Znanstveni napredek je bil stoletja odvisen od sposobnosti posameznikov, da so v množici opažanj prepoznali zakonitosti, oblikovali nove pojme in z njimi pojasnili delovanje sveta. Med opazovanjem gibanja teles in nastankom splošne teorije mehanike so morale dozoreti ideje o masi, sili in energiji. Umetna inteligenca zdaj posega tudi v ta ustvarjalni del znanosti. Sistem AI-Newton je iz podatkov o gibanju teles samostojno oblikoval fizikalne pojme in ponovno odkril temeljne Netonove zakone klasične mehanike. V približno dveh dneh računalniškega izvajanja je rekonstruiral pomemben del znanja, ki je nastajalo skozi stoletja razvoja fizike. Grobo rečeno – AI-Newton je v dveh dneh dela (na še starih UI modelih iz konca 2025) nadomestil 300 let človeškega razvoja fizike.
Članek kitajskih raziskovalcev iz oddelka za fiziko na Pekinški univerzi z naslovom »AI-Newton: A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge« predstavlja pristop k avtomatiziranemu znanstvenemu odkrivanju, katerega bistvo je samostojno oblikovanje pojmov in splošnih zakonov iz eksperimentalnih podatkov. Avtorji You-Le Fang, Dong-Shan Jian, Xiang Li in Yan-Qing Ma obravnavajo eno ključnih vprašanj uporabe umetne inteligence v znanosti: kako iz množice posameznih rezultatov priti do skupne razlage, ki velja za različne pojave. Njihov sistem poskuša avtomatizirati prav tisto sposobnost, ki je omogočila velike znanstvene preboje: povezovanje navidezno ločenih opažanj v enotno teorijo.
Dosedanje metode umetne inteligence so že zelo uspešne pri iskanju matematičnih povezav znotraj posameznega eksperimenta. Iz podatkov lahko izpeljejo enačbo, ki dobro opisuje gibanje določenega telesa ali obnašanje izbranega sistema. Za razvoj znanosti pa je odločilen naslednji korak: prepoznati, da lahko isto načelo pojasni trk krogel, nihanje vzmeti in gibanje nebesnih teles. Takšno posploševanje zahteva pojme, s katerimi posamezna opažanja uredimo in povežemo. AI-Newton te pojme postopoma oblikuje sam ter jih uporablja kot gradnike vse splošnejših fizikalnih zakonov.
Raziskovalci so sistem preizkusili na 46 vrstah simuliranih eksperimentov, od prostega gibanja in trkov krogel do nihanja vzmeti, gibanja po klancih in gravitacijskih interakcij. Podatkom so dodali naključne napake, da bi posnemali nenatančnost resničnih meritev. Sistem na začetku ni imel podanih pojmov mase, sile in energije ali zakonov, ki naj bi jih odkril. Izhajal je iz prostorskih koordinat, časa ter opisov objektov in eksperimentalnih okoliščin. Na voljo je imel matematična orodja in pravila za sestavljanje izrazov, fizikalno vsebino pa je moral izluščiti iz podatkov.
Njegovo raziskovanje poteka kumulativno. Najprej poišče uporabne povezave v preprostejših eksperimentih, iz njih oblikuje pojme in nato preverja, kako daleč segajo odkrite zakonitosti. Pri elastičnih trkih lahko denimo prepozna ohranitev kinetične energije. Ko isto zakonitost preveri pri telesu, povezanem z vzmetjo, ugotovi, da mora vključiti dodatno količino, ki ustreza prožnostni potencialni energiji. Z vključevanjem novih členov postopoma oblikuje širši zakon o ohranitvi energije. Tako vsak uspešen raziskovalni korak razširi nabor orodij za naslednjega. Znanje se nalaga, povezuje in postaja uporabno v vse večjem številu okoliščin.
