Университетам предстоит заново определить правила научной работы и подготовки исследователей по мере быстрого развития искусственного интеллекта. Об этом пишет Саша Рахлин, директор Центра статистики и науки о данных Массачусетского технологического института (MIT), заслуженный профессор в области данных, систем и общества, а также Института данных, систем и общества и кафедры мозга и когнитивных наук. Его эссе посвящено прежде всего математике, статистике, машинному обучению, инженерии и аспирантскому образованию.
Скорость прогресса в отдельных областях во многом зависит от того, насколько быстро и надежно можно проверять результаты. Формализованные доказательства проверяются автоматически, а программы можно запускать и тестировать. Если оценка результата проходит быстро, системы способны создавать новые варианты, учитывать итоги проверки и совершенствоваться, причем улучшение моделей и методов их обучения ускоряет следующий этап развития.
Изменения особенно заметны в математике. В прошлом году одна из моделей достигла уровня золотой медали Международной математической олимпиады, а всего через год системы начали получать новые научные результаты, включая недавно предложенное решение одной из задач тысячелетия. По мере того как искусственный интеллект берет на себя все больше задач, университетам придется различать сам факт получения ответа, понимание причин его правильности, возможность обобщения и выбор следующего вопроса.
Научные подразделения должны пересмотреть критерии оценки работы уже сейчас. Хорошо оформленная статья постепенно становится менее надежным показателем личной квалификации, поэтому большее значение могут получить постановка содержательных вопросов, воспроизведение результатов, объединение идей, полезные отрицательные результаты и общие наборы данных. При оценке необходимо устанавливать, какой вклад внес исследователь и за что он несет интеллектуальную ответственность, в том числе если значительную часть работы выполнил искусственный интеллект; эти правила должны учитываться при найме, продвижении, финансировании и подготовке аспирантов.
Использование ИИ создает и проблему обучения. Навыки формируются благодаря практике, а рутинные вычисления, программирование, неудачные попытки и небольшие открытия помогают студентам развивать интуицию и способность принимать решения. Поэтому учащимся важно осваивать постановку задач, проверку ответов моделей, воспроизведение результатов и защиту собственных решений, а фундаментальные знания могут стать еще важнее как основа грамотной работы с такими инструментами.
Рахлин считает, что университетам необходима технологическая самостоятельность, хотя сотрудничество с промышленностью останется важным. Лаборатории могут объединить через общую инфраструктуру искусственного интеллекта, которая будет связывать исследователей, находить подходящие методы, предлагать проверки и сохранять сведения о гипотезах, действиях, результатах, неудачах и их интерпретации. Для этого потребуются государственные и институциональные вложения в вычислительные мощности, защищенные системы данных и специалистов по адаптации и дообучению моделей; такая система одновременно поможет сохранять историю идей и точнее признавать вклад аспирантов и других участников исследований, отмечает MIT.