Ai2 và Đại học Washington ứng dụng AI AutoDiscovery vào giảng dạy nghiên cứu khoa học

AutoDiscovery, tác nhân AI của chúng tôi dành cho nghiên cứu khoa học, thực hiện phân tích các tập dữ liệu, đề xuất giả thuyết, chạy thử nghiệm để kiểm chứng và xếp hạng kết quả dựa trên "Bayesian surprise" (độ bất ngờ Bayes) — khoảng cách giữa những gì mô hình dự đoán và những gì dữ liệu thực tế cho thấy. Trong một lớp học tại Đại học Washington (University of Washington) vào mùa xuân này, công cụ này đã phát hiện ra một lỗ hổng tiềm ẩn trong cách đo lường sự lão hóa của pin, một mô hình bất ngờ trong các polymer silicon và một đặc điểm lặp đi lặp lại trong các protein phản ứng với ánh sáng.

Tuy nhiên, một kết quả đáng ngạc nhiên không nhất thiết là một kết quả quan trọng — hoặc là kết quả sẽ đứng vững trước các thử nghiệm sâu hơn. Sinh viên vẫn phải xem xét kỹ lưỡng các bằng chứng, so sánh những phát hiện với các nghiên cứu đã được công bố và quyết định xem mỗi kết quả phản ánh một khám phá thực sự, một sự trùng hợp ngẫu nhiên hay là một vấn đề với dữ liệu.

Luna Yue Huang, phó giáo sư giảng dạy về khoa học vật liệu và kỹ thuật tại UW, đã mời sinh viên khám phá phương thức làm việc này với AI thông qua chương trình "GenAI for Science: Ai2–UW Materials Challenge". Hai mươi lăm nhóm đã đề xuất một tập dữ liệu và câu hỏi nghiên cứu; mười nhóm đã được chọn để dành vài tuần làm việc với AutoDiscovery.

Một nhóm giảng dạy tại UW và các nhà nghiên cứu của Ai2 đã xem xét các đề xuất dựa trên độ phong phú và tính đặc thù khoa học của dữ liệu, tiềm năng tạo ra những phát hiện có ý nghĩa và sự đa dạng chung của các chủ đề được đại diện. Mười dự án đã được chọn, với các sinh viên từ những đề xuất khác tham gia vào các nhóm đó. Trong một số trường hợp, giảng viên cũng giúp thu hẹp các tập dữ liệu rộng thành phạm vi dễ quản lý hơn, phù hợp với mối quan tâm nghiên cứu của sinh viên.

Sinh viên đã kiểm chứng các giả thuyết của AutoDiscovery dựa trên bằng chứng sẵn có, xác định những lỗ hổng trong lập luận của nó và đánh giá xem liệu nó có thực sự giảm bớt khối lượng phân tích dữ liệu thủ công cần thiết hay không. Hiệu suất của AutoDiscovery thay đổi đáng kể — trong một số trường hợp, nó đã đưa ra những hướng đi mà sinh viên có thể đã không khám phá nếu không có nó.

Dưới đây là bốn dự án tiêu biểu từ lớp học:

Một nhóm nghiên cứu về sự lão hóa của pin lithium-ion đã tìm ra một hướng đi trái ngược với trực giác: rằng các bài kiểm tra chẩn đoán định kỳ được sử dụng để kiểm tra tình trạng của pin có thể chính là nguyên nhân đẩy nhanh quá trình suy giảm chất lượng của nó. Điều này dựa trên mối tương quan trong dữ liệu thay vì bằng chứng cho thấy các bài kiểm tra gây ra sự hao mòn thêm, vì vậy việc xác nhận nó sẽ cần một thử nghiệm có kiểm soát — một bước tiếp theo rõ ràng và logic cho công việc nghiên cứu nối tiếp.

Một nhóm khác, dựa trên sáu triệu mô phỏng polymer, đã tìm thấy một ngoại lệ rõ ràng đối với một quy tắc đã tồn tại hàng thập kỷ: rằng hai phương pháp tiêu chuẩn để ước tính điện tích của một nguyên tử không thống nhất với nhau nhất ở các nguyên tử "đói" electron như oxy và nitơ. Họ đã truy xuất lại bài báo gốc ghi lại mô hình này và không tìm thấy lời giải thích nào được công bố về lý do tại sao các polymer lại đi chệch khỏi quy tắc đó — một câu hỏi mở thực sự.

Nhóm thứ ba đang xây dựng các protein chỉ kích hoạt dưới ánh sáng, điều này có nghĩa là phải chèn một phân đoạn nhạy sáng vào đúng vị trí trên một protein — một công việc chậm chạp khi phải thử nghiệm từng thiết kế một trong phòng thí nghiệm. Vì vậy, nhóm đã sử dụng AutoDiscovery để tìm ra các đặc điểm phân biệt giữa các vị trí chèn thành công và những vị trí không thành công, sau đó kiểm tra giả thuyết tốt nhất của công cụ này với kết quả thực tế trong phòng thí nghiệm của họ. AutoDiscovery phát hiện ra rằng các vị trí chèn thành công đã neo phân đoạn nhạy sáng vào protein tại một vài điểm mạnh thay vì nhiều điểm yếu — một mô hình nhất quán trên mọi thiết kế mà nhóm đã thử nghiệm trong thế giới thực và khớp với một nguyên tắc đã được thiết lập từ lâu về liên kết protein.