AI-Newton je v preizkusih v povprečju oblikoval približno 90 fizikalnih pojmov in 50 splošnih zakonitosti, med njimi Newtonov drugi zakon, zakon o ohranitvi energije in zakon splošne gravitacije. Rezultati so zapisani v razumljivi matematični obliki, zato lahko raziskovalci preverijo enačbe in spremljajo njihovo nastajanje. Posebej pomembna je prenosljivost tako pridobljenega znanja: pojem, odkrit v enem eksperimentu, pomaga pojasniti drugega, splošni zakon pa omogoča obravnavo sistemov, katerih posamezne enačbe bi bile sicer zelo zapletene.
Avtorji v sklepu vidijo v tem pristopu pot do sistemov, ki bi lahko prispevali k raziskovanju na meji znanega. Preizkus temelji na ponovnem odkrivanju znanih zakonov iz simuliranih podatkov, vendar pokaže, kako je mogoče avtomatizirati povezavo med oblikovanjem pojmov, postavljanjem domnev, preverjanjem in posploševanjem. Za prihodnji razvoj predlagajo tudi vključitev velikih jezikovnih modelov. Ti bi sistemu omogočili uporabo obstoječega znanstvenega znanja, na katerem bi lahko gradil nove razlage. Človeštvu ne bi bilo treba vsakič znova odkrivati Newtona; avtomatizirano raziskovanje bi lahko začelo tam, kjer se naše sedanje znanje konča.
Po mojem je prav tu največji potencial tega pristopa. Predstavljajmo si deset tisoč raziskovalnih agentov, ki hkrati obravnavajo različne probleme, preverjajo različne domneve in si izmenjujejo uporabna odkritja. Za veliko povečanje raziskovalnih zmogljivosti niti ne bi bilo nujno čakati na umetno inteligenco, ki se bo neprestano in samostojno izboljševala. Že sposobnost zanesljivega izvajanja posameznih korakov znanstvenega odkrivanja bi ob množičnem vzporednem delu lahko močno povečala obseg raziskovanja. Ključno bi bilo agente usmeriti v dovolj različne naloge ter zagotoviti, da se njihovi rezultati preverjajo in povezujejo v skupno znanje.
To odpira možnost eksplozije znanstvenega razvoja. Vsak nov pojem, vsaka potrjena zakonitost in vsaka uporabna metoda bi lahko takoj postali izhodišče za delo tisočev drugih sistemov. Odkritje na enem področju bi lahko sprožilo napredek na več drugih, ta pa bi ustvaril nova orodja za nadaljnje raziskovanje. Nastala bi povratna zanka, v kateri več znanja povečuje sposobnost ustvarjanja novega znanja. Ob povezavi s kakovostnimi podatki in avtomatiziranimi laboratoriji bi se lahko bistveno skrajšala pot do novih materialov, zdravil in energetskih rešitev. Fizični poskusi bi še vedno zahtevali čas, vendar bi lahko precej hitreje prepoznali, katere raziskovalne poti so vredne preverjanja. Znanstvena meja bi se lahko začela širiti z dinamiko, ki jo danes težko ocenimo.
Pomenljivo je tudi, da takšen pristop razvijajo raziskovalci na Pekinški univerzi. Kitajska raziskovalna skupina s tem prispeva izvirno metodo za spreminjanje samega načina nastajanja znanstvenega znanja. V tem vidim pomembno strateško razsežnost prihodnjega tehnološkega tekmovanja. Države, ki bodo znale povezati temeljno znanost, računsko infrastrukturo, eksperimentalne zmogljivosti in industrijsko uporabo odkritij, bodo lahko pospešile tudi ustvarjanje vseh naslednjih generacij tehnologij. Njihova prednost se bo z vsakim uspešnim raziskovalnim ciklom povečevala. Za Evropo bi moral biti AI-Newton zato močna spodbuda za vlaganje v lastno raziskovalno sposobnost: v obdobju avtomatiziranega odkrivanja bo sposobnost ustvarjanja novega znanja še neposredneje določala gospodarsko in politično moč.
