Академік Е Вейнань: найбільший недолік китайського штучного інтелекту — це «мислення типу «наздоганяй», що ускладнює нам стати лідерами

(Джерело: Тьюрінг штучний інтелект)

Переклад з Всесвітньої конференції з штучного інтелекту, використовується лише для академічного обміну, у разі порушення авторських прав — видалити.

Е Вейнань

• Академік Китайської академії наук

• Головний науковий радник Інституту інновацій алгоритмів Шанхай

• Директор Центру міжнародного машинного навчання Пекінського університету

Він впровадив методи штучного інтелекту у сферу наукових обчислень, сприяв формуванню парадигми досліджень «AI for Science». Нагороджений премією Колратца Міжнародної асоціації промислової та прикладної математики (ICIAM, 2003), премією Гордона-Белла ACM (2020), премією Максвелла Міжнародної асоціації промислової та прикладної математики (2023), а у 2025 році отримав першу премію Лінь Цзяцяо на Всесвітньому конгресі китайських математиків (ICCM).

Нижче наведено деякі унікальні думки Е Вейнаня:

Китай має перевагу на старті, але може бути зупинений «мисленням погоні»

«Якщо ми залишимося у цьому мисленні, нам буде важко стати лідерами.»

/ 01

Переваги AI4S на старті

Недостатня підтримка молодих дослідників

Ринок капіталу сприяє конкуренції

Обережність щодо «мислення погоні»

Якщо математики не зміняться, їх можуть відкинути на узбіччя

«Очевидно, штучний інтелект ставить перед математикою нові вимоги.»

/ 02

Стан сучасної математики

Математика залишається у ритмі епохи Ньютона

Відсутні інноваційні рецензенти

Найбільша проблема AI — відсутність теоретичної бази

«Це погано для довгострокового розвитку AI і спричиняє високі бар’єри та марнотратство ресурсів.»

/ 03

Математичне значення глибокого навчання: ми працюємо з «тисячами та мільйонами» вимірів

«Це по суті спосіб обробки високовимірних задач.»

/ 04

Багато нерозв’язаних питань

«Як навчальні методи можуть подолати проблему вимірної катастрофи, особливо при масштабному тренуванні? Чи справді нові структури, як Mamba, здатні вирішити проблему довготривалої залежності? На сьогодні відповіді ще немає.»

Чому успіх AlphaFold важко повторити?

«Це результат сприятливого співвідношення часу, місця та людських ресурсів.»

/ 05

Люди, що займаються AI, часто не розуміють наукових проблем

«Є небезпечна тенденція — багато дослідників AI не мають належного поваги до науки.»

/ 06

Руйнування «тільки статей»: високоякісні дані — найважливий науковий внесок

«Нові ідеї, згенеровані дані, розроблені інструменти — все це слід вважати науковими досягненнями.»

/ 07

Багатовимірна система оцінки

Щодо відкритих даних, Е Вейнань вважає, що проблема системи оцінки важливіша за наукову культуру. «Наша сучасна система оцінки досліджень майже повністю зосереджена на публікаціях. Вчені неохоче відкривають свої дані, бо тримання їх у руках дозволяє продовжувати публікувати нові роботи.» Це потрібно змінити. «Високоякісні дані — один із найважливіших наукових внесків. У майбутньому потрібно створити багатовимірну систему оцінки, а не обмежуватися лише публікаціями.»

«Малі лабораторії» у науці вже застаріли

Щодо культури, він вважає, що ми ще не сформували справжню відкриту та спільну наукову атмосферу. «Мова йде не лише про публікації, а й про дослідницькі ідеї, дані, інструменти — все має бути відкритим для ефективного та швидкого обміну.» Він порівнює минуле і майбутнє: «За своєю суттю, наша попередня наука була у форматі «малі лабораторії», де один викладач керував кількома студентами. Але майбутнє інше — наука входить у «швидкий режим», і культура обміну має змінитися. Нові ідеї, згенеровані дані, розроблені інструменти — все це має вважатися науковими досягненнями і бути частиною академічного обміну.»

Для молоді: станьте навичками довічного навчання, розвивайте три ключові компетенції

«Тільки сказати, що моя стаття цитована 50 разів — недостатньо.»

/ 08

З цими трьома навичками не страшно бути заміненим AI

Е Вейнань відповідає прямо: «Кожен має стати навичками довічного навчання, постійно вивчати нові знання, розширювати мислення та підвищувати рівень.» Він дає визначення «лідерів майбутнього» з трьома ключовими навичками: перша — мислення на основі принципів — здатність проникати у глибоку логіку речей; друга — здатність розпізнавати реальні проблеми — визначати ключові виклики у суспільстві та технологіях, «це саме те, чого нам найбільше бракує у сучасній освіті»; третя — інженерна здатність — оцінювати відстань між ідеєю та її реалізацією і сприяти її втіленню.

Молоді викладачі не повинні зупинятися лише на публікації конференційних статей

«Я хочу, щоб вони справді впливали на розвиток штучного інтелекту.» Він навів приклад своєї команди: «Ми займаємося базовими алгоритмами, відкритими платформами, космічним станцією Боль — все це має реальний вплив. Навіть кажуть, що «План створення світу» США — це «спроба перейти через ріку, орієнтуючись на нас». Він залишає запитання: «Ми повинні запитати себе: який реальний вплив має ваша робота? Чи дійсно вона сприяє прогресу? Тільки цитування статей 50 разів — цього недостатньо.»