Trí tuệ nhân tạo (AI) đang định hình lĩnh vực khoa học theo những cách chưa từng có. **Từ việc đẩy nhanh quá trình nghiên cứu đến đưa ra các giả thuyết nghiên cứu mới, việc bổ sung AI mang lại tiềm năng to lớn cho khoa học. **
Đầu năm nay, Yann LeCun, một trong những cha đỡ đầu của AI hiện đại, cho biết: “Bằng cách nâng cao trí thông minh của con người, AI có thể khơi dậy một thời kỳ phục hưng mới, có lẽ là một giai đoạn mới của Thời kỳ Khai sáng”.
Ngày nay, AI có thể làm cho một số quy trình khoa học hiện có nhanh hơn và hiệu quả hơn, chẳng hạn như khám phá ra thuốc kháng sinh mới, vật liệu mới cho pin và tấm pin mặt trời, cũng như dự đoán thời tiết ngắn hạn, kiểm soát phản ứng tổng hợp hạt nhân, v.v. Demis Hassabis, Giám đốc điều hành của Google DeepMind, đã so sánh AI với kính viễn vọng và tin rằng "AI có thể mang lại sự phục hưng cho những khám phá mới và trở thành nhân rộng trí tuệ của con người".
Tuy nhiên, AI có thể làm được nhiều hơn bằng cách thay đổi cách thức hoạt động của khoa học không?
Khám phá dựa trên văn học: AI dẫn đầu việc khám phá kiến thức khoa học
Trên thực tế, sự thay đổi này đã từng xảy ra trước đây.
Với sự ra đời của phương pháp khoa học vào thế kỷ 17, các nhà nghiên cứu bắt đầu tin tưởng vào những quan sát thực nghiệm và các lý thuyết bắt nguồn từ chúng hơn là sự hiểu biết thông thường của thời cổ đại. Việc thành lập các phòng thí nghiệm nghiên cứu vào cuối thế kỷ 19 đã thúc đẩy sự đổi mới trong các lĩnh vực từ hóa học, chất bán dẫn đến dược phẩm. Những thay đổi này không chỉ làm tăng năng suất khoa học mà còn biến đổi chính khoa học, mở ra những lĩnh vực nghiên cứu và khám phá mới.
Vậy làm thế nào AI có thể đạt được sự chuyển đổi tương tự vào thời điểm đó, không chỉ trong việc tạo ra kết quả mới mà còn ở những cách mới để tạo ra kết quả mới?
**Một cách tiếp cận đầy hứa hẹn là khám phá dựa trên tài liệu (LBD). **
Là một phương pháp AI, LBD hướng tới việc thực hiện những khám phá mới bằng cách phân tích tài liệu khoa học. Ngay từ những năm 1980, Tiến sĩ Don Swanson của Đại học Chicago đã thiết lập hệ thống LBD đầu tiên nhằm tìm kiếm các mối liên hệ mới trong cơ sở dữ liệu tạp chí y khoa MEDLINE. Một trong những thành công ban đầu của phương pháp này là liên hệ bệnh Raynaud, một bệnh về tuần hoàn, với độ nhớt của máu, dẫn đến giả thuyết rằng dầu cá có thể hữu ích trong điều trị, một giả thuyết sau đó đã được xác nhận bằng thực nghiệm. Tuy nhiên, phạm vi tiếp cận của hệ thống LBD vào thời điểm đó còn hạn chế.
Ngày nay, AI đã đạt được tiến bộ đáng kể trong xử lý ngôn ngữ tự nhiên (NLP) và lượng tài liệu khoa học cũng tăng lên đáng kể, khiến các phương pháp LBD càng trở nên mạnh mẽ hơn. Ví dụ: vào năm 2019, các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Lawrence Berkeley ở Hoa Kỳ đã sử dụng các kỹ thuật học tập không giám sát để phân tích các bản tóm tắt của tài liệu khoa học vật liệu và chuyển chúng thành các biểu diễn toán học được gọi là "nhúng từ". Cách tiếp cận này cho phép các hệ thống AI có được “trực giác hóa học” và đề xuất các vật liệu mới có thể có các đặc tính cụ thể. Sau khi xác minh bằng thực nghiệm, tất cả 10 vật liệu ứng cử viên hàng đầu đều cho thấy hiệu suất tuyệt vời.
