Що сталося
DongA Science повідомляє, що Міністерство науки та ІКТ Південної Кореї розпочало дослідницьку програму на 2026–2031 роки, спрямовану на розробку штучного інтелекту, який поєднує навчання на основі даних із принципами фізики та математики. Міністерство відібрало чотири проекти під керівництвом команд KAIST, DGIST і Сеульського національного університету, причому 20 мільярдів вон було виділено на шість років і 2 мільярди вон передбачено в бюджеті на 2026 рік.
DongA Science повідомляє, що 24 серпня Міністерство науки та ІКТ провело стартовий брифінг і почало дослідження та розробки чотирьох нещодавно відібраних проектів у рамках свого «Проекту розвитку основних технологій наступного покоління ШІ+наука та технології». У статті йдеться, що уряд інвестує 20 мільярдів вон з 2026 по 2031 рік, включаючи 2 мільярди вон протягом першого року. У звіті ця ініціатива описується як фундаментальне дослідження, а не як запуск комерційного продукту чи негайно доступна система ШІ.
Два з проектів будуть зосереджені на моделях ШІ, які використовують фізику та математику для інтерпретації та прогнозування наукових явищ за мінливих умов. За словами DongA Science, команда KAIST під керівництвом професора Хау Сока розробить засновану на математиці та фізиці причинно-наслідкову модель штучного інтелекту, призначену для висновку про причинно-наслідкові структури та керівні рівняння з даних, навіть коли умови чи середовище змінюються. Команда DGIST на чолі з професором Ю Дже Соком розробить «динамік ШІ», призначений для того, щоб показати, які фізичні закони домінують у різних явищах, і допомогти системі ШІ вибрати стратегії інтерпретації.
Інші два проекти стосуються архітектури ШІ та навчання. DongA Science повідомляє, що команда Сеульського національного університету на чолі з професором О Мін Хваном буде математично вивчати обмеження в поточних моделях ШІ, вимоги до обчислень яких зростають із збільшенням довжини контексту, з метою створення архітектур і методів навчання, які ефективніше обробляють довгі контексти. Команда KAIST на чолі з професором Юн Чел Хі вивчатиме, як генеративний штучний інтелект покращується шляхом навчання, і використовуватиме цю роботу для розробки методології, що охоплює проектування архітектури, навчання та перевірку надійності. Міністерство планує надати обчислювальну інфраструктуру GPU, і в статті йдеться, що дані досліджень і моделі, створені в рамках проектів, будуть доступні через відкриту платформу.
Деталі джерела: dongascience.com ↗
Чому це важливо
Програма усуває практичну слабкість ШІ, керованого даними: системи можуть працювати погано, коли умови відрізняються від їхніх навчальних даних, при цьому часто пропонуючи обмежені пояснення своїх результатів. Якщо дослідження, про яке повідомляється, буде успішним, це може підвищити надійність і можливість передачі ШІ, який використовується в наукових дослідженнях і таких галузях, як виробництво напівпровідників і акумуляторів.
Програма є важливою, оскільки вона націлена на центральне обмеження багатьох сучасних систем штучного інтелекту: висока продуктивність за знайомими шаблонами не обов’язково означає надійну поведінку, коли основні умови змінюються. DongA Science повідомляє, що міністерство хоче мати моделі, які залишаються стабільними під час інтерпретації наукових явищ у різних середовищах. У наукових та інженерних умовах, де рівняння та фізичні обмеження мають значення, така можливість може зменшити потребу в перепроектуванні, переосмисленні або перевірці системи ШІ щоразу, коли її робочі умови змінюються.
Пропонована робота також зосереджена на причинно-наслідковому зв’язку та поясненні, а не лише на передбаченні. DongA Science каже, що проект KAIST шукатиме керівні рівняння та причинно-наслідкові структури, вбудовані в дані, а проект DGIST досліджуватиме, які фізичні закони домінують у конкретних явищах. Якщо ці цілі досягнуті, дослідники зможуть отримати більш чіткі способи перевірити, чому модель досягла результату та чи відповідає її результат відомим науковим принципам. Це може полегшити перевірку досліджень за допомогою штучного інтелекту, хоча стаття не надає доказів того, що запропоновані системи вже досягли цих результатів.
Робота над архітектурою може мати ширші наслідки для вартості та практичності ШІ. Обробка тривалого контексту потребує ресурсів, і проект Сеульського національного університету призначений для дослідження альтернатив поточним дизайнам. DongA Science також повідомляє, що другий проект KAIST спрямований на підтримку стабільних моделей з використанням відносно невеликих обсягів даних і обчислювальних ресурсів. Міністерство пов’язує ці зусилля з конкурентоспроможністю штучного інтелекту Південної Кореї та потенційними перевагами для напівпровідників і акумуляторів, але у звіті не наводяться цільові показники продуктивності, базові порівняння, зобов’язання щодо розгортання чи докази промислового використання.
Інтерактивний механізм: як він насправді працює
Дослідіть технологію, що лежить в основі цієї розробки, в інтерактивному режимі.
A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
Що дивитися далі
Ключовим тестом буде те, чи дають проекти вимірні переваги поза умовами навчання та чи справді отримані моделі є більш придатними для інтерпретації, ефективними та надійними. DongA Science повідомляє, що дані та моделі проекту призначені для випуску через відкриту платформу, але у звіті не вказуються графіки випусків, умови ліцензування, контрольні показники, розміри моделей, вимоги до обчислень або плани незалежної оцінки.
Перше питання, на яке слід звернути увагу, — це технічна перевірка. DongA Science повідомляє про цілі, що передбачають стабільність за змінених умов, причинно-наслідковий висновок, інтерпретацію фізичних законів та ефективну обробку тривалого контексту, але не розкриває набори даних, тестове середовище, базові моделі чи критерії успіху, які будуть використані. Змістовна оцінка повинна відрізняти справжнє узагальнення від підвищення ефективності, обмеженого ретельно відібраними дослідницькими завданнями. Також невідомо, чи будуть проекти перевірятися незалежними дослідниками чи порівнюватися з провідними фізичними та науковими системами машинного навчання.
Друге питання полягає в тому, чи запланована відкрита платформа надає придатні для використання публічні ресурси. У статті йдеться про те, що дані проекту та моделі штучного інтелекту будуть доступні, але в ній не вказується платформа, графік публікації, умови ліцензування, стандарти документації чи обмеження на конфіденційні чи закриті дослідницькі дані. Доступність коду та ваги моделі також може залежати від вимог до обчислень, оскільки у звіті говориться, що команди отримають інфраструктуру графічного процесора, але не надає подробиць про масштаб цієї підтримки.
Третє питання – впровадження та підзвітність. Програму міністерства розраховано на 2031 рік, тому у звіті йдеться про тривале дослідження, а не про завершену роботу. Залишається невідомим, які проекти створюватимуть системи, які можна розгортати, як будуть оброблятися наукові помилки, чи використовуватимуться моделі в промислових рішеннях з великими наслідками та як їх пояснення будуть перевірятися експертами в галузі. Тому очікування міністерства щодо переваг для досліджень, напівпровідників і акумуляторів залишаються перспективними, доки не будуть опубліковані результати, контрольні показники та реальні демонстрації. Обліковий запис DongA Science є основою для подробиць тут; ці претензії не були незалежно підтверджені публічним первинним документом у наданому матеріалі.