Cgalinha Krenn Mario Estava estudando física quântica na Universidade de Viena, ele foi treinado de uma maneira particular de projetar novos experimentos: “Você vai a um quadro -negro e pensa muito”, disse ele. Em 2014, Krenn estava tentando criar uma maneira de observar um estado quântico específico. Uma configuração típica envolveria o envio de um feixe de laser através de uma variedade de lentes, cristais e espelhos finamente calibrada. Mas o arranjo específico depende dos físicos. “Geralmente, surge uma resposta”, disse Krenn. O raciocínio humano é uma magia confiável e inteligente.
Exceto desta vez, não foi. Krenn e seus colegas de doutorado passaram meses se reunindo ao redor do quadro -negro, rabiscando várias configurações e debatendo a teoria. Nenhuma resposta havia surgido.
Mas, tarde da noite, Krenn começou a trabalhar em uma abordagem diferente para o brainstorming. Alguns meses antes, ele havia lido um artigo da IBM pesquisadores sobre um sistema de inteligência artificial que escreveu receitas. Foi um exercício no que os autores chamavam de “criatividade computacional”. Com receitas como “Sobremesa Caymanian Blantain”, que emparelhou salada de mamão com creme de limão e panna cotta de coco, ele deveria explorar o que as pessoas geralmente significam quando dizem que algo é “criativo” – um termo que é frequentemente definido em termos de novidade e valor.
Krenn, como a maioria das pessoas, pensava principalmente na criatividade como uma forma de magia – algo que era intocável abstrato. Mas os pesquisadores da IBM fizeram uma alegação de que a criatividade é quantificável. Portanto, pode ser manipulado ou até otimizado por um computador. A ideia o emocionou. Krenn decidiu que queria criar novas receitas em física – para transformar ingredientes básicos de laboratório em novos experimentos. Ele projetou um programa para fazer isso para ele, que ele nomeou Melvin.
Uma noite, Krenn conectou seu problema quântico teimoso em Melvin e deixou correr durante a noite. Na manhã seguinte, depois que a máquina cuspiu uma proposta, ele a enviou por e -mail para seu consultor, Anton Zeilinger, que mais tarde ganharia um prêmio Nobel por seu trabalho em física quântica. A resposta veio imediatamente: ele gostou.
O projeto experimental foi contra -intuitivo, observou Zeilinger. Era assimétrico, enquanto o estado quântico que eles desejavam era o oposto. “Sua explicação para por que não a encontramos (nós mesmos) foi que éramos tendenciosos de alguma forma”, disse Krenn. O raciocínio humano aparentemente atrapalhou.
Sendo ciência quântica, levando mais quatro anos para que o experimento projetado por Melvin tivesse fruto. (Funcionou.) A partir daí, os colegas de Krenn voltaram principalmente ao quadro -negro. Robert Ficklerque trabalhou com Krenn no experimento e agora é professor de física na Universidade de Tampere, na Finlândia, teve o prazer de fazer o experimento avançar, mas ele me disse que acreditava que o avanço de Melvin para ser mais sobre velocidade do que uma visão criativa. “Eu pensei que isso era bom, mas senti que poderíamos ter inventado isso também”, disse ele. “Mas nós não.”
Krenn, por outro lado, decidiu que era hora de abandonar completamente o laboratório tradicional. “Eu prefiro meus programas”, disse ele. Ele foi trabalhar em um laboratório de pesquisa de materiais, onde as ferramentas de descoberta de IA são usadas com mais regularidade do que em física quântica. Então, em 2021, ele fundou o que chamou de laboratório de cientistas artificiais no Instituto Max Planck para a Ciência da Luz. (Krenn em breve o mudará para a Universidade de Tübingen.)
Ao longo dos anos, ele trabalhou para estender Melvin além dos experimentos quânticos e para outros reinos da física, procurando idéias e conexões que as pessoas perderam. “Há um espaço para todos os experimentos de física e, em algum local aleatório, há um novo microscópio fantástico ou detector de ondas gravitacionais”, ele me disse. Combine esse conhecimento de domínio especializado com um grande modelo de linguagem de uso geral, como ChatGPT, e você está na estrada, Krenn, pensou em entregar o nome de seu laboratório promessas.
