ຄວາມກ້າວໜ້າທາງດ້ານວິທະຍາສາດມັກຈະມີຂໍ້ຈຳກັດບໍ່ແມ່ນຍ້ອນການຂາດແຄນແນວຄິດໃໝ່, ແຕ່ແມ່ນຍ້ອນຄ່າໃຊ້ຈ່າຍ ແລະ ຄວາມສັບສົນຂອງການທົດສອບພວກມັນ. ຕ້ອງການວິທີແກ້ໄຂໃໝ່ເພື່ອເຮັດໃຫ້ການທົດສອບງ່າຍຂຶ້ນ—ແລະນັກຄົ້ນຄວ້າເຊັ່ນ ທ່ານ ອານີມາ ອານັນດະຄຸມາ ກຳລັງເປັນຜູ້ນຳທາງ. ນາງໄດ້ດຳເນີນການຄົ້ນຄວ້າທີ່ທັນສະໄໝໃນວົງການວິຊາການ ແລະ ອຸດສາຫະກຳມາເກືອບສິບປີ, ເປັນຜູ້ບຸກເບີກອັລກໍຣິທຶມ AI ໃໝ່ທີ່ສາມາດຈຳລອງລະບົບທາງດ້ານຮ່າງກາຍໄດ້ດ້ວຍຄວາມໄວ ແລະ ຄວາມຖືກຕ້ອງທີ່ບໍ່ເຄີຍມີມາກ່ອນ—ໃນບາງກໍລະນີ, ໄວກວ່າວິທີການແບບດັ້ງເດີມຫລາຍກວ່າ ໜຶ່ງລ້ານເທື່ອ. ໂດຍການໃຫ້ AI ສາມາດຈຳລອງລະບົບເຫຼົ່ານີ້, ການຄົ້ນຄວ້າຂອງນາງໄດ້ເປີດກວ້າງຄວາມກ້າວໜ້າທົ່ວວິທະຍາສາດ ແລະ ວິສະວະກຳ, ຈາກການພະຍາກອນສະພາບອາກາດຄວາມລະອຽດສູງໄປຈົນເຖິງການອອກແບບອຸປະກອນການແພດໃໝ່.
“ສິ່ງທີ່ເຮັດໃຫ້ຂ້ອຍມີຄວາມສົນໃຈແມ່ນວິທີການເຊື່ອມໂຍງຊ່ອງຫວ່າງລະຫວ່າງທິດສະດີ ແລະ ການປະຕິບັດ, ເພາະວ່າຂ້ອຍເລີ່ມຕົ້ນໃນເວລາທີ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງຍັງບໍ່ມີ—ເຈົ້າຕ້ອງເລີ່ມຕົ້ນຈາກວິທີການອອກແບບທີ່ມີຫຼັກການທຳອິດ,” ທ່ານ ອານັນດະຄຸມາ ກ່າວ, ຜູ້ທີ່ອະທິບາຍວ່າວິທີການຂອງນາງໃນການອອກແບບອັລກໍຣິທຶມແມ່ນສ້າງຂຶ້ນໂດຍອີງໃສ່ຫຼັກການພື້ນຖານທີ່ພົບໃນຄະນິດສາດ ແລະ ຟີຊິກ. ທ່ານ ອານັນດະຄຸມາ ເປັນ ຂອງວິທະຍາສາດຄອມພິວເຕີ ແລະ ຄະນິດສາດຢູ່ Caltech, ບ່ອນທີ່ນາງນຳພາ . ນາງຍັງເຮັດວຽກເປັນນັກວິທະຍາສາດຫລັກຢູ່ Amazon Web Services, ອອກແບບວິທີແກ້ໄຂທີ່ອີງໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກສຳລັບ Amazon cloud ແລະ ຜູ້ອຳນວຍການອาวຸໂສດ້ານການຄົ້ນຄວ້າ AI ຢູ່ Nvidia. ໄດ້ຮັບຂໍ້ມູນຈາກຂົງເຂດວິທະຍາສາດອື່ນໆ, ໂດຍສະເພາະຟີຊິກ, ນາງກ່າວວ່າຈຸດສຸມຂອງນາງສະເໝີແມ່ນການເຮັດໃຫ້ອັລກໍຣິທຶມ “ມີຫຼັກການຫລາຍຂຶ້ນ, ມີປະສິດທິພາບດ້ານຮາດແວ ແລະ ທົນທານຫລາຍຂຶ້ນ.”
