Университетам необходимо уже сейчас менять подходы к научной работе и подготовке аспирантов из-за быстрого развития искусственного интеллекта. Об этом пишет директор Центра статистики и науки о данных Массачусетского технологического института (MIT), заслуженный профессор Саша Рахлин в новом эссе, посвящённом влиянию ИИ на академическую среду. Основное внимание автор уделил математике, статистике, машинному обучению, инженерии, аспирантским исследованиям и образованию.
Темпы изменений хорошо видны на примере математики. В прошлом году одна из моделей достигла уровня золотой медали Международной математической олимпиады, а всего через год системы начали получать новые исследовательские результаты, включая недавно предложенное решение одной из задач тысячелетия. По словам Рахлина, скорость развития в конкретной области во многом зависит от того, насколько быстро и надёжно можно проверять результаты.
Автоматическая проверка формализованных доказательств и тестирование программ позволяют моделям создавать новые варианты, учитывать итоги и совершенствоваться. Такой же механизм действует при разработке самого ИИ: улучшенные модели помогают создавать следующие версии систем, что ускоряет прогресс. Это открывает опытным исследователям доступ к задачам, которые раньше были слишком сложными, но одновременно усиливает различие между получением решения и пониманием причин его работоспособности, границ применимости и дальнейших вопросов.
Рахлин считает, что университетам следует пересмотреть критерии оценки научной работы, поскольку готовая статья всё чаще перестаёт быть надёжным показателем личной компетентности. Большего признания могут заслуживать постановка сильных вопросов, воспроизведение результатов, объединение идей, содержательные отрицательные результаты и общие наборы данных. При оценке необходимо ясно определять вклад исследователя и его личную ответственность за работу, в том числе если значительную её часть выполнил ИИ; эти правила должны учитываться при найме, продвижении, финансировании и обучении нынешних и будущих аспирантов.
Подготовка специалистов требует особой осторожности, поскольку навыки формируются через практику. Рутинные вычисления, программирование, неудачные попытки и небольшие открытия помогают студентам развивать интуицию и способность принимать решения, поэтому передача такой работы ИИ может лишить их важных этапов обучения. Аспирантам нужно учиться формулировать задачи, проверять ответы моделей, воспроизводить результаты и обосновывать собственный выбор, а фундаментальные знания могут стать ещё важнее как основа грамотного использования новых инструментов.
В эссе предлагается развивать общую инфраструктуру, которая позволит лабораториям обмениваться гипотезами, методами, результатами, неудачами и их интерпретациями. Например, система могла бы связать нейробиологическую лабораторию, которой нужны методы сегментации нейронов на микроскопических изображениях, с группой компьютерного зрения, предложить способы проверки и помочь продолжить совместную работу. Для этого потребуются защищённые системы данных, вычислительные мощности, специалисты по адаптации и дообучению моделей, а также значительные государственные и институциональные вложения.
Такая инфраструктура способна сохранять историю появления идей и точнее фиксировать вклад аспирантов и других участников исследований. При согласованных правилах согласия и указания авторства учёные смогут теснее сотрудничать и получать гарантии признания своей работы. Как отмечает MIT News, ИИ уже умеет обобщать и анализировать больше источников, чем способен охватить отдельный исследователь, поэтому университетам предлагают использовать эту возможность для объединения специалистов вокруг сложных научных и инженерных задач.