|
|
Перевод искусственный интеллект. Can machines think
Artificial intelligence: A powerful paradigm for scientific research
Public summary
■“Can machines think?” The goal of artificial intelligence (AI) is to enable machines to mimic human thoughts and behaviors, including learning, reasoning, predicting, and so on.
■“Can AI do fundamental research?” AI coupled with machine learning techniques is impacting a wide range of fundamental sciences, including mathematics, medical science, physics, etc.
■“How does AI accelerate fundamental research?” New research and applications are emerging rapidly with the support by AI infrastructure, including data storage, computing power, AI algorithms, and frameworks.
Artificial intelligence (AI) coupled with promising machine learning (ML) techniques well known from computer science is broadly affecting many aspects of various fields including science and technology, industry, and even our day-to-day life.
The ML techniques have been developed to analyze high-throughput data with a view to obtaining useful insights, categorizing, predicting, and making evidence-based decisions in novel ways, which will promote the growth of novel applications and fuel the sustainable booming of AI.
This paper undertakes a comprehensive survey on the development and application of AI in different aspects of fundamental sciences, including information science, mathematics, medical science, materials science, geoscience, life science, physics, and chemistry.
The challenges that each discipline of science meets, and the potentials of AI techniques to handle these challenges, are discussed in detail.
Moreover, we shed light on new research trends entailing the integration of AI into each scientific discipline.
The aim of this paper is to provide a broad research guideline on fundamental sciences with potential infusion of AI, to help motivate researchers to deeply understand the state-of-the-art applications of AI-based fundamental sciences, and thereby to help promote the continuous development of these fundamental sciences.
Keywords: artificial intelligence; machine learning; deep learning; information science; mathematics; medical science; materials science; geoscience; life science; physics; chemistry
|
Искусственный интеллект: мощная парадигма для научных исследований
Публичное резюме
■«Могут ли машины думать?» Цель искусственного интеллекта (ИИ) состоит в том, чтобы позволить машинам имитировать человеческие мысли и поведение, включая обучение, рассуждение, прогнозирование и так далее.
■«Может ли ИИ проводить фундаментальные исследования?» ИИ в сочетании с методами машинного обучения влияет на широкий спектр фундаментальных наук, включая математику, медицинскую науку, физику и т. д.
■«Как ИИ ускоряет фундаментальные исследования?» Новые исследования и приложения быстро появляются при поддержке инфраструктуры ИИ, включая хранение данных, вычислительную мощность, алгоритмы ИИ и фреймворки.
Искусственный интеллект (ИИ) в сочетании с многообещающими методами машинного обучения (ML), хорошо известными из информатики, широко влияет на многие аспекты различных областей, включая науку и технику, промышленность и даже нашу повседневную жизнь.
Методы ML были разработаны для анализа высокопроизводительных данных с целью получения полезной информации, категоризации, прогнозирования и принятия основанных на фактических данных решений новыми способами, что будет способствовать росту новых приложений и стимулировать устойчивый бум ИИ.
В этой статье рассматривается всесторонняя информация о развитии и применении ИИ в различных аспектах фундаментальных наук, включая информатику, математику, медицину, материаловедение, науку о Земле, науки о жизни, физику и химию.
Проблемы, с которыми сталкивается каждая дисциплина науки, и потенциал методов ИИ для решения этих проблем подробно обсуждаются.
Более того, мы проливаем свет на новые исследовательские тенденции, влекущие за собой интеграцию ИИ в каждую научную дисциплину.
Целью этой статьи является предоставление широкого руководства по фундаментальным наукам с потенциальным вливанием ИИ, чтобы помочь мотивировать исследователей глубоко раскрыть современные приложения фундаментальных наук на основе ИИ и тем самым способствовать непрерывному развитию этих фундаментальных наук.
Ключевые слова: искусственный интеллект; машинное обучение; глубокое обучение; информационная наука; математика; медицина; материаловедение; геонаука; наука о жизни; физика; химия
|
INTRODUCTION
“Can machines think?” Alan Turing posed this question in his famous paper “Computing Machinery and Intelligence.”
He believes that to answer this question, we need to define what thinking is.
However, it is difficult to define thinking clearly, because thinking is a subjective behavior.
Turing then introduced an indirect method to verify whether a machine can think, the Turing test, which examines a machine’s ability to show intelligence indistinguishable from that of human beings.