Một bài báo gần đây được xuất bản trên tạp chí Nature Human Behavior của các nhà xã hội học Jamshid Sourati và James Evans của Đại học Chicago đã mở rộng cách tiếp cận này theo một cách mới lạ. Các nhà nghiên cứu đã đào tạo một hệ thống có thể xem xét cả khái niệm và tác giả và đạt được kết quả tốt hơn trước. Hơn nữa, chúng yêu cầu hệ thống phải tránh các hướng nghiên cứu chính thống và xác định các giả thuyết “ngoài hành tinh” khó có thể được phát hiện trong những trường hợp thông thường. Cách tiếp cận này không chỉ giúp tăng tốc khám phá khoa học mà còn bộc lộ những “điểm mù” mới.
Ngày nay, hệ thống LBD không chỉ có thể tạo ra các giả thuyết nghiên cứu mới mà còn xác định được các đối tác tiềm năng và tạo điều kiện cho sự hợp tác liên ngành. Ứng dụng của phương pháp này ngày càng mở rộng để xử lý các loại tài liệu khác nhau như bảng, biểu đồ, hình ảnh, hỗ trợ rộng rãi hơn cho các nhà khoa học.
Nhà khoa học robot: AI dẫn đầu cuộc cách mạng trong phòng thí nghiệm
**Các nhà khoa học robot đại diện cho một sự phát triển thú vị khác ngoài tự động hóa phòng thí nghiệm truyền thống. **Họ thu thập kiến thức nền tảng về một lĩnh vực nghiên cứu cụ thể dưới dạng dữ liệu, tài liệu nghiên cứu và bằng sáng chế, sau đó tạo ra các giả thuyết, thực hiện thí nghiệm, đánh giá kết quả và cuối cùng là khám phá kiến thức khoa học mới.
"Adam" tại Đại học Aberystwyth là nhà khoa học tiên phong về robot, đã đạt được khám phá độc lập đầu tiên về kiến thức khoa học mới, thí nghiệm về mối quan hệ giữa gen và enzyme trong quá trình trao đổi chất của nấm men là một trường hợp điển hình.
Các nhà khoa học robot phức tạp hơn, như "Eve", sử dụng máy học để tạo ra "mối quan hệ hoạt động-cấu trúc định lượng" (QSAR) - các mô hình toán học liên quan đến cấu trúc hóa học với các hiệu ứng sinh học - khi họ lập kế hoạch và phân tích các thí nghiệm. Eve đã được sử dụng trong nghiên cứu thuốc, khám phá thành công rằng triclosan, một hợp chất kháng khuẩn được sử dụng trong kem đánh răng, ức chế cơ chế chính của ký sinh trùng gây bệnh sốt rét.
Đã có lúc, viễn cảnh máy móc đánh bại những người chơi giỏi nhất là con người dường như đã cách xa hàng thập kỷ, nhưng công nghệ đang tiến bộ nhanh hơn dự kiến. Khi các nhà khoa học robot ngày càng có nhiều năng lực hơn, các nhà khoa học robot trong tương lai sẽ có thể chống lại các hệ thống AI có thể chơi cờ.
Ross King, nhà nghiên cứu AI tại Đại học Cambridge, người đã tạo ra Adam, cho biết: “Nếu AI có thể khám phá toàn bộ không gian giả thuyết, hoặc thậm chí mở rộng không gian này, thì nó có thể cho thấy con người chỉ đang khám phá một phần nhỏ của không gian giả thuyết, có lẽ do thành kiến khoa học của chính họ.
Các nhà khoa học robot đã biến đổi nghiên cứu khoa học theo một cách độc đáo bằng cách giải quyết các vấn đề về hiệu quả trong lĩnh vực khoa học. Hiệu quả nghiên cứu khoa học ngày càng giảm sút và khó thúc đẩy sự phát triển của giới hạn tri thức, các nhà khoa học robot có thể giải quyết vấn đề này thông qua các hệ thống do AI điều khiển, bởi máy móc có thể thực hiện công việc trong phòng thí nghiệm nhanh hơn, rẻ hơn và chính xác hơn con người, và có thể làm việc suốt ngày đêm. Ngoài ra, chúng có thể cung cấp các kết quả thử nghiệm có thể tái tạo và giảm bớt khủng hoảng về khả năng tái tạo.
Tiềm năng và thách thức của AI trong khoa học
**Mặc dù AI có tiềm năng to lớn trong khoa học nhưng nó cũng phải đối mặt với một số thách thức. **
Ngoài phần cứng và phần mềm tốt hơn và sự tích hợp chặt chẽ hơn giữa cả hai, còn cần có khả năng tương tác cao hơn giữa các hệ thống tự động hóa trong phòng thí nghiệm, cũng như các tiêu chuẩn chung cho phép thuật toán AI trao đổi và giải thích thông tin ngữ nghĩa. Một trở ngại khác là các nhà khoa học chưa quen với các công cụ dựa trên AI. Ngoài ra, một số nhà nghiên cứu lo lắng rằng tự động hóa sẽ đe dọa công việc của họ.