O sonho perseguido por acadêmicos como Krenn, bem como gigantes da tecnologia e startups arrecadando dinheiro com a perspectiva de “superinteligência científica”, envolve dobrar a IA nos aspectos criativos da ciência. Krenn, por exemplo, espera criar um sistema que combine sistemas científicos especializados, como seus simuladores de física, com grandes modelos de idiomas que poderiam analisar todo o conhecimento do mundo e criar novas idéias e como testá -las. Talvez os robôs pudessem seguir adiante nos experimentos.
Os pesquisadores usam técnicas de AI-Adjacent, como o aprendizado de máquina como uma ferramenta de processamento de dados por muitos anos, geralmente com resultados fantásticos. Além disso, os cientistas agora relatam regularmente usando a IA generativa para peneirar os trabalhos para realizar revisões de literatura de alta velocidade, enfrentar pedaços irritantes de código ou ajudar a escrever e-mails.
Agora a proposição mudou. Programas como Melvin e seus sucessores, bem como modelos avançados de raciocínio de artistas como o Google, a promessa ajuda não apenas com a composição de um email, mas com o desenvolvimento de novas pesquisas levando a seguir. A IA está se transformando em uma ferramenta de análise de dados para uma ferramenta de criatividade. Ao fazer isso, está se integrando ao coração do processo científico, com consequências que são tão abrangentes quanto difíceis de prever. O que acontece quando pedimos às máquinas não apenas pela melhor maneira de aprender as coisas, mas para as melhores coisas para aprender?
Miséria e eficiência
Em 2022, Aidan Toner-Rodgers, um estudante de doutorado em economia do Instituto de Tecnologia de Massachusetts, teve uma rara oportunidade de estudar como a IA poderia moldar o que significa ser um cientista. Uma empresa que trabalha na descoberta de materiais começou a atribuir uma nova ferramenta generativa de IA a mais de 1.000 de seus pesquisadores. A esperança era que a ferramenta ajudasse os pesquisadores a criar novos materiais para testar. Felizmente para os tocadores de toner, o lançamento aconteceria em ondas, para que alguns cientistas tenham acesso à ferramenta, enquanto outros não. Como resultado, houve grupos de teste e controle internos.
O Resultados do experimento foram impressionantes. No grupo equipado com a AA, a produtividade subiu. Esses cientistas descobriram 44% mais materiais, obtiveram 39% mais patentes e criaram 17% mais produtos do que o grupo controle. Cientistas de alto desempenho-aqueles que já haviam patenteado mais materiais-criaram novas idéias ainda mais rápidas, com o decil superior melhorando sua produção em 81%, provavelmente porque tinham a intuição de deixar de lado as piores idéias da IA e testar apenas as boas.
Mas a IA distribuiu miséria junto com a eficiência. Mais de 80% dos cientistas que usaram a IA disseram que sua satisfação no trabalho havia caído. Com base em entrevistas com seus assuntos, a Toner-Rodgers levantou a hipótese de que era porque os pesquisadores haviam perdido a parte mais criativa de seu trabalho. “Eu não pude deixar de sentir que muito da minha educação agora é inútil”, disse um dos cientistas. “Não é isso que fui treinado para fazer.”
Para Philip Romero, engenheiro de proteínas da Universidade de Duke, a experiência daqueles pesquisadores industriais lembrou debates anteriores sobre a IA em seu próprio campo. Quando Romero estava na pós -graduação, as pessoas zombavam das ferramentas de IA, que sentiram encobertas sobre a tarefa mais importante da biologia estrutural, que era para entender a função de uma determinada proteína – se ela se ligaria a um anticorpo específico, digamos ou brilhar verde fluorescente – aprendendo como se dobraria.
Então, um dia, uma IA – Deepmind’s Alphafold – efetivamente resolveu o problema da dobra de proteínas. Talvez alguns cientistas achassem que suas carreiras tinham sido obsoletas, seus propósitos reescreveram. Mas, principalmente, a ciência – e os cientistas – simplesmente seguiam em frente. Ter uma resposta rápida sobre como uma proteína dobrada não respondeu diretamente às perguntas mais profundas de como as proteínas realmente funcionam. Era simplesmente uma nova ferramenta no arsenal dos pesquisadores de proteínas, e uma maneira de eles trabalharem muito mais rapidamente.
Agora, Romero poderia sonhar uma proteína, armada com conhecimento de como ela se dobraria, e começaria o trabalho árduo de analisar o que isso significava. “Acho que a satisfação está bem”, disse ele.