Googles 'Giganerd' om AI som vetenskapligt verktyg – från klimat till asteroidforskning
John Platt, forskare på Google med ett Oscar-pris och två asteroider uppkallade efter sig, diskuterar hur AI kan accelerera vetenskapliga genombrott – särskilt inom klimatforskning. Han är känd för att ha skapat SVM-algoritmen (en klassisk maskininlärningsmetod) som finns inbyggd i Pythons populära sklearn-bibliotek och används av miljontals utvecklare dagligen. Det mest intressanta är hans syn på hur forskare kan samarbeta med superintelligent AI snarare än att ersättas av den.
Djupdykning
John Platt är inte precis ett känt namn utanför AI-kretsar, men han är mannen bakom Platt scaling – en teknik som används i nästan varje ML-modell du rört vid, inbyggd i scikit-learn som du knappt tänker på. Han vann en Oscar för sitt arbete med rörelsesuddning i film, har två asteroider uppkallade efter sig, och jobbar nu på Google med att använda AI för att accelerera vetenskapliga genombrott – vilket är en ganska annorlunda karriärväg än de flesta tar från ett doktorat i fysik. Det Platt pratar om, AI for Science, handlar om att låta modeller generera hypoteser, designa experiment och tolka resultat i en loop som kan köras tusentals gånger snabbare än traditionell forskning. Tanken är inte att ersätta forskare utan att ta bort det tråkiga: att manuellt söka igenom parameterrymder som är för stora för människor att utforska under en livstid. Det de flesta missar i den här diskussionen är att flaskhalsen sällan är beräkningskraft – det är data av rätt kvalitet. Vetenskapliga experiment producerar ofta liten, brusig och dåligt dokumenterad data, vilket är precis det AI-modeller är sämst på att hantera. Platt jobbar med klimatproblem som kräver exakt den typen av rörig verklighetsdata, och lösningen där är inte mer GPU, det är bättre experimentdesign från början. Om superintelligens faktiskt dyker upp inom en generation innebär det att vi kanske är den sista generationen som lär sig vetenskap som ett hantverk snarare än som en tolkningsförmåga – och det är oklart om det är en förlust eller bara nästa paradigmskifte, ungefär som när miniräknaren dödade huvudräkning men inte matematik.