A machine that succeeds in the test is qualified to be labeled as artificial intelligence (AI).
AI refers to the simulation of human intelligence by a system or a machine.
The goal of AI is to develop a machine that can think like humans and mimic human behaviors, including perceiving, reasoning, learning, planning, predict- ing, and so on.
Intelligence is one of the main characteristics that distinguishes human beings from animals.
With the interminable occurrence of industrial revolutions, an increasing number of types of machine types continuously replace human labor from all walks of life, and the imminent replacement of human resources by machine intelligence is the next big challenge to be overcome.
Numerous scientists are focusing on the field of AI, and this makes the research in the field of AI rich and diverse.
AI research fields include search algorithms, knowledge graphs, natural languages processing, expert systems, evolution algorithms, machine learning (ML), deep learning (DL), and so on.
The general framework of AI is illustrated in Figure 1.
The development process of AI includes perceptual intelligence, cognitive intelligence, and decision-making intelligence.
Perceptual intelligence means that a machine has the basic abilities of vision, hearing, touch, etc., which are familiar to humans.
Cognitive intelligence is a higher-level ability of induction, reasoning and acquisition of knowledge.
It is inspired by cognitive science, brain science, and brain-like intelligence to endow machines with thinking logic and cognitive ability similar to human beings.
Once a machine has the abilities of perception and cognition, it is often expected to make optimal decisions as human beings, to improve the lives of people, industrial manufacturing, etc.
Decision intelligence requires the use of applied data science, social science, decision theory, and managerial science to expand data science, so as to make optimal decisions.
To achieve the goal of perceptual intelligence, cogni- tive intelligence, and decision-making intelligence, the infrastructure layer of AI, supported by data, storage and computing power, ML algorithms, and AI frameworks is required.
Then by training models, it is able to learn the internal laws of data for supporting and realizing AI applications.
The application layer of AI is becoming more and more extensive, and deeply integrated with fundamental sciences, industrial manufacturing, human life, social governance, and cyberspace, which has a profound impact on our work and lifestyle.
|
ЗНАКОМСТВО
«Могут ли машины думать?» Алан Тьюринг поставил этот вопрос в своей знаменитой статье «Вычислительная техника и интеллект».
Он считает, что для ответа на этот вопрос нам нужно определить, что такое мышление.
Однако трудно четко определить мышление, потому что мышление – это субъективное поведение.
Затем Тьюринг ввел косвенный метод, чтобы проверить, может ли машина думать, тест Тьюринга, который исследует способность машины демонстрировать интеллект, неотличимый от интеллекта людей.
Машина, которая преуспевает в тесте, имеет право быть помеченной как искусственный интеллект (ИИ).
ИИ относится к моделированию человеческого интеллекта системой или машиной.
Целью ИИ является разработка машины, которая может думать как люди и имитировать человеческое поведение, включая восприятие, рассуждение, обучение, планирование, прогнозирование и так далее.
Интеллект является одной из основных характеристик, которая отличает человека от животных. С бесконечным возникновением промышленных революций все большее число типов машин постоянно заменяет человеческий труд из всех слоев общества, и неминуемая замена человеческих ресурсов машинным интеллектом является следующей большой проблемой, которую необходимо преодолеть.
Многочисленные ученые сосредотачиваются на области ИИ, и это делает исследования в области ИИ богатыми и разнообразными.
Области исследований ИИ включают алгоритмы поиска, графы знаний, обработку естественных языков, экспертные системы, алгоритмы эволюции, машинное обучение (ML), глубокое обучение (DL) и так далее.
Общая структура ИИ проиллюстрирована на рисунке 1.
Процесс развития ИИ включает в себя восприимчивый интеллект, когнитивный интеллект и интеллект, создающий решения.
Восприимчивый интеллект означает, что машина обладает базовыми способностями зрения, слуха, осязания и т.д., которые знакомы людям.
Когнитивный интеллект — это способность более высокого уровня к индукции, рассуждению и приобретению знаний.
Он вдохновлен когнитивной наукой, наукой о мозге и мозгоподобным интеллектом, чтобы наделить машины логикой мышления и когнитивными способностями, похожими на людей. Как только машина обладает способностями восприятия и познания, часто ожидается, что она будет принимать оптимальные решения как человеческие существа, улучшать жизнь людей, промышленное производство и т. д.