Các dự án khác cho thấy kết quả đầu ra phụ thuộc rất nhiều vào dữ liệu. Khi làm việc với 24.000 cấu hình lò phản ứng hạt nhân mô phỏng, một nhóm sinh viên gần như không thu được gì hữu ích từ AutoDiscovery — khoảng một nửa số giả thuyết của nó là phi logic và không có giả thuyết nào đáng để theo đuổi. Nhóm đã truy nguyên vấn đề đến cách thức hoạt động của AutoDiscovery; hệ thống đánh giá độ bất ngờ dựa trên các phép đo trong thế giới thực, vì vậy các con số tổng hợp đã làm nó bị chệch hướng.

Trên một tập dữ liệu gồm các phép đo vật lý lò phản ứng thực tế – các chỉ số từ các thí nghiệm thay vì mô phỏng – AutoDiscovery đã hoạt động tốt hơn nhiều, đưa ra khoảng 15 hướng đi tiềm năng đáng để theo đuổi. Việc sàng lọc những hướng đi hứa hẹn nhất chính là lúc sinh viên tham gia — cân nhắc từng hướng đi về tính khả thi vật lý và tính logic, kiểm tra những hướng đi mạnh nhất với tài liệu chuyên ngành và quyết định xem hướng đi nào cần được xem xét kỹ hơn.

Qua các dự án, sinh viên đã đi đến cùng một kết luận: AutoDiscovery hữu ích nhất trong việc gợi mở các ý tưởng mà họ có thể đã không nghĩ đến việc thử nghiệm, nhưng nó không loại bỏ vai trò của nhà nghiên cứu — nếu có thì nó còn đòi hỏi ở họ nhiều hơn. Việc đọc các bằng chứng của nó và tìm hiểu cách nó đạt được từng kết quả đòi hỏi loại phán đoán chỉ có được từ kinh nghiệm và chuyên môn khoa học.

Đối với Huang, bài tập này hướng ngược lại về cách giảng dạy của chính cô — cần những gì để chuẩn bị cho sinh viên sử dụng tốt một công cụ như AutoDiscovery và dạy cho họ khả năng phán đoán mà công cụ này không thể thay thế.

"Điều làm cho thử thách này trở nên đặc biệt ý nghĩa là nó giúp sinh viên tiếp cận với một cách làm việc rất khác với AI," Huang nói. "Thay vì yêu cầu AI hoàn thành một nhiệm vụ được xác định rõ ràng, họ đã học cách sử dụng nó như một đối tác trong khám phá khoa học, với việc AI tạo ra các giả thuyết, còn sinh viên đặt câu hỏi về những kết quả bất ngờ và quyết định ý tưởng nào xứng đáng được điều tra thêm. Sự thay đổi đó tự nhiên dẫn sinh viên đến một câu hỏi quan trọng hơn: Vai trò của nhà nghiên cứu là gì khi AI có thể tạo ra ý tưởng nhanh chóng như vậy?"

"Mục tiêu của chúng tôi là giúp sinh viên nhận ra rằng đóng góp của con người trở nên có giá trị hơn nữa trong mô hình mới này," Huang tiếp tục. "Tư duy phản biện, thiết kế thí nghiệm có hệ thống, lập luận khoa học và khả năng biện minh cho các kết luận vẫn là những trách nhiệm độc nhất của con người. Những trải nghiệm như thế này không chỉ chuẩn bị cho sinh viên một tương lai nơi AI trở thành một phần không thể thiếu của khám phá khoa học, mà còn củng cố giá trị của giáo dục khoa học bằng cách chứng minh rằng kiến thức nền tảng, chuyên môn lĩnh vực và khả năng phán đoán đúng đắn trở nên quan trọng hơn nữa trong kỷ nguyên AI."

Huang cũng rất ấn tượng bởi khối lượng và chất lượng công việc mà sinh viên đã hoàn thành trong suốt thử thách.

"Chỉ trong vòng mười ngày, các sinh viên đã biến các tập dữ liệu thô thành các giả thuyết khoa học được điều tra cẩn thận, được hỗ trợ bởi các bài đánh giá tài liệu, phân tích định lượng, kế hoạch xác nhận thực nghiệm và các báo cáo được lập luận chu đáo," Huang nói. "AI chắc chắn đã đẩy nhanh nhiều phần của quá trình này, nhưng chất lượng của công việc cuối cùng phản ánh sự tò mò, kiên trì và khả năng phán đoán khoa học của sinh viên."

"Điều đặc biệt đáng khích lệ là thấy được sự háo hức của họ trong việc học không chỉ cách sử dụng AI, mà còn cách thực hiện nghiên cứu nghiêm túc cùng với nó. Đối với tôi, đó là một lời nhắc nhở mạnh mẽ rằng thế hệ nhà khoa học tiếp theo đã sẵn sàng đón nhận AI như một công cụ khám phá, đồng thời nhận ra rằng tiến bộ khoa học có ý nghĩa vẫn phụ thuộc vào tư duy phản biện, lập luận dựa trên bằng chứng và chuyên môn sâu về lĩnh vực."

Chúng tôi rất biết ơn các sinh viên và giảng viên tại Khoa Khoa học Vật liệu & Kỹ thuật của UW vì sự nghiêm túc mà họ mang lại trong việc thử nghiệm AutoDiscovery. Những đánh giá của họ giúp chúng tôi cải thiện nó — và cho chúng tôi thấy cách các công cụ như thế này đang thay đổi thực tiễn khoa học, điều mà đối với chúng tôi là một phần của việc xây dựng chúng một cách có trách nhiệm.

Hãy thử AutoDiscovery trong Asta.

Đăng ký để nhận cập nhật hàng tháng về những tin tức mới nhất từ Ai2.