Tuy nhiên, Tiến sĩ Yolanda Gil, nhà khoa học máy tính tại Đại học Nam California cho biết, tác động của AI hiện nay “rộng rãi và lan rộng”. Nhiều nhà khoa học hiện đang “tích cực tìm kiếm đối tác AI”. Nhận thức về tiềm năng của AI đang ngày càng tăng, đặc biệt là trong lĩnh vực khoa học vật liệu và khám phá dược phẩm, nơi các học viên đang xây dựng hệ thống AI của riêng mình.
Nhìn chung, các tạp chí khoa học đã thay đổi cách các nhà khoa học khám phá thông tin và học hỏi lẫn nhau. Các phòng thí nghiệm nghiên cứu đã mở rộng quy mô thí nghiệm và thực hiện công nghiệp hóa thí nghiệm. Bằng cách mở rộng và kết hợp hai cuộc cách mạng đầu tiên, AI thực sự có thể thay đổi cách thực hiện nghiên cứu khoa học.
Liên kết tham khảo:
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
The Economist: AI có thể thay đổi cách thực hiện nghiên cứu khoa học không?
Trí tuệ nhân tạo (AI) đang định hình lĩnh vực khoa học theo những cách chưa từng có. **Từ việc đẩy nhanh quá trình nghiên cứu đến đưa ra các giả thuyết nghiên cứu mới, việc bổ sung AI mang lại tiềm năng to lớn cho khoa học. **
Đầu năm nay, Yann LeCun, một trong những cha đỡ đầu của AI hiện đại, cho biết: “Bằng cách nâng cao trí thông minh của con người, AI có thể khơi dậy một thời kỳ phục hưng mới, có lẽ là một giai đoạn mới của Thời kỳ Khai sáng”.
Tuy nhiên, AI có thể làm được nhiều hơn bằng cách thay đổi cách thức hoạt động của khoa học không?
Khám phá dựa trên văn học: AI dẫn đầu việc khám phá kiến thức khoa học
Trên thực tế, sự thay đổi này đã từng xảy ra trước đây.
Với sự ra đời của phương pháp khoa học vào thế kỷ 17, các nhà nghiên cứu bắt đầu tin tưởng vào những quan sát thực nghiệm và các lý thuyết bắt nguồn từ chúng hơn là sự hiểu biết thông thường của thời cổ đại. Việc thành lập các phòng thí nghiệm nghiên cứu vào cuối thế kỷ 19 đã thúc đẩy sự đổi mới trong các lĩnh vực từ hóa học, chất bán dẫn đến dược phẩm. Những thay đổi này không chỉ làm tăng năng suất khoa học mà còn biến đổi chính khoa học, mở ra những lĩnh vực nghiên cứu và khám phá mới.
Vậy làm thế nào AI có thể đạt được sự chuyển đổi tương tự vào thời điểm đó, không chỉ trong việc tạo ra kết quả mới mà còn ở những cách mới để tạo ra kết quả mới?
**Một cách tiếp cận đầy hứa hẹn là khám phá dựa trên tài liệu (LBD). **
Là một phương pháp AI, LBD hướng tới việc thực hiện những khám phá mới bằng cách phân tích tài liệu khoa học. Ngay từ những năm 1980, Tiến sĩ Don Swanson của Đại học Chicago đã thiết lập hệ thống LBD đầu tiên nhằm tìm kiếm các mối liên hệ mới trong cơ sở dữ liệu tạp chí y khoa MEDLINE. Một trong những thành công ban đầu của phương pháp này là liên hệ bệnh Raynaud, một bệnh về tuần hoàn, với độ nhớt của máu, dẫn đến giả thuyết rằng dầu cá có thể hữu ích trong điều trị, một giả thuyết sau đó đã được xác nhận bằng thực nghiệm. Tuy nhiên, phạm vi tiếp cận của hệ thống LBD vào thời điểm đó còn hạn chế.