Интеллект принятия решений требует использования прикладной науки о данных, социальных наук, теории принятия решений и управленческой науки для расширения науки о данных, чтобы принимать оптимальные решения.
Для достижения цели перцептивного интеллекта, когнитивного интеллекта и интеллекта принятия решений требуется инфраструктурный уровень ИИ, поддерживаемый данными, хранением и вычислительной мощностью, алгоритмами машинного обучения и фреймворками ИИ.
Затем, обучая модели, он способен изучать внутренние законы данных для поддержки и реализации приложений ИИ.
Прикладной уровень ИИ становится все более и более обширным и глубоко интегрированным с фундаментальными науками, промышленным производством, человеческой жизнью, социальным управлением и киберпространством, что оказывает глубокое влияние на нашу работу и образ жизни.
|
HISTORY OF AI
The beginning of modern AI research can be traced back to John McCarthy, who coined the term “artificial intelligence (AI),” during at a conference at Dartmouth College in 1956.
This symbolized the birth of the AI scientific field.
Progress in the following years was astonishing.
Many scientists and researchers focused on automated reasoning and applied AI for proving of mathematical theorems and solving of algebraic problems.
One of the famous examples is Logic Theorist, a computer program written by Allen Newell, Herbert A. Simon, and Cliff Shaw, which proves 38 of the
first 52 theorems in “Principia Mathematica” and provides more elegant proofs for some.2
These successes made many AI pioneers wildly optimistic, and underpinned the belief that fully intelligent machines would be built in the near future.
However, they soon realized that there was still a long way to go before the end goals of human-equivalent intelligence in machines could come true.
Many nontrivial problems could not be handled by the logic-based programs.
Another challenge was the lack of computational resources to compute more and more complicated problems.
As a result, organizations and funders stopped supporting these under-delivering AI projects.
AI came back to popularity in the 1980s, as several research institutions and universities invented a type of AI systems that summarizes a series of basic rules from expert knowledge to help non-experts make specific decisions.
These systems are “expert systems.”
Examples are the XCON designed by Carnegie Mellon University and the MYCIN designed by Stanford University.
The expert system derived logic rules from expert knowledge to solve problems in the real world for the first time.
The core of AI research during this period is the knowledge that made machines “smarter.”
However, the expert system gradually revealed several disadvantages, such as privacy technologies, lack of flexibility, poor versatility, expensive maintenance cost, and so on.
At the same time, the Fifth Generation Computer Project, heavily funded by the Japanese government, failed to meet most of its original goals.
Once again, the funding for AI research ceased, and AI was at the second lowest point of its life.
In 2006, Geoffrey Hinton and coworkers made a breakthrough in AI by proposing an approach of building deeper neural networks, as well as a way to avoid gradient vanishing during training.
This reignited AI research, and DL algorithms have become one of the most active fields of AI research.
DL is a subset of ML based on multiple layers of neural networks with representation learning, while ML is a part of AI that a computer or a program can use to learn and acquire intelligence without human intervention.
Thus, “learn” is the keyword of this era of AI research.
Big data technologies, and the improvement of computing power have made deriving features and information from massive data samples more efficient.
An increasing number of new neural network structures and training methods have been proposed to improve the representative learning ability of DL, and to further expand it into general applications.
Current DL algorithms match and exceed human capabilities on specific datasets in the areas of computer vision (CV) and natural language processing (NLP).
AI technologies have achieved remarkable successes in all walks of life, and continued to show their value as backbones in scientific research and real-world applications.
Within AI, ML is having a substantial broad effect across many aspects of technology and science: from computer science to geoscience to materials science, from life science to medical science to chemistry to mathematics and to physics, from management science to economics to psychology, and other data-intensive empirical sciences, as ML methods have been developed to analyze high-throughput data to obtain useful insights, categorize, predict, and make evidence-based decisions in novel ways.
To train a system by presenting it with examples of desired input-output behavior, could be far easier than to program it manually by predicting the desired response for all potential inputs.
The following sections survey eight fundamental sciences, including information science (informatics), mathematics, medical science, materials science, geoscience, life science, physics, and chemistry, which develop or exploit AI techniques to promote the development of sciences and accelerate their applications to benefit human beings, society, and the world.
|
ИСТОРИЯ ИИ
Начало современных исследований ИИ можно проследить до Джона Маккарти, который придумал термин «искусственный интеллект (ИИ)» на конференции в Дартмутском колледже в 1956 году.
