в обучении будет казаться еще более нелепым в эту эпоху и тратить впустую драгоценные годы обучения детей.

Когда развивалась промышленная революция, люди думали, что наконец-то могут освободиться от работы, но на самом деле труда не стало меньше и рабочее время не уменьшилось. Теперь, когда мы вступили в эру ИИ, неясно, уменьшится ли работа и рабочие часы, но может случиться так, что средний порог требований к талантам будет становиться все выше и выше. В конце концов, задачи, которые являются простыми или часто повторяющимися, или которые могут быть решены в определенной степени стандартными процедурами СОП и включают базовые суждения, могут быть заменены.

Если это действительно эпоха «Победитель получает все», то вероятность социального неравенства также возрастет. В конце концов, те, у кого есть ресурсы, будут продолжать использовать их, чтобы приобретать больше ресурсов и создавать барьеры для предотвращения конкурентов.

Она также может напоминать систему Реховоам из телешоу «Мир Дикого Запада» [3], где она собирает достаточно данных от людей, чтобы дать руководство по жизни и предсказать возможные будущие пути, но с негативными последствиями. Возможно, в будущем было бы разумно подходить к высокоразвитой технологии с осторожностью, поскольку последствия объединения ее с более темными аспектами человеческой природы могут быть ужасными. Поскольку мировая система становится все более сложной, неправильное применение технологий может привести к ужасным последствиям, подобным опрокидыванию корабля в бурном море [4].

______

[1] Гонка ИИ начинается, когда Microsoft/ChatGPT и Google/DeepMind Sparrow занимают позиции

https://www.tekedia.com/ai-race-begins-as-microsoft.../...

[2] Прогнозирование колебаний Мэддена-Джулиана: могут ли модели глубокого обучения превзойти динамические модели