Спор о будущем автоматизации науки
Главная цель ведущих AI-лабораторий — автоматизировать научный метод. После Нобелевской премии 2024 года за AlphaFold, фокус сместился на создание универсальных систем, способных проводить полный цикл открытий. Jeff Dean, покинувший Google, основал компанию Discovery Loop с целью реализации цикла «предложить-запустить-оценить» (propose-run-evaluate), где тысячи экспериментов проводятся одновременно. Однако этот подход требует огромных ресурсов и физической инфраструктуры.
Параллельно существует скептический взгляд, представленный в статье на Chaotropy и работе Томы Захави (DeepMind). Они утверждают, что у LLM есть «потолок»: без сенсорной и моторной связи с реальностью (эмбодимента) ИИ способен лишь оптимизировать существующие框架, но не способен к «манипулятивной абдукции» — генерации новых аксиом и теорий. По их мнению, без физических роботов в лабораториях прорывов не будет.
Контраргумент: Метод Дарвина
Автор статьи derelict5432 предлагает альтернативный взгляд, используя пример Чарльза Дарвина. Теория естественного отбора, изменившая науку, была сформулирована не через серию новых физических экспериментов, а через синтез уже имеющихся данных. Ключевыми источниками стали:
- Униформизм Чарльза Лайеля: идея о том, что Земля старая, а изменения происходят постепенно под действием естественных механизмов.
- Искусственный отбор: наблюдение за тем, как люди меняют породы собак и растений, что дало Дарвину аналогию для объяснения эволюции в дикой природе.
Дарвину не нужно было проводить новые вмешательства в природу, чтобы сформулировать ядро теории. Все необходимые данные уже существовали в разных областях. Он применил аналогии между геологией и биологией, создав новую парадигму исключительно на основе анализа существующего знания.
Что это значит для AI?
Если бы агентный ИИ с доступом ко всей опубликованной науке существовал до 1859 года, он, вероятно, смог бы синтезировать теорию эволюции, не проводя новых физических экспериментов. Это доказывает, что генерация новых теоретических框架 не всегда требует эмбодимента.
Скептики правы в том, что ИИ без тела не может предсказывать хаотичный физический мир. Однако они упускают возможность использования ИИ для междисциплинарного синтеза. ИИ может находить скрытые связи между разными областями знаний (как Дарвин связал геологию и биологию), используя только текстовые и числовые данные. Это открывает путь к научным прорывам, не зависящим от миллиардных инвестиций в физическое оборудование.
| Подход | Discovery Loop (Jeff Dean) | «Метод Дарвина» (AI Synthesis) |
|---|---|---|
| Основной механизм | Propose-Run-Evaluate (цикл экспериментов) | Анализ и синтез существующих данных |
| Требования к инфраструктуре | Физические лаборатории, роботы, сенсоры | Доступ к базам знаний, LLM, агенты |
| Тип открытий | Оптимизация, проверка гипотез, инженерия | Формирование новых теоретических框架, аналогии |
| Пример из истории | AlphaFold (решение конкретной задачи) | Теория эволюции (смена парадигмы) |
Вывод
Хотя физические эксперименты необходимы для проверки и детализации теорий, сама формулировка революционных идей может происходить в «цифровой лаборатории» разума. Игнорирование этого пути означает упущение огромного потенциала для ускорения науки за счет интеллектуального синтеза, а не только за счет вычислительной мощности и робототехники.
Источник: LessWrong ↗