В MIT призвали пересмотреть обучение и оценку исследований из-за ИИ
Руководитель Центра статистики и науки о данных MIT Саша Рахлин, заслуженный профессор, выпустил эссе о влиянии искусственного интеллекта на академическую среду. Университетам, по его мнению, пора перестроить и научную работу, и подготовку аспирантов. Речь идёт прежде всего о математике, статистике, машинном обучении, инженерии и образовании. Об этом сообщает сайт MiraNews.
В математике перемены видны особенно хорошо. Год назад модель добралась до золотой медали на Международной олимпиаде по математике. Всего через год системы стали выдавать собственные исследовательские результаты, среди них ответ на одну из задач тысячелетия. Скорость прогресса в отдельной области, по словам Рахлина, зависит от того, насколько быстро и надёжно удаётся проверять результаты.
Автоматическая проверка формализованных доказательств плюс тестирование программ дают моделям возможность предлагать новые варианты, учитывать итоги и совершенствоваться. Тот же механизм действует и в разработке самого ИИ: сильные модели помогают строить следующие версии систем, и прогресс ускоряется. Опытные исследователи получают доступ к задачам, которые раньше были им не по силам. Но растёт и разрыв между готовым решением и пониманием того, почему оно работает, где его границы и какие вопросы остаются.
Критерии оценки научной работы, считает профессор, стоит пересмотреть: опубликованная статья всё реже говорит о личной компетентности автора. Большего признания могут заслуживать умение ставить сильные вопросы, повторное воспроизведение чужих результатов, соединение идей, содержательные отрицательные итоги, общие наборы данных. Вклад исследователя и его личную ответственность нужно обозначать ясно, в том числе если большую часть работы выполнил ИИ. Те же правила применимы при финансировании, найме, продвижении и подготовке аспирантов.
С обучением специалистов надо быть особенно осторожными: навыки формируются через практику. Рутинные расчёты, программирование, неудавшиеся попытки, мелкие находки развивают у студентов интуицию и умение принимать решения. Если передать такую работу ИИ, они лишатся важных этапов учёбы. Аспиранту важно уметь формулировать задачи, проверять, что ответила модель, повторять результаты и объяснять сделанный выбор. Фундаментальные знания могут стать ещё нужнее как основа грамотного обращения с новыми инструментами.
В эссе предлагается развивать общую инфраструктуру. Она даст лабораториям возможность делиться гипотезами, методами, результатами, неудачами и их трактовками. К примеру, система связала бы нейробиологическую лабораторию, которой нужны способы сегментации нейронов на снимках микроскопа, с группой компьютерного зрения, подсказала варианты проверки и помогла продолжить совместную работу. Понадобятся защищённые хранилища данных, вычислительные ресурсы, специалисты по дообучению и адаптации моделей, а также крупные вложения государства и институтов.
Такая инфраструктура сохранит историю появления идей и точнее зафиксирует вклад аспирантов и других участников исследований. Если правила согласия и указания авторства будут общими, учёные смогут плотнее сотрудничать и получать гарантии признания своей работы. Как отмечает MIT News, ИИ уже обобщает и анализирует больше источников, чем способен охватить один исследователь. Университетам предлагают использовать эту возможность, чтобы объединять специалистов вокруг трудных задач науки и инженерии.
