با دانشمند هوش مصنوعی:
دانشمند هوش مصنوعی (Sakana AI) یک ابزار پیشرفته است که فرآیندهای تحقیقاتی علمی را بهصورت خودکار انجام میدهد. کاربران میتوانند از این سیستم برای انجام تحقیقات علمی پیچیده بهره ببرند، بدون اینکه نیاز به دخالت مستقیم انسانی وجود داشته باشد.
برای استفاده از این ابزار، ابتدا باید موضوع تحقیق خود را تعیین کرده و سپس این ابزار با استفاده از الگوریتمهای هوش مصنوعی، فرضیهها، آزمایشها و حتی نگارش مقاله علمی را برعهده میگیرد.
شما دیگر نباید نگران نوشتن مقاله علمی باشید، تنها موضوع را به این هوش مصنوعی میدهید و مقاله علمی تحویل میگیرید!.
در Sakana AI، با الهام از طبیعت، روشهایی برای پیشبرد مدلهای پایهای پیشرفته توسعه دادهشده است. اوایل امسال، روشهایی برای ادغام خودکار دانش مدلهای زبانی بزرگ (LLMs) ایجاد کردهاند و اخیراً از LLMها برای کشف توابع هدف جدید برای تنظیم دیگر LLMها استفاده کردهاند.
این تلاشها باعث شده که به این فکر کنند که آیا میشود کل فرآیند تحقیق را بهطور خودکار انجام داد؟
معرفی
یکی از چالشهای بزرگ هوش مصنوعی، توسعه عاملهایی است که قادر به انجام تحقیقات علمی و کشف دانش جدید باشند. مدلهای پیشرفته فعلی، هرچند در کمک به دانشمندان انسانی موفق بودهاند، اما هنوز نیاز به نظارت گسترده انسانی دارند یا به وظایف خاصی محدود هستند.
شرکت Sakana AI مستقر در توکیو با همکاری محققان دانشگاه آکسفورد و دانشگاه بریتیش کلمبیا، یک سیستم هوش مصنوعی متنباز معرفی کردهاند که میتواند تحقیقات علمی را بهطور مستقل انجام دهد. این سیستم که «دانشمند هوش مصنوعی» (The AI Scientist) نام دارد، نوید تغییر کامل روند اکتشافات علمی را میدهد .
امروز با معرفی دانشمند هوش مصنوعی، اولین سیستم جامع برای کشف علمی کاملاً خودکار، و امکان استفاده مستقل از مدلهای پایهای مانند مدلهای زبان بزرگ را فراهم کردهایم. این سیستم بهطور کامل چرخه تحقیق را خودکار میکند؛ از تولید ایدههای جدید تحقیقاتی، نوشتن کد، اجرای آزمایشها، تا خلاصهسازی نتایج تجربی، بصریسازی آنها و ارائه یافتهها در یک مقاله علمی کامل.
علاوه بر این، فرآیند مرور همتای خودکار را برای ارزیابی مقالات تولید شده معرفی کردهایم که با دقتی نزدیک به انسان انجام میشود.
این فرآیند مکرر انجام میشود تا ایدهها بهصورت پیوسته توسعه یابند و به یک آرشیو دانش افزوده شوند، به این ترتیب که جامعه علمی انسانی را شبیهسازی میکند.
در اولین نمایش، دانشمند هوش مصنوعی تحقیقاتی در زیرشاخههای مختلف یادگیری ماشین انجام داده و دستاوردهای جدیدی در زمینههای محبوبی مانند مدلهای انتشار، ترانسفورمرها و "گراکن" ارائه داده است.
بهرهوری و کارآیی
دانشمند هوش مصنوعی برای هر مقاله هزینهای حدود ۱۵ دلار دارد. با اینکه ممکن است در مقالات تولیدشده نقصهایی وجود داشته باشد، اما هزینه پایین و پتانسیل نشان دادهشده توسط این سیستم، توانایی آن را در دموکراتیزه کردن تحقیقات و تسریع پیشرفت علمی، برجسته میکند.
شاید این کار شروعی برای عصر جدیدی در کشف علمی است! عصری که مزایای تحولآفرین عاملهای هوش مصنوعی را به تمام فرآیند تحقیقاتی، از جمله خود هوش مصنوعی، گسترش میدهد.
