Bilal Asmatullah është bashkëthemelues i Sciloop, që ndërton sisteme të inteligjencës artificiale agjentike për të përshpejtuar kërkimin shkencor afatgjatë.
Kur unë dhe bashkëthemeluesi im u pranuam në një program konkurrues përshpejtues për startup-e në vjeshtën e vitit 2025, aplikuam me një ide ambicioze: të ndërtonim një "shkencëtar të inteligjencës artificiale" për kërkimin e të mësuarit automatik. Ajo që filloi si një projekt i ngushtë i të mësuarit automatik na detyroi shpejt të përballeshim me një pyetje shumë më të madhe: Çfarë do të duhej në të vërtetë që inteligjenca artificiale të përshpejtonte në mënyrë kuptimplote vetë shkencën?
Kur ChatGPT u lançua drejt fundit të vitit 2022, dukej si një mjet i mirë për hartimin e ideve për ese, por luftonte me problemet komplekse të matematikës. Dy vjet më vonë, ndërsa po ndiqja një kurs hyrës të probabilitetit dhe statistikës, mbaj mend që profesori im i kërkoi klasës të ngrinin duart nëse e gjenin inteligjencën artificiale të dobishme për grupe problemesh. Në një klasë me më shumë se 100 studentë, mezi pashë tre ose katër duar të ngriheshin. E kisha përdorur dhe u habita nga sa pak studentë e gjetën të dobishëm.
Megjithatë, sipas mendimit tim, Graali i shenjtë i inteligjencës për këto sisteme ishte aftësia për të zgjidhur problemet e Olimpiadës Ndërkombëtare të Shkencës. Duke garuar vetë në Olimpiadën Ndërkombëtare të Fizikës, kam besuar prej kohësh se këto gara përfaqësonin një kufi të sipërm kuptimplotë për inteligjencën e makinerive. Fitimi i një medaljeje ari në një Olimpiadë Ndërkombëtare të Fizikës ndihej si Ylli i Veriut për krijimin e inteligjencës së përgjithshme artificiale - ose AGI, një IA më të zgjuar se njerëzit - duke pasur parasysh se vetëm rreth 40 nxënës të shkollave të mesme në botë e arrijnë këtë çdo vit pas viteve të trajnimit rigoroz.
Tani që disa modele të IA-së kanë performuar në të njëjtin nivel me studentët më të mirë në Olimpiadën Ndërkombëtare të Matematikës, AGI, një që do të kishte qenë e dukshme përmes përparimeve të drejtuara nga IA në fusha si bioshkenca, shkenca e materialeve dhe kërkimi i energjisë, thjesht nuk është aty.
Pse është e vështirë të prodhohen përparime shkencore me IA
Dikush do të imagjinonte se një IA e aftë për të zgjidhur disa nga problemet më të vështira të Olimpiadës do të prodhonte natyrshëm përparime të reja shkencore, duke u ofruar studiuesve momente dhe drejtime të vërteta "aha" që ata mund të mos i kishin marrë kurrë në konsideratë. Megjithatë, deri më sot, përveç një grushti shembujsh të orkestruar me kujdes, kjo nuk ka qenë rasti. Por optimizimi për performancë të papërpunuar në standardet e Olimpiadës maskon një problem më të thellë dhe më themelor.
Shumica e përparimeve shkencore nuk janë të dukshme, lineare ose të nxjerra qartë nga të dhënat ekzistuese. Ato kërkojnë baste të kundërta me bindje të lartë dhe vendime që duken të gabuara derisa të provohen të sakta. Rruga e saktë rrallë është një përfundim larg përgjigjes. Ajo del përmes eksplorimit, dështimit dhe rishikimit.
Sistemet moderne të IA-së shkëlqejnë në arsyetimin me një të dhënë: duke iu përgjigjur një pyetjeje, duke përshtatur një model ose duke analizuar një grup të dhënash. Ato janë shumë më pak të afta kur detyra zgjat javë ose muaj dhe përfshin pasiguri në çdo hap. Me fjalë të tjera, ato kanë tendencë të kenë vështirësi me arsyetimin shkencor me horizont të gjatë.
