Университеты изменят подход к оценке ученых и аспирантов из-за ИИ
Университетам предстоит пересмотреть правила научной деятельности и подготовки исследователей в условиях стремительного прогресса искусственного интеллекта. Саша Рахлин, директор Центра статистики и науки о данных Массачусетского технологического института (MIT) и заслуженный профессор в области данных, систем и общества, акцентирует внимание на математике, статистике, машинном обучении и аспирантском образовании в своем эссе. Об этом пишет портал Science XXI.
Прогресс в различных областях науки во многом зависит от скорости и надежности проверки результатов. Формализованные доказательства могут проверяться автоматически, что позволяет системам быстро генерировать новые варианты, учитывая результаты проверок и совершенствуясь. Улучшение моделей и методов обучения ускоряет последующие этапы развития.
Изменения особенно заметны в математике. В прошлом году одна из моделей достигла уровня золотой медали Международной математической олимпиады, а уже через год системы начали демонстрировать новые научные достижения, включая решение одной из задач тысячелетия. С учетом того, что искусственный интеллект берет на себя все больше задач, университетам необходимо различать получение ответа, понимание его обоснования, возможность обобщения и выбор следующего вопроса.
Научные подразделения должны уже сейчас пересмотреть критерии оценки работы. Хорошо оформленная статья становится менее надежным показателем квалификации, поэтому важнее могут стать постановка содержательных вопросов, воспроизведение результатов, объединение идей и полезные отрицательные результаты. При оценке необходимо учитывать вклад исследователя и его интеллектуальную ответственность, особенно если значительную часть работы выполнил искусственный интеллект; эти аспекты должны учитываться при найме, продвижении, финансировании и подготовке аспирантов.
Использование ИИ также создает проблемы в обучении. Навыки формируются через практику, а рутинные вычисления и неудачные попытки помогают студентам развивать интуицию и способность принимать решения. Поэтому учащимся важно осваивать постановку задач, проверку ответов моделей и защиту собственных решений, а фундаментальные знания становятся основой для грамотной работы с такими инструментами.
Рахлин подчеркивает, что университетам необходима технологическая независимость, хотя сотрудничество с промышленностью останется важным. Лаборатории могут объединиться через общую инфраструктуру искусственного интеллекта, которая будет связывать исследователей, находить подходящие методы и сохранять данные о гипотезах, действиях и результатах. Для этого потребуются государственные и институциональные инвестиции в вычислительные мощности и специалистов по адаптации моделей, что поможет сохранить историю идей и точнее оценить вклад аспирантов и других участников исследований, отмечает MIT.