فرایندهای اصلی دانشمند هوش مصنوعی
- تولید ایده: شروع با یک الگو، دانشمند هوش مصنوعی یک مجموعه ایده تحقیقاتی جدید ایجاد میکند و نوآوری آنها را ارزیابی میکند.
- تکرار تجربی: انجام آزمایشها و تولید نمودارها برای نمایش نتایج.
- نگارش مقاله: تولید مقالهای مختصر و مفید در قالب یک کنفرانس یادگیری ماشین.
- مرور خودکار مقاله: ارزیابی مقالات تولیدشده توسط یک مرورگر خودکار مبتنی بر LLM با دقتی نزدیک به انسان.
مزایا:
در گزارشهای این شرکت مباحثی مطرح شده که به طور خلاصه به قرار زیر میباشد.
- این سیستم برای کشف علمی در حوزه یادگیری ماشین کاملاً خودکار رفتار میکند.
- دانشمند هوش مصنوعی تمامی مراحل تحقیق، از ایدهپردازی تا نگارش مقاله علمی و بررسی آن را انجام میدهد.
- فرآیند مرور همتای خودکار را برای ارزیابی مقالات تولیدشده معرفی کرده، که با دقتی نزدیک به انسان انجام میشود.
- این فرآیند بهطور باز تکرار انجام میگیرد، تا ایدهها بهصورت پیوسته توسعه یابند و به یک آرشیو دانش افزوده شوند.
- در اولین عملکرد ارائه شده، این سیستم تحقیقاتی در زیرشاخههای مختلف یادگیری ماشین انجام داده و دستاوردهای جدیدی در زمینههای محبوبی مانند مدلهای انتشار و ترانسفورمرها ارائه داده است.
و معایب اینکه، دانشمند هوش مصنوعی میتواند مقالاتی تولید کند که توسط مرورگر خودکار به عنوان "پذیرش ضعیف" در یک کنفرانس برتر یادگیری ماشین ارزیابی میشود.
شما با مراجعه به سایت اصلی این هوش مصنوعی، میتوانید انواع مقالههای تولیدی را مشاهده بفرمایید.
و برای دسترسی به سورس این پلتفرم به این آدرس مراجعه نمایید
روش توسعه
روشی را که ژاپنیها برای توسعه انتخاب کردهاند، نامش را "ادغام مدلهای تکاملی" معرفی کردهاند. این روش به طور موثری، با استفاده از تکنیکهای تکاملی، بهترین روشهای ترکیب مدلهای مختلف را کشف میکند. این روش از هوش جمعی مدلهای متنباز موجود استفاده میکند تا بهطور خودکار مدلهای پایهای جدید با قابلیتهای دلخواه ایجاد کند.
این روش قادر است بهطور خودکار راههای جدیدی برای ادغام مدلهای مختلف از حوزههای مختلف (مانند زبان غیرانگلیسی و ریاضیات، یا زبان غیرانگلیسی و بینایی) کشف کند که ممکن است برای کارشناسان انسانی دشوار باشد.
برای آزمایش این روش، آنها یک مدل زبان بزرگ ژاپنی با قابلیت استدلال ریاضی و یک مدل زبان بینایی-ژاپنی را بهطور خودکار توسعه دادند.
به طور شگفتانگیزی، هر دو مدل در چندین معیار عملکردی LLM و Vision به نتایج پیشرفته دست یافتند، در حالی که بهطور خاص برای این معیارها بهینهسازی نشده بودند.
مدل ریاضی ژاپنی LLM که با 7 میلیارد پارامتر تکامل یافته بود، در معیارهای LLM ژاپنی عملکرد بالایی داشت و حتی از عملکرد در برخی موارد از مدلSOTA با 70 میلیارد پارامتر نیز فراتر رفت.
این روش به مدلهای انتشار تصویر نیز گسترش مییابد و نتایج اولیه نشان میدهد که یک مدل SDXL با کیفیت بالا و سریع با 4 گام انتشار برای زبان ژاپنی توسعه داده شده است.
در نهایت، آنها این روش را برای توسعه سه مدل پایهای قدرتمند برای ژاپن به کار گرفتند:
مدل زبان بزرگ (EvoLLM-JP) Large Language Model
مدل زبانی -بینایی (EvoVLM-JP) Vision-Language Model
مدل تولید تصویر (EvoSDXL-JP) Image Generation Model
