MIT o novim pravilima akademskog rada uz veštačku inteligenciju
Direktor MIT Statistics and Data Science Center Aleksandar „Saša” Rakhlin navodi da su modeli za samo godinu dana od nivoa zlatne medalje na Međunarodnoj matematičkoj olimpijadi stigli do novih istraživačkih rezultata, uključujući predloženo rešenje jednog problema Milenijumske nagrade. U eseju o AI i akademskoj zajednici razmatra kako MIT i drugi univerziteti treba da prilagode istraživanje, doktorsku obuku i zajedničku infrastrukturu.
Provera ubrzava napredak AI sistema
Brzina napretka AI u pojedinoj disciplini, prema Rakhlinu, zavisi od toga koliko se brzo i pouzdano mogu proveriti rezultati. Formalizovani dokazi mogu automatski da se provere, dok se programi mogu pokrenuti i testirati. Kada je vrednovanje brzo i pouzdano, sistemi mogu da generišu kandidate, uče iz ishoda i unapređuju se.
Isti obrazac važi i za razvoj same AI: bolji modeli mogu doprineti sledećem krugu razvoja modela, procedura za obuku i pratećih alata. To otvara istraživačima mogućnost da rade na pitanjima čiji su tehnički zahtevi ranije bili nedostižni, ali istovremeno pomera granicu između dobijanja rešenja i razumevanja zašto ono funkcioniše, šta se može uopštiti i koje pitanje sledeće postaviti.
Rakhlin upozorava da univerziteti ne treba da pretpostave da će apstrakcija, prosuđivanje i formulacija problema trajno ostati izvan dometa AI. Institucije treba da se pripreme za blisku budućnost u kojoj će sistemi u mnogim aspektima intelektualnog rada biti sposobniji od pojedinca.
Kredit, obuka i odgovornost za rezultat
U sve većem broju oblasti uglađen naučni rad postaje slabiji signal individualne stručnosti. Zato odeljenja treba da utvrde šta istraživač zaista doprinosi i za šta preuzima intelektualnu odgovornost, uključujući situacije u kojima je AI obavio znatan deo posla. Pitanja, replikacija, sinteza ideja, informativni negativni rezultati i zajednički skupovi podataka mogu zaslužiti veće priznanje.
Ta očekivanja treba jasno povezati sa zapošljavanjem, napredovanjem, finansiranjem i obrazovanjem sadašnjih i budućih doktoranada. Rutinski proračuni, programiranje, neuspešni pristupi i mala otkrića tradicionalno su pomagali studentima da steknu intuiciju i rasuđivanje. Delegiranje tog rada AI može ukloniti važan deo procesa učenja, iako studentima omogućava ambicioznije projekte.
Obuka zato treba da razlikuje nepotrebno trenje od rada kroz koji se razvija stručnost. Studenti bi trebalo da umeju da formulišu probleme, proveravaju izlaze modela, reprodukuju rezultate i obrazlože svoje izbore. U tom okviru, sistemska priprema kadrova za AI pokazuje zašto sistemska priprema kadrova za AI ostaje važan deo institucionalnog odgovora.
Zajednička infrastruktura kao naučni resurs
MIT vidi priliku u infrastrukturi koja povezuje laboratorije, a pritom čuva mogućnost dugoročnog istraživanja, otvorenog deljenja rezultata i nezavisne provere tvrdnji. Partnerstva sa industrijom ostaju neophodna, ali Rakhlin smatra da komercijalni prioriteti ne moraju obuhvatiti širinu nauke niti dugoročno ostati usklađeni s njom. Zato je potreban izvestan stepen tehnološke nezavisnosti.
Posebna vrednost akademskih laboratorija je prećutno znanje: neuspešni eksperimenti, napušteni pravci i razlozi zbog kojih pristup nije uspeo često ne ulaze u objavljene radove. Predlog je da tokovi rada beleže hipoteze, intervencije, ishode, neuspehe i tumačenja, a da ih zajednički sistemi povezuju uz odgovarajuće dozvole. Za to su potrebna javna i institucionalna ulaganja u računarske kapacitete, bezbedne sisteme podataka i stručnost za prilagođavanje i naknadnu obuku modela.
Za organizacije je praktičan zaključak da AI ne treba posmatrati samo kao alat za brži završetak zadataka. Veću vrednost donose proverljivi tokovi rada, očuvano iskustvo iz neuspelih pokušaja, jasna pravila pristupa podacima i vidljiva odgovornost za svaki doprinos i donetu odluku.