ເລີ່ມຕົ້ນຈາກວິທີການຫຼັກການທຳອິດນີ້, ທ່ານ ອານັນດະຄຸມາ ແລະ ຜູ້ຮ່ວມງານຂອງນາງໄດ້ພັດທະນາ “ຜູ້ປະຕິບັດການປະສາດ”: ຮູບແບບ AI ທົ່ວໄປຊະນິດໜຶ່ງທີ່ສາມາດຮຽນຮູ້ທີ່ຈະຈຳລອງຂະບວນການທາງດ້ານຮ່າງກາຍໃນຫລາຍຂະຫນາດ, ຈາກການໂຕ້ຕອບຂອງໂມເລກຸນໄປຈົນເຖິງຮູບແບບດິນຟ້າອາກາດ. ບໍ່ຄືກັບແບບຈຳລອງພາສາຂະຫນາດໃຫຍ່ເຊັ່ນ ChatGPT, ແບບຈຳລອງ AI ທີ່ສ້າງຂຶ້ນດ້ວຍຮູບແບບນີ້ສາມາດລວມເອົາກົດເກນຂອງຟີຊິກເພື່ອທົດສອບຄວາມເປັນໄປໄດ້ຂອງການຄາດຄະເນຂອງພວກມັນ. ແລະບໍ່ຄືກັບວິທີການແບບດັ້ງເດີມຂອງການຈຳລອງຂະບວນການທາງດ້ານຮ່າງກາຍ, ເຊິ່ງຕ້ອງການຊັບພະຍາກອນດ້ານການຄິດໄລ່ຢ່າງມະຫາສານເພື່ອປະຕິບັດການຄິດໄລ່ຫລາຍລ້ານຄັ້ງຈາກຈຸດເລີ່ມຕົ້ນສຳລັບການຄາດຄະເນໃໝ່ແຕ່ລະຄັ້ງ, ແບບຈຳລອງເຫຼົ່ານີ້ສາມາດ “ຮຽນຮູ້ທາງລັດ” ຈາກຂໍ້ມູນທີ່ພວກມັນໄດ້ຮັບການຝຶກອົບຮົມ, ທ່ານ ອານັນດະຄຸມາ ອະທິບາຍ—ເຮັດໃຫ້ພວກມັນສາມາດຈຳລອງຂະບວນການດ້ວຍຄວາມຖືກຕ້ອງເທົ່າກັນ ຫຼື ຫຼາຍກວ່າວິທີການທີ່ອີງໃສ່ການຄິດໄລ່ດິບ, ແຕ່ດ້ວຍຄວາມໄວທີ່ໄວກວ່າຫລາຍ. ແບບຈຳລອງທີ່ອອກແບບໃນແບບນີ້ມີປະສິດທິພາບໂດຍສະເພາະເພາະວ່າພວກມັນ “ມີຄວາມຍືດຫຍຸ່ນທີ່ຈະຮຽນຮູ້ປະກົດການທີ່ຕໍ່ເນື່ອງທີ່ຢູ່ພື້ນຖານ,” ທ່ານ ອານັນດະຄຸມາ ກ່າວ.
