DI mokslinėje veikloje
Doc. dr. Lino Vilčiausko vadovaujamame Fizinių ir technologijos mokslų centro (FTMC) skyriuje mokslininkai kuria naujas medžiagas elektrocheminės energijos konversijai – baterijoms, kuro elementams ir panašiems prietaisams. Pasak jo, medžiagos yra neatsiejama civilizacijos raidos dalis, o dabar prie šios raidos prisideda ir DI modeliai.
„Mes kuriame, gaminame, vystome naujas medžiagas. Mūsų istorija ir civilizacijų istorija dažnai susijusi su medžiagų atsiradimu, išvystymu ir, be abejo, panaudojimu,“ – pasakoja docentas.
L. Vilčiauskas pažymi, kad didžiosios technologijų kompanijos intensyviai dirba prie medžiagų modeliavimo, panaudojant DI, o jų sukurti atviri modeliai leidžia mokslininkams efektyviai atlikti tam tikras užduotis.
„Kai modeliuojame medžiagas, mums dažnai reikia aprašyti medžiagų sąveiką tarp molekulių kažkokiais fizikiniais modeliais. Ko gero, didžiausia šioje [DI] srityje revoliucija – kad atsirado DI pagrindu paremti modeliai, padedantys aprašyti tas fizikines sąveikas. Jais galima efektyviai aprašyti labai įvairias medžiagas. Jie taip pat padeda tikrinti įvairius eksperimentinius duomenis bei generuoti kažkokius naujus duomenis“, – aiškina tinklalaidės „DI ID“ pašnekovas.
Dirbtinio intelekto pasiekimai
Vienas įspūdingiausių DI pasiekimų – revoliucija baltymų lankstymo tyrimuose, teigia L. Vilčiauskas.
„Baltymų lankstymas (angl. protein folding) – tai yra viena didžiausių mokslo problemų. Baltymas sudarytas iš aminorūgščių, kurios susijungusios į tam tikrą grandinę. Dažniausiai dėl tam tikrų fizikinių sąveikų, šita grandinė susivynioja į tam tikrą trimatę struktūrą. Ta trimatė struktūra yra atsakinga už baltymo funkciją.
Didžiausia mokslo problema buvo, kaip nuspėti, kokia bus to galutinio baltymo struktūra. Tą darome dažniausiai eksperimentiškai – kristalizuojant baltymą ir naudojant rentgeno spindulių difrakciją. Kitas būdas – bandyti spėti, naudojant įvairius kompiuterinius modelius“, – apie baltymų lankstymo tyrimų problematiką kalbėjo mokslininkas.
L. Vilčiauskas pasakoja, kad „DeepMind“ sukurtas „AlphaFold“ modelis sugebėjo precedento neturinčiu tikslumu nuspėti baltymų struktūras:
„Deep Mind“ metodo pagrindas yra tai, kad turint didelį kiekį žinomų, eksperimentiškai išspręstų baltymų tretinių struktūrų, galima sukurti giliųjų neuroninių tinklų modelį, kuris, duodant jam tik aminorūgščių seką, gali nuspėti naujo baltymo tretinę struktūrą. Ir tie rezultatai buvo fantastiškai geri – žymiai geresni už visų iki tol egzistavusių modelių.“
DI grėsmės mokslo srityse
Mokslininkas pažymi, kad dirbtinis intelektas vis labiau įsitvirtina ir medicinos srityje – ypač vaistų kūrime. Šis procesas tradiciškai yra sudėtingas ir brangus, tačiau DI gebėjimas analizuoti milžiniškus duomenų kiekius atveria naujas galimybes. Nepaisant to, su naujovėmis kyla ir pavojų.
„Jeigu vaistas praeitų klinikinius bandymus ir būtų įrodytas jo efektyvumas gydant tam tikrą ligą, tačiau vėliau paaiškėtų, kad jis turi kažkokius rimtus šalutinius poveikius – ką kaltinti? Galbūt vykdant vaisto paiešką tradiciniu klaidų ir atmetimų metodu (kaip buvo anksčiau), žmogus būtų pamatęs, kad kažkokios vaistų savybės yra kenksmingos ir jos gali turėti šalutinį poveikį, tačiau DI dėl savo kažkokių trūkumų to galėjo nepamatyti. Matyčiau tokioje vietoje didelę riziką“, – aiškina FTMC skryriaus vadovas.
Mokslininkas pažymi, kad šiuo metu apie 150 vaistų yra sukurti pasinaudojant DI. „Keletas iš jų (atrodo, du) yra labai priartėję prie JAV maisto ir vaistų administracijos pilno leidimo gavimo naudoti praktikoje“, – papildo L. Vilčiauskas.
Be to, anot mokslininko, yra ir kitų – kiek mažiau pavojingų, bet vis tiek paminėjimo vertų – rizikų, susijusių su DI panaudojimu įvairiose mokslo srityse.
„Tos rizikos yra lygiai tos pačios kaip ir realiame gyvenime, – teigia mokslininkas. – Viena didžiausių rizikų dabar yra kalbos modelių naudojimas rengiant publikacijas. Šiai dienai yra keletas modelių, kuriems pateikus „žalius“ duomenis, jie gali sugeneruoti mokslinę publikaciją, kas mokslininkams yra labai svarbu – nuo to priklauso ir karjeros keliai. Tada atsiranda daug etinių klausimų.“
DI – įrankis, bet ne pakaitalas
Šiuo metu maždaug 10–20 proc. docento darbo veiklų yra susijusios su DI panaudojimu. Mokslininkas pažymi, kad jo darbe tai yra naudingas įrankis, tačiau pilnai juo pasikliauti dar negalima.