Это символизировало рождение научной области ИИ.
Прогресс, достигнутый в последующие годы, был поразительным.
Многие ученые и исследователи сосредоточились на автоматизированных рассуждениях и применили ИИ для доказательства математических теорем и решения алгебраических задач.
Одним из известных примеров является Logic Theorist, компьютерная программа, написанная Алленом Ньюэллом, Гербертом А. Саймоном и Клиффом Шоу, которая доказывает 38 из первых 52 теорем в «Principia Mathematica» и предоставляют более элегантные доказательства для некоторых.2
Эти успехи сделали многих пионеров ИИ дико оптимистичными и укрепили веру в то, что полностью интеллектуальные машины будут построены в ближайшем будущем.
Однако вскоре они поняли, что еще предстоит пройти долгий путь, прежде чем конечные цели человеческого эквивалентного интеллекта в ма-шинах могут сбыться.
Многие нетривиальные проблемы не могли быть решены логическими программами.
Другой проблемой была нехватка вычислительных ресурсов для вычисления все более и более сложных задач.
В результате организации и спонсоры перестали поддерживать эти недостаточно реализованные проекты ИИ.
ИИ вернулся к популярности в 1980-х годах, когда несколько исследовательских институтов и университетов изобрели тип систем ИИ, которые обобщают ряд основных правил из экспертных знаний, чтобы помочь неспециалистам принимать конкретные решения.
Эти системы являются «экспертными системами».
Примерами являются XCON, разработанный Университетом Карнеги-Меллона, и MYCIN, разработанный Стэнфордским университетом. Экспертная система впервые вывела логические правила из экспертных знаний для решения проблем в реальном мире.
Ядром исследований ИИ в этот период являются знания, которые сделали машины «умнее».
Однако экспертная система постепенно выявила несколько недостатков, таких как технологии конфиденциальности, отсутствие гибкости, плохая универсальность, дорогая стоимость обслуживания и так далее.
В то же время, компьютерный проект пятого поколения, в значительной степени финансируемый японским правительством, не смог достичь большинства своих первоначальных целей.
В очередной раз финансирование исследований ИИ прекратилось, и ИИ оказался во второй самой низкой точке своей жизни.
В 2006 году Джеффри Хинтон и его коллеги совершили прорыв в ИИ, предложив подход к созданию более глубоких нейронных сетей, а также способ избежать исчезновения градиента во время обучения.
Это возродило исследования ИИ, и алгоритмы DL стали одной из самых активных областей исследований ИИ.
DL - это подмножество ML, основанное на нескольких слоях нейронных сетей с репрезентативным обучением, в то время как ML является частью ИИ, который компьютер или программа могут использовать для обучения и получения интеллекта без вмешательства человека.
Таким образом, «учиться» является ключевым словом этой эры исследований ИИ.
Технологии больших данных и улучшение вычислительной мощности сделали получение функций и информации из массивных образцов данных более эффективным.
Было предложено все большее число новых нейросетевых структур и методов обучения для улучшения репрезентативной способности обучения DL и дальнейшего расширения ее в общих приложениях.
Современные алгоритмы DL соответствуют и превосходят возможности человека по конкретным наборам данных в области компьютерного зрения (CV) и обработки естественного языка (NLP).
Технологии ИИ достигли замечательных успехов во всех сферах жизни и продолжали демонстрировать свою ценность в качестве основы в научных исследованиях и реальных приложениях.
В рамках ИИ ML оказывает существенное широкое влияние на многие аспекты технологии и науки: от информатики до наук о Земле и материаловедения, от наук о жизни до медицинских наук, химии, математики и физики, от науки об управлении до экономики, психологии и других интенсивных эмпирических наук, поскольку методы ML были разработаны для анализа высокопроизводительных данных для получения полезных идей, классифицировать, прогнозировать и принимать решения, основанные на фактических данных, новыми способами.
Обучить систему, представив ей примеры желаемого поведения ввода-вывода, может быть намного проще, чем запрограммировать ее вручную, предсказав желаемый отклик для всех потенциальных входов.
В следующих разделах рассматриваются восемь фундаментальных наук, включая информатику (информатику), математику, медицину, материаловедение, науку о Земле, науки о жизни, физику и химию, которые разрабатывают или используют методы ИИ для содействия развитию наук и ускорения их применения на благо людей, общества и мира.
| |
|
|
Скачать 250.78 Kb.