ໃນປີ 2022, ທ່ານ ອານັນດະຄຸມາ—ຮ່ວມມືກັບທີມງານທີ່ມີຫລາຍສາຂາວິຊາຈາກ Nvidia, Caltech, ແລະ ສະຖາບັນການສຶກສາອື່ນໆ—ໄດ້ສ້າງແບບຈຳລອງດິນຟ້າອາກາດແຫຼ່ງເປີດທີ່ຂັບເຄື່ອນດ້ວຍ AI ຢ່າງສົມບູນ, , ໂດຍໃຊ້ຜູ້ປະຕິບັດການປະສາດ. ມັນໄດ້ພິສູດວ່າໄວກວ່າ ທີ່ດີທີ່ສຸດຫລາຍໝື່ນເທື່ອ, ໃນຂະນະທີ່ມັກຈະປັບປຸງຄວາມຖືກຕ້ອງຂອງພວກມັນ. ໃນເວລາບໍ່ຮອດສອງວິນາທີ, ແບບຈຳລອງສາມາດສ້າງການພະຍາກອນໄລຍະເວລາໜຶ່ງອາທິດສຳລັບຕົວແປຕ່າງໆ, ເຊັ່ນ: ຄວາມໄວລົມ ແລະ ຝົນ—ສິ່ງທີ່ເຄີຍຕ້ອງໃຊ້ supercomputer ແລະ ຫລາຍຊົ່ວໂມງຕອນນີ້ສາມາດເຮັດໄດ້ດ້ວຍຮາດແວໜ້ອຍກວ່າຫລາຍ. ມັນມີຢູ່ ຜ່ານ European Centre for Medium-Range Weather Forecasts, ແລະ ໄດ້ກະຕຸ້ນໃຫ້ມີການຍອມຮັບແບບຈຳລອງດິນຟ້າອາກາດທີ່ຄ້າຍຄືກັນທົ່ວໂລກ, ເຖິງວ່າຈະມີຄວາມສົງໃສໃນເບື້ອງຕົ້ນຈາກຊຸມຊົນການຈຳລອງດິນຟ້າອາກາດ. “ສິ່ງນີ້ກຳລັງຊ່ວຍໃນການພະຍາກອນສະພາບອາກາດທີ່ຮ້າຍແຮງຢູ່ແລ້ວ,” ທ່ານ ອານັນດະຄຸມາ ກ່າວ, ໂດຍກ່າວເຖິງຄວາມສາມາດຂອງແບບຈຳລອງໃນການ ຂອງພາຍຸ Beryl ໃນເດືອນມິຖຸນາ 2024, ກ່ອນວິທີການແບບດັ້ງເດີມ.
ສະຖານທີ່ອື່ນໆ, ຜົນກຳໄລກໍ່ສູງຂຶ້ນ. ໃນປີ 2024, ທີມງານຂອງທ່ານ ອານັນດະຄຸມາ ໄດ້ຮ່ວມມືກັບ U.K. Atomic Energy Agency ເພື່ອຈຳລອງພຶດຕິກຳຂອງພລາສມາໃນເຕົາປະຕິກິລິຍານິວເຄຼຍໄວກວ່າເທັກນິກກ່ອນໜ້ານີ້ຫລາຍກວ່າ ໜຶ່ງລ້ານເທື່ອ. ຄວາມໄວນີ້ຊ່ວຍໃຫ້ນັກວິທະຍາສາດສາມາດຄາດຄະເນ ແລະ ປ້ອງກັນການລົບກວນຂອງພລາສມາ—ເຫດການທີ່ເປັນອັນຕະລາຍບ່ອນທີ່ພລາສມາທີ່ຮ້ອນຫລາຍກາຍເປັນບໍ່ມີສະຖຽນລະພາບ, ເຊິ່ງສາມາດເຮັດໃຫ້ເຕົາປະຕິກິລິຍາເສຍຫາກຖ້າບໍ່ໄດ້ຮັບການຈັບໄວ—ກ່ອນທີ່ພວກມັນຈະເກີດຂຶ້ນ, ເຮັດໃຫ້ນັກຊ່າງສາມາດດຳເນີນການແກ້ໄຂກ່ອນ.