Në bioshkencat, ky kufizim është veçanërisht i theksuar. Fusha shpesh përshkruhet si "e pasur me të dhëna", megjithatë afërsisht 70% e eksperimenteve biologjike nuk janë të riprodhueshme. Problemi nuk është thjesht mungesa e të dhënave, por natyra e mënyrës se si kryhen dhe regjistrohen eksperimentet. Pjesa më e madhe e informacionit më të vlefshëm shkencor nuk arrin kurrë në punime të botuara ose baza të dhënash të strukturuara. Ai jeton në fletore laboratorike elektronike, spreadsheet-e, kuti PowerPoint dhe, më kritikja, në kokat e eksperimentalistëve.
Një biolog që drejton një eksperiment zakonisht nuk dokumenton çdo intuitë, vëzhgim mjedisor ose ndryshim të hollë që ndikoi në një vendim. Ashtu si një programues nuk komenton çdo rresht kodi me arsyetimin e tij të brendshëm, shkencëtarët eksperimentalë nuk regjistrojnë gjithmonë pse braktisën një drejtim dhe ndoqën një tjetër.
Si rezultat, sistemet e inteligjencës artificiale të trajnuara vetëm në rezultatet përfundimtare e shohin shkencën si një problem të pastër optimizimi, kur në realitet, është një sekuencë e çrregullt gjykimesh, përpjekjesh të dështuara dhe njohurish të pjesshme.
Si mund të vazhdojë të përparojë IA
Nëse duam që sistemet e IA-së të arsyetojnë në horizonte të gjata, besoj se duhet t'i trajnojmë ato jo vetëm mbi rezultatet, por edhe mbi trajektoret: harkun e plotë të hipotezës, eksperimentit, dështimit, përshtatjes dhe braktisjes.
Po shoh disa laboratorë të mëdhenj të IA-së që i pranojnë këto kufizime dhe po fillojnë të lëvizin përtej modeleve të trajnimit mbi probleme të pastra, në stilin e Olimpiadës, drejt standardeve më rigoroze që pasqyrojnë më mirë kërkimin shkencor të hapur. Sipas mendimit tim, këto standarde më të reja mund të kapin paqartësinë, përsëritjen dhe arsyetimin afatgjatë që kërkon puna e vërtetë shkencore.
Kjo ambicie nuk kufizohet vetëm në startup-e ose laboratorë të IA-së. Duket se është bërë një përparësi strategjike edhe për qeverinë e SHBA-së, me Departamentin e Energjisë që punon për të unifikuar grupe të mëdha të dhënash shkencore në depo të përbashkëta për të forcuar pozicionin e Amerikës në zbulimin shkencor të drejtuar nga IA.
Çfarë do të thotë kjo për bizneset
Duke pasur parasysh vrullin pas përmirësimeve në aftësitë e arsyetimit të IA-së dhe fokusin e ngushtuar në IA për shkencën, ndihem optimist për vitin 2026 si një shënues i rëndësishëm në afatin kohor të zbulimit shkencor të udhëhequr nga IA.
Për udhëheqësit që përdorin IA-në, implikimi kryesor është se modelet nuk dështojnë sepse mungon inteligjenca, por sepse stimujt e trajnimit nuk janë të orientuar mirë ose thjesht nuk janë ende në fokus të shumë laboratorëve të IA-së në nivel fronti. Performanca në nivel olimpiade sugjeron që këto sisteme mund të zotërojnë shumë aftësi formale që ne kërkojmë prej tyre. Udhëheqësit që i interpretojnë kufizimet specifike të fushës së sotme të IA-së si të përhershme rrezikojnë të mbeten prapa atyre që i njohin ato si kalimtare.
Rekomandimi im është që ta poziciononi me kujdes biznesin tuaj për momentin kur përpjekjet e IA-së në nivel fronti më në fund përputhen me fushën tuaj të interesit. Dokumentoni se si merren vendimet mbi detyrat afatgjata dhe merrni në konsideratë strukturimin e rrjedhave të punës për bashkëpunimin njeri-IA. Kjo mund të ndihmojë në sigurimin që kur aftësitë e IA-së përparojnë, organizata juaj të mund të përshtatet shpejt.