NEW BOT Телеграм, страница

Forwarded from Rey

👾آیا هوش مصنوعی می‌تواند آیندهٔ علم را حدس بزند؟ یا حتی بهتر از متخصصان، آن را پیش‌بینی کند؟

در پژوهشی تازه، گروهی از دانشمندان این پرسش را به‌طور جدی بررسی کرده‌اند. آن‌ها می‌خواستند بدانند: آیا مدل‌های زبانی بزرگ (LLMs) که روی حجم عظیمی از متون علمی، از جمله ادبیات علوم اعصاب، آموزش دیده‌اند، قادرند ساختارهای پنهان و الگوهای درونی در روش‌ها و نتایج علمی را درک کنند؟ و اگر آری، آیا می‌توانند بر اساس این درک، نتایج پژوهش‌های جدید را — حتی پیش از انجام آن‌ها — به درستی پیش‌بینی کنند؟

برای پاسخ به این سؤال، آن‌ها معیار تازه‌ای طراحی کردند به نام BrainBench. آزمونی آینده‌نگر که با رویکردی متفاوت از آزمون‌های سنتی مدل‌های زبانی عمل می‌کند. در BrainBench، شرکت‌کننده با دو نسخهٔ چکیده از یک مقالهٔ علمی جدید مواجه می‌شود. هر دو نسخه از نظر مقدمه، پرسش پژوهش، و روش‌ها یکسان‌اند، اما یکی از آن‌ها نتیجهٔ واقعی مطالعه را گزارش می‌کند، و دیگری نتیجه‌ای ساختگی ولی منطقی و باورپذیر ارائه می‌دهد. وظیفه این است که تشخیص داده شود کدام نسخه، حقیقت علمی را بازتاب می‌دهد.

این آزمون، صرفاً دربارهٔ به یاد آوردن اطلاعات قبلی یا نقل قول دقیق نیست. بلکه دربارهٔ ادراک ساختار علم است — اینکه آیا می‌توان از دل روش‌شناسی و زمینهٔ یک پژوهش، به نتیجهٔ احتمالی آن پی برد؟ و پاسخ شگفت‌انگیز بود: بله.
مدل‌های زبانی عملکردی بهتر از حد انتظار داشتند. و مدلی به‌نام BrainGPT که به طور خاص روی مقالات علوم اعصاب آموزش دیده بود، حتی از دانشمندان متخصص علوم اعصاب نیز عملکرد بهتری نشان داد.

نکتهٔ قابل تأمل در این پژوهش، تغییری ظریف اما بنیادی در نگاه به عملکرد مدل‌های زبانی است. آن‌چه در وظایف بازنگر (مانند خلاصه‌سازی یا ارجاع‌دهی) به‌عنوان “توهم‌زایی” شناخته می‌شود — یعنی تولید اطلاعات نادرست — در وظایف آینده‌نگر مانند BrainBench، به یک فضیلت تبدیل می‌شود: توانایی تعمیم دادن، ترکیب آموخته‌های پیشین، و ساختن فرضیه‌ای تازه و منسجم.

این پژوهش پنجره‌ای تازه به‌سوی نقش بالقوهٔ LLMها در فرایند علمی می‌گشاید: نه فقط به‌عنوان ابزارهایی برای بازگویی اطلاعات موجود، بلکه به‌عنوان همکارانی بالقوه در تفکر علمی، شکل‌دهی به پرسش‌ها، طراحی پژوهش‌ها، و حتی پیش‌بینی نتایج.

شاید آیندهٔ علم، صرفاً امتداد تلاش‌های انسانی نباشد، بلکه نتیجهٔ گفت‌وگوی خلاق میان انسان و هوش مصنوعی باشد — میان ذهن‌هایی که ما هستیم، و ذهن‌هایی که آفریده‌ایم.

مطالعه‌ی بیشتر:
Large language models surpass human experts in predicting neuroscience results

با نورودیلی همراه باشید.
@niagg

Nature

Large language models surpass human experts in predicting neuroscience results

Nature Human Behaviour - Large language models (LLMs) can synthesize vast amounts of information. Luo et al. show that LLMs—especially BrainGPT, an LLM the authors tuned on the neuroscience...

❤6👍2

1.52K viewsReyhaneh, 16:47