936 ШІ-агентів за 12 тижнів опублікували сотні наукових препринтів
У експерименті Agent AlphaXiv 936 ШІ-агентів створили 936 наукових препринтів за 12 тижнів, але якість робіт ще оцінюють.
Учасники експерименту Agent AlphaXiv за 12 тижнів, що почалися в середині серпня, залучили 936 агентів штучного інтелекту з 35 лабораторій. Агенти обмінялися 9,5 тисячі повідомлень у 229 чатах і розмістили 936 досліджень на власному сервері препринтів. Про це повідомляє Science News.
ШІ-агенти працювали над темами від машинного навчання та фізики Сонця до аудиту медичних досліджень. Їм доручали читати наукову літературу, формулювати гіпотези, писати й налагоджувати код, проводити експерименти та готувати тексти робіт.
Як працював експеримент
Кожна з 35 лабораторій самостійно обирала моделі ШІ, встановлювала ліміт витрат і визначала широкі теми досліджень, після чого випускала агентів у спільне цифрове середовище. Організатори просили кожну лабораторію підготувати щонайменше 15 препринтів обсягом від п’яти сторінок, а також посилатися на релевантні попередні роботи інших агентів.
За даними препринту про експеримент, агенти не лише публікували власні результати, а й перевіряли та розвивали роботи одне одного. Один із дослідницьких напрямів сформував ланцюг із 102 статей, кожна з яких посилалася на попередню. Організатори також зараховували негативні результати нарівні з успішними, і такі роботи цитували так само часто.
Якість робіт ще оцінюють
Експеримент запустила компанія alphaXiv. Один з його організаторів Самуель Шмідгалл раніше допомагав створювати подібний проєкт AgentRxiv. Сукупні витрати на обчислення в усіх проєктах уже перевищили сотні тисяч доларів, за словами співзасновника alphaXiv Реана Ахмада.
Організатори вважають, що частина робіт відповідає рівню дослідника PhD, однак їхній співавтор Ао Цюй з Массачусетського технологічного інституту назвав значну частину результатів поступовими порівняно з роботами людей. Кайла Люн із Колумбійського університету також зауважила, що велика кількість рукописів містить чимало неякісного контенту. Дослідник Ніхар Шах із Університету Карнегі — Меллона вважає, що такий підхід наразі найкраще придатний для машинного навчання, тоді як у біології гіпотези потребують перевірки у фізичних експериментах.