У меня сегодня в новостных лентах — сплошь КМУ в Сочи и выступления о важности для науки цифровых технологий вообще и ИИ в частности. На этом фоне контекстно выглядит интересный и глубокий (простите за невольный каламбур) манифест DeepMind о роли ИИ в науке. Там 30 с небольшим страниц, стоят того, чтоб всем интересующимся прочитать: и про возможности, и про суть, и про риски. Основная идея: сегодня все науки, от генетики до метеорологии, сталкиваются с ростом масштабов и сложности во всей деятельности ученого, от работы с потоком литературы до сложнейших экспериментов, генерящих массу данных. Но именно с проблемами нарастания масштабов и сложности отлично работает глубокое ML. Но внедрение ИИ-центричных подходов к научным исследованиям требует серьезной стратегии, а не попыток прикрутить ИИ любой ценой. our essay can inform such a strategy. It is aimed at those who make and influence science policy, and funding decisions. We first identify 5 opportunities where there is a growing imperative to use AI in science and examine the primary ingredients needed to make breakthroughs in these areas. We then explore the most commonly-cited risks from using AI in science Перечисленные пять возможностей: 1. Работа со знаниями 2. Работа с данными 3. Подготовка, моделирование и проведение сложных экспериментов 4. Построение моделей сложных систем и взаимодействий 5. Поиск новых решений в областях с очень большим пространством возможных решений (проблема синтеза белков тому примером) Перечисленные пять рисков: 1. Не снизит ли ИИ креативность и новизну научных прорывов 2. Не пострадает ли надежность и воспроизводимость результатов, способность науки корректрировать собственные ошибки 3. Не заменят ли полезные работающие решения глубокое понимание их сути 4. Не затруднит ли ИИ доступ к науке представителям уязвимых групп 5. Не затормозит ли ИИ старания снизить углеродный след человечества Как в начале прошлого века Гильберт сформулировал 23 проблемы, решение которых во многом определило математику XX века, так и сейчас ученым совместно со специалистами по ИИ предстоит определить направления, в которых использование ИИ важней всего. Есть, правда, серьезная засада: scientific data is uncollected, partial, uncurated or inaccessible, making it unavailable to train AI models И ее тоже придется решать, если мы хотим реально ускорить научный прогресс. https://deepmind.google/public-policy/ai-for-science/