קינסטלעך סייכל טוט נישט נאָכגיין די לאָגיק פון וויסנשאפטלעכע פּראָגרעס

מיר האָבן פילע מאָל געשריבן אין MT וועגן ריסערטשערז און פּראָפעססיאָנאַלס וואָס פּראָקלאַמירן מאַשין לערנען סיסטעמען ווי "שוואַרץ באָקסעס" (1) אפילו פֿאַר די וואָס בויען זיי. דאָס מאכט עס שווער צו אָפּשאַצן רעזולטאַטן און רייוז ימערדזשינג אַלגערידאַמז.

נעוראַל נעטוואָרקס - די טעכניק וואָס גיט אונדז ינטעליגענט קאַנווערטינג באָץ און ינדזשיניאַס טעקסט גענעראַטאָרס וואָס קענען אפילו שאַפֿן פּאָעזיע - בלייבט אַן ינגקאַמפּראַכענסיבאַל מיסטעריע פֿאַר אַרויס אַבזערווערז.

זיי ווערן ביגער און מער קאָמפּליצירט, האַנדלינג ריזיק דאַטאַסעץ און ניצן מאַסיוו קאַמפּיוטינג ערייז. דאָס מאכט רעפּלאַקיישאַן און אַנאַליסיס פון די באקומען מאָדעלס טייַער און מאל אוממעגלעך פֿאַר אנדערע ריסערטשערז, אַחוץ פֿאַר גרויס סענטערס מיט ריזיק באַדזשיץ.

פילע סייאַנטיס זענען געזונט אַווער פון דעם פּראָבלעם. צווישן זיי איז יואל פּינאָ (2), טשערמאַן פון נעוריפּס, דער פּרעמיער קאָנפֿערענץ אויף רעפּראָדוסיביליטי. די עקספּערץ אונטער איר פירערשאַפט ווילן צו שאַפֿן אַ "רעפּראָדוסיביליטי טשעקליסט".

דער געדאַנק, לויט פּינאָ, איז צו מוטיקן ריסערטשערז צו פאָרשלאָגן אנדערע אַ ראָאַדמאַפּ אַזוי זיי קענען ריקריייט און נוצן די אַרבעט שוין געטאן. איר קענען וואַנדערן די עלאַקוואַנס פון אַ נייַע טעקסט גענעראַטאָר אָדער די סופּערכיומאַן פלינקייַט פון אַ ווידעא שפּיל ראָבאָט, אָבער אפילו די בעסטער עקספּערץ האָבן קיין געדאַנק ווי די וואונדער אַרבעט. דעריבער, די רעפּראָדוקציע פון ​​אַי מאָדעלס איז וויכטיק ניט בלויז פֿאַר ידענטיפיינג נייַ גאָולז און אינסטרוקציעס פֿאַר פאָרשונג, אָבער אויך ווי אַ ריין פּראַקטיש וועגווייַזער צו נוצן.

אנדערע זענען טריינג צו סאָלווע דעם פּראָבלעם. גוגל ריסערטשערז געפֿינט "מאָדעל קאַרדס" צו באַשרייַבן אין דעטאַל ווי די סיסטעמען זענען טעסטעד, אַרייַנגערעכנט רעזולטאַטן וואָס פונט צו פּאָטענציעל באַגז. רעסעאַרטשערס פון די Allen אינסטיטוט פֿאַר קינסטלעך סייכל (AI2) האָבן ארויס אַ פּאַפּיר וואָס יימז צו פאַרברייטערן די פּינאָט רעפּראָדוסיביליטי טשעקליסט צו אנדערע סטעפּס אין דעם יקספּערמענאַל פּראָצעס. "ווייַז דיין אַרבעט," זיי אָנטרייַבן.

מאל יקערדיק אינפֿאָרמאַציע איז פעלנדיק ווייַל די פאָרשונג פּרויעקט איז אָונד, ספּעציעל דורך לאַבאָראַטאָריעס ארבעטן פֿאַר די פירמע. מער אָפט, אָבער, עס איז אַ צייכן פון אַ ינאַביליטי צו באַשרייַבן טשאַנגינג און ינקריסינגלי קאָמפּליצירט פאָרשונג מעטהאָדס. נעוראַל נעטוואָרקס זענען אַ זייער קאָמפּליצירט געגנט. צו באַקומען די בעסטער רעזולטאַטן, אַ פיין טונינג פון טויזנטער פון "נאַבז און קנעפּלעך" איז אָפט פארלאנגט, וואָס עטלעכע רופן "שוואַרץ מאַגיש". די ברירה פון די אָפּטימאַל מאָדעל איז אָפט פארבונדן מיט אַ גרויס נומער פון יקספּעראַמאַנץ. מאַגיש ווערט זייער טייַער.

פֿאַר בייַשפּיל, ווען פאַסעבאָאָק געפרוווט צו רעפּלאַקייט די אַרבעט פון AlphaGo, אַ סיסטעם דעוועלאָפּעד דורך DeepMind Alphabet, די אַרבעט פּרוווד גאָר שווער. ריזיק קאַמפּיוטיישאַנאַל באדערפענישן, מיליאַנז פון יקספּעראַמאַנץ אויף טויזנטער פון דעוויסעס איבער פילע טעג, קאַמביינד מיט די פעלן פון קאָד, געמאכט די סיסטעם "זייער שווער, אויב ניט אוממעגלעך, צו ריקריייט, פּרובירן, פֿאַרבעסערן און פאַרברייטערן," לויט Facebook עמפּלוייז.

די פּראָבלעם מיינט צו זיין ספּעשאַלייזד. אָבער, אויב מיר טראַכטן ווייַטער, די דערשיינונג פון פּראָבלעמס מיט די רעפּראָדוסיביליטי פון רעזולטאַטן און פאַנגקשאַנז צווישן איין פאָרשונג מאַנשאַפֿט און אנדערן אַנדערמיינז אַלע די לאָגיק פון די פאַנגקשאַנינג פון וויסנשאַפֿט און פאָרשונג פּראַסעסאַז באקאנט צו אונדז. ווי אַ הערשן, די רעזולטאַטן פון פרייַערדיק פאָרשונג קענען זיין געוויינט ווי אַ יקער פֿאַר ווייַטער פאָרשונג וואָס סטימיאַלייץ די אַנטוויקלונג פון וויסן, טעכנאָלאָגיע און אַלגעמיין פּראָגרעס.