MIT призвал вузы строить независимую ИИ-инфраструктуру для науки
Директор Центра статистики и науки о данных MIT Александр «Саша» Рахлин призвал университеты заранее инвестировать в вычислительные мощности, защищённые системы данных и экспертизу по адаптации и дообучению ИИ-моделей. В эссе о будущем академической среды он связывает эту необходимость с быстрым ростом возможностей ИИ: за год математические модели прошли путь от уровня золотой медали Международной математической олимпиады до получения новых исследовательских результатов, включая недавно предложенное решение одной из задач тысячелетия.
Почему ускоряются исследования
По мнению Рахлина, темп прогресса в конкретной дисциплине зависит от того, насколько быстро и надёжно можно проверить результат. Формализованные доказательства поддаются автоматической проверке, а программы можно запускать и тестировать. При такой обратной связи системы способны генерировать варианты, учиться на итогах и улучшаться.
Этот механизм распространяется и на саму разработку ИИ: более сильные модели могут участвовать в создании следующего поколения моделей, процедур обучения и вспомогательных инструментов. Для опытных учёных это открывает доступ к задачам, техническая сложность которых прежде была недостижима. Но получение ответа, подчёркивает Рахлин, не заменяет понимания причин, границ применимости и выбора следующего вопроса.
Он также предостерегает от предположения, что абстракция, профессиональное суждение и постановка задач останутся недоступными для машин. Университетам следует готовиться к периоду, когда ИИ будет превосходить людей во многих аспектах интеллектуальной работы.
Как меняются оценка и подготовка исследователей
Готовая научная статья всё хуже служит самостоятельным сигналом индивидуальной квалификации, считает Рахлин. Кафедрам и университетам предлагается яснее определять, что именно внёс исследователь и за что он несёт интеллектуальную ответственность, в том числе если значительную часть работы выполнил ИИ.
В системе признания могут получить больший вес удачная постановка вопросов, воспроизводимость, синтез идей, содержательные отрицательные результаты и общие наборы данных. Такие правила должны применяться к найму, продвижению и финансированию, а также быть понятны нынешним и будущим аспирантам.
Отдельная проблема — обучение. Рутинные вычисления, программирование, неудачные подходы и небольшие открытия раньше развивали интуицию и профессиональное суждение. Передавая эти этапы модели, легко лишить студентов опыта, который формирует экспертизу. В то же время ИИ позволяет браться за более амбициозные проекты.
Поэтому студентам важно учиться формулировать проблемы, проверять результаты моделей, воспроизводить исследования и обосновывать выбор. Развитие таких навыков сочетается с задачами, которые ставит масштабирование подготовки кадров в области ИИ для масштабирования подготовки кадров в области ИИ.
Общая инфраструктура вместо разрозненных знаний
Стратегическим активом университетов Рахлин называет накопленный в лабораториях практический опыт. Публикации не содержат полной картины: неудачные эксперименты, заброшенные направления и объяснения причин провала часто остаются вне научной литературы. Эти знания могут быть существенны для ИИ, особенно в эмпирических науках, где моделям пока трудно предвидеть последствия, очевидные специалистам.
MIT предлагает выстраивать рабочие процессы, фиксирующие гипотезы, вмешательства, результаты, неудачи и интерпретации. Связанные между собой системы могли бы давать ИИ-агентам доступ к инструментам и информации разных лабораторий с учётом разрешений. В качестве примера Рахлин описывает ситуацию, когда агент помогает нейробиологической лаборатории найти метод сегментации нейронов из работ группы компьютерного зрения, предложить бенчмарки и поддержать итерации.
Для бизнеса вывод практичен: ценность ИИ определяется не только моделью, но и качеством процессов, правами доступа, проверкой результатов и сохранением контекста решений. Организациям, работающим с исследованиями и сложными инженерными задачами, стоит заранее выстраивать такие контуры, чтобы применение ИИ оставалось проверяемым и ответственным.