„Kol kas tai yra tik įrankis, bet ne surogatas kažkokiam jūsų darbui, todėl visada apie tai pagalvokite. Jeigu norite, kad tai būtų surogatas, jūs anksčiau ar vėliau turėsite problemų su tuo produktu, kurį gaunate“ , – pataria L. Vilčiauskas.
Pasak jo, viena iš DI problemų yra „haliucinacijos“ – DI gali sukurti klaidingą informaciją.
„Visada reikia į tai atsižvelgti. Aš dažnai dar kartą peržiūriu [DI parengtą medžiagą] savo akimis, kad ten nebūtų kažkokių klaidų – ir beveik visada randu kažkokią daugiau ar mažiau kritinę klaidelę“, – priduria pašnekovas.
Vis dėlto, L. Vilčiauskas pažymi, kad tobulėjantys DI modeliai ateityje neabejotinai „pakeis daugelį mokslinių sričių“.
DI ateitis moksle
Pasak FTMC skyriaus vadovo, viena artimiausių revoliucijų moksle bus autonominis mokslas, kai DI valdys visą eksperimentų ciklą – nuo medžiagų sintezės iki jų analizės.
„Ko gero, viena ateinančių revoliucijų moksle yra naujų dalykų generavimas ir taip vadinamas autonominis medžiagų mokslas. Šis principas reiškia, kad visa sistema yra automatizuota: ji pati sumaišo pradines medžiagas reikiamais santykiais, tada pereina per reikalingus sintezės etapus, po to automatizuotai atlieka analizę, o visi gauti duomenys perduodami dirbtinio intelekto (DI) modeliui.
Modelis nusprendžia, ar buvo pasiektas numatytas tikslas. Jei tikslas nėra pasiektas, dirbtinio intelekto (DI) modelis nurodo, ką daryti toliau: ką pakeisti ar pridėti. Viskas vyksta žingsnis po žingsnio tokiu uždaru ciklu iki tol, kol DI pasako, kad produktas yra geriausia, ką mes galime padaryti“, – pasakoja tinklalaidės „DI ID“ pašnekovas.
L. Vilčiausko teigimu, šias funkcijas atlikti sugebantis DI modelis galėtų mokslininkams suteikti du privalumus: „Pirma, nebereiktų tiek žmogiškųjų resursų daryti pasikartojančius, nuobodžius žingsnius. Antra, sumažėtų žmogiškųjų klaidų skaičius – robotai kartais gali viską padaryti tiksliau. Mūsų tikslas – turėti gerą modelį, kuris galėtų teisingai valdyti tą sistemą.“
DI vystymo iššūkiai ir perspektyvos
Vis dėlto, svarbu suprasti, kad dirbtinio intelekto vystymas nėra be trukdžių – tad DI revoliucijos moksle dar gali tekti palaukti. Pasak L. Vilčiausko, DI vystymo srityje susiduriama su keliais reikšmingais iššūkiais.
„Viena didžiausių problemų, su kuria susiduria visos technologijų kompanijos, yra kompiuterinių resursų kiekis ir jų energijos poreikis – jis yra tiesiog milžiniškas. Kitas dalykas – jau šiek tiek artėjame prie techninės įrangos ribų“, – iššūkius išskiria mokslininkas.
Taip pat, anot jo, problemų kelia ribotas duomenų, kuriais galima apmokyti DI modelius, kiekis.
„Artėja riba, kiek tų duomenų galime duoti, ir yra pastebėta, kad jeigu DI mokymui panaudojame duomenis, kurie jau buvo sugeneruoti su DI, „haliucinacijų“ kiekis didėja labai sparčiai“, – aiškina L. Vilčiauskas.
Sąvoka, kuri klaidina
Savo ruoštu tinklalaidės „DI ID“ pašnekovas pažymi, kad terminas „dirbtinis intelektas“ nėra tinkama sąvoka apibūdinti šią technologiją.
„Aš nesu labai didelis gerbėjas pačio termino „dirbtinis intelektas“ – mano manymu, jis yra labai neteisingas ir klaidinantis visuomenę. Pagrindinė problema – žodis „intelektas“, kuris sukuria daug baimių ir nesusipratimų. Tai iš tiesų nėra intelektas, o tik statistiniai modeliai, kurie, pasinaudodami kažkokiais ypač dideliais duomenų kiekiais, generuoja tam tikras įžvalgas“, – aiškina mokslininkas.
Jis priduria, kad mokslo bendruomenėje neretai naudojamas alternatyvus terminas „statistinis mokymasis“ (angl. statistical learning), kuris geriau atspindi šių modelių veikimo principą.
Paklaustas, ar ateityje galėtume sulaukti tikrojo – sąmoningo – dirbtinio intelekto, L. Vilčiauskas išlieka skeptiškas:
„Mano asmenine nuomone, mes dar esame labai toli nuo to. Problema ta, kad kol kas mes patys dar nežinome, kas yra sąmonė. Ko gero, šitoje dirbtinio intelekto modelių paradigmoje – ateinančius dešimt metų – tikrai to nesulauksime. Būkime ramūs.“