ຜູ້ປະຕິບັດການປະສາດຂອງທ່ານ ອານັນດະຄຸມາ ໄດ້ພິສູດວ່າມີປະໂຫຍດບໍ່ພຽງແຕ່ສຳລັບການຄາດຄະເນ, ແຕ່ຍັງສຳລັບການອອກແບບ. ການຕິດເຊື້ອທີ່ກ່ຽວຂ້ອງກັບການດູແລສຸຂະພາບທີ່ພົບເລື້ອຍທີ່ສຸດໃນສະຫະລັດແມ່ນການຕິດເຊື້ອທາງລະບົບປັດສະວະທີ່ກ່ຽວຂ້ອງກັບ catheter, ເຊິ່ງສົ່ງຜົນກະທົບຕໍ່ຊາວອາເມຣິກັນຫລາຍກວ່າ ໜຶ່ງລ້ານຄົນໃນແຕ່ລະປີ. ໃນປີ 2023, ນາງແລະທີມງານນັກຄົ້ນຄວ້າ Caltech ໄດ້ນຳໃຊ້ AI ຂອງພວກເຂົາເພື່ອສ້າງຕົວແບບ ທີ່ຫລຸດການປົນເປື້ອນຂອງເຊື້ອແບັກທີເຣຍລົງຮ້ອຍເທົ່າ. ພວກເຂົາໄດ້ນຳໃຊ້ວິທີການໃໝ່: ແບບຈຳລອງໄດ້ຈຳລອງການໄຫລວຽນຂອງນ້ຳເພື່ອກຳນົດວ່າບ່ອນໃດໃນທໍ່ທີ່ຈະວາງຮ່ອງລວງນ້ອຍໆທີ່ປ້ອງກັນບໍ່ໃຫ້ເຊື້ອແບັກທີເຣຍລອຍຂຶ້ນໄປຫາຮ່າງກາຍຂອງຄົນເຈັບ. ຮູບແບບ AI ພື້ນຖານສາມາດກຳນົດ ແລະ ທົດສອບຄວາມເປັນໄປໄດ້ຂອງການອອກແບບທຸກຊະນິດ, ຈາກເຮືອບິນບໍ່ມີຄົນຂັບໄປຈົນເຖິງຢາຕ້ານມະເຮັງ.
ວຽກງານຂອງທ່ານ ອານັນດະຄຸມາ ໄດ້ສ່ອງແສງເສັ້ນທາງໄປສູ່ອະນາຄົດບ່ອນທີ່ AI ແລະ ວິທະຍາສາດເສີມສ້າງກັນ ແລະ ກັນ: ບ່ອນທີ່ຄວາມຮູ້ທາງດ້ານວິທະຍາສາດຖືກລວມເຂົ້າກັບຄວາມເຂົ້າໃຈຂອງ AI ກ່ຽວກັບໂລກທາງດ້ານຮ່າງກາຍ, ເພີ່ມຄວາມສາມາດຂອງມັນ; ແລະບ່ອນທີ່ລະບົບ AI ສາມາດສ້າງ ແລະ ທົດສອບແນວຄິດໃໝ່. “ຫ້ອງທົດລອງຫລາຍແຫ່ງ, ລວມທັງພວກເຮົາ, ກຳລັງສ້າງສິ່ງນີ້,” ນາງກ່າວ. “ມີການຄົ້ນພົບຫລາຍຢ່າງທີ່ກຳລັງເກີດຂຶ້ນໃນຂະນະທີ່ພວກເຮົາກຳລັງເວົ້າຢູ່.”
ໂປຣໄຟລ໌ນີ້ໄດ້ຖືກເຜີຍແຜ່ເປັນສ່ວນໜຶ່ງຂອງການລິເລີ່ມ TIME100 Impact Awards ຂອງ TIME, ເຊິ່ງຮັບຮູ້ຜູ້ນຳຈາກທົ່ວໂລກທີ່ກຳລັງສ້າງການປ່ຽນແປງໃນຊຸມຊົນຂອງພວກເຂົາ. ພິທີມອບລາງວັນ TIME100 Impact Awards ຄັ້ງຕໍ່ໄປຈະຈັດຂຶ້ນໃນວັນທີ 10 ເດືອນກຸມພາ ທີ່ Dubai.