Một bài báo gần đây được xuất bản trên tạp chí Nature Human Behavior của các nhà xã hội học Jamshid Sourati và James Evans của Đại học Chicago đã mở rộng cách tiếp cận này theo một cách mới lạ. Các nhà nghiên cứu đã đào tạo một hệ thống có thể xem xét cả khái niệm và tác giả và đạt được kết quả tốt hơn trước. Hơn nữa, chúng yêu cầu hệ thống phải tránh các hướng nghiên cứu chính thống và xác định các giả thuyết “ngoài hành tinh” khó có thể được phát hiện trong những trường hợp thông thường. Cách tiếp cận này không chỉ giúp tăng tốc khám phá khoa học mà còn bộc lộ những “điểm mù” mới.
Nhà khoa học robot: AI dẫn đầu cuộc cách mạng trong phòng thí nghiệm
**Các nhà khoa học robot đại diện cho một sự phát triển thú vị khác ngoài tự động hóa phòng thí nghiệm truyền thống. **Họ thu thập kiến thức nền tảng về một lĩnh vực nghiên cứu cụ thể dưới dạng dữ liệu, tài liệu nghiên cứu và bằng sáng chế, sau đó tạo ra các giả thuyết, thực hiện thí nghiệm, đánh giá kết quả và cuối cùng là khám phá kiến thức khoa học mới.
"Adam" tại Đại học Aberystwyth là nhà khoa học tiên phong về robot, đã đạt được khám phá độc lập đầu tiên về kiến thức khoa học mới, thí nghiệm về mối quan hệ giữa gen và enzyme trong quá trình trao đổi chất của nấm men là một trường hợp điển hình.
Các nhà khoa học robot phức tạp hơn, như "Eve", sử dụng máy học để tạo ra "mối quan hệ hoạt động-cấu trúc định lượng" (QSAR) - các mô hình toán học liên quan đến cấu trúc hóa học với các hiệu ứng sinh học - khi họ lập kế hoạch và phân tích các thí nghiệm. Eve đã được sử dụng trong nghiên cứu thuốc, khám phá thành công rằng triclosan, một hợp chất kháng khuẩn được sử dụng trong kem đánh răng, ức chế cơ chế chính của ký sinh trùng gây bệnh sốt rét.
Ross King, nhà nghiên cứu AI tại Đại học Cambridge, người đã tạo ra Adam, cho biết: “Nếu AI có thể khám phá toàn bộ không gian giả thuyết, hoặc thậm chí mở rộng không gian này, thì nó có thể cho thấy con người chỉ đang khám phá một phần nhỏ của không gian giả thuyết, có lẽ do thành kiến khoa học của chính họ.
Các nhà khoa học robot đã biến đổi nghiên cứu khoa học theo một cách độc đáo bằng cách giải quyết các vấn đề về hiệu quả trong lĩnh vực khoa học. Hiệu quả nghiên cứu khoa học ngày càng giảm sút và khó thúc đẩy sự phát triển của giới hạn tri thức, các nhà khoa học robot có thể giải quyết vấn đề này thông qua các hệ thống do AI điều khiển, bởi máy móc có thể thực hiện công việc trong phòng thí nghiệm nhanh hơn, rẻ hơn và chính xác hơn con người, và có thể làm việc suốt ngày đêm. Ngoài ra, chúng có thể cung cấp các kết quả thử nghiệm có thể tái tạo và giảm bớt khủng hoảng về khả năng tái tạo.
Tiềm năng và thách thức của AI trong khoa học
**Mặc dù AI có tiềm năng to lớn trong khoa học nhưng nó cũng phải đối mặt với một số thách thức. **
Ngoài phần cứng và phần mềm tốt hơn và sự tích hợp chặt chẽ hơn giữa cả hai, còn cần có khả năng tương tác cao hơn giữa các hệ thống tự động hóa trong phòng thí nghiệm, cũng như các tiêu chuẩn chung cho phép thuật toán AI trao đổi và giải thích thông tin ngữ nghĩa. Một trở ngại khác là các nhà khoa học chưa quen với các công cụ dựa trên AI. Ngoài ra, một số nhà nghiên cứu lo lắng rằng tự động hóa sẽ đe dọa công việc của họ.
Tuy nhiên, Tiến sĩ Yolanda Gil, nhà khoa học máy tính tại Đại học Nam California cho biết, tác động của AI hiện nay “rộng rãi và lan rộng”. Nhiều nhà khoa học hiện đang “tích cực tìm kiếm đối tác AI”. Nhận thức về tiềm năng của AI đang ngày càng tăng, đặc biệt là trong lĩnh vực khoa học vật liệu và khám phá dược phẩm, nơi các học viên đang xây dựng hệ thống AI của riêng mình.
Liên kết tham khảo: