По Genesis Mission. Я бы отнесся со всей серьезностью. Скептики считают, что это лишь способ поддержать убыточную ИИ индустрию. Думаю, ставки тут выше, и главная мотивация — не дать Китаю бросить вызов лидерству США в науке и технологиях. В рамках текущей модели Китай уже ставит его под вопрос, и тренд необходимо сломать. Поэтому они 'подрывают' саму модель научного познания: transform how science is done.

Планы см. в указе Трампа. Там не случайно идет сравнение с Манхэттенским проектом: это и целеполагание, и уровень амбиций. Если сработает, эффекты могут быть глубокими. Темп открытий ускорится, теории утратят былую силу, а передовую науку будут делать те, кто владеет огромным объемом вычислений и данных (т.е. США): “объединив учёных с интеллектуальными системами, которые рассуждают, моделируют и экспериментируют с невероятной скоростью”. Впрочем, и Китай активно накапливает данные и инвестирует в выч. мощности — эти двое и останутся на ринге, никто больше не потянет такую науку.

Ровно три года назад я писал в одном науч-поп издании про перспективы ИИ в науке и, в частности, про идею генеративного моделирования. Теперь это имеет прямое отношение к Genesis Mission:

“Модель обучают на реальных данных экспериментов или наблюдений, а затем она создает синтетические данные как способ проверки гипотез. Так удалось выяснить, от чего зависит затухание звездообразования в галактиках. Швейцарские астрофизики из ETH Zurich загрузили в модель данные о галактиках, находящихся в среде с низкой плотностью, и попросили показать, как бы выглядели эти галактики в среде с высокой плотностью.

Что отличает этот подход от обычного моделирования — программе не дают заранее никаких правил и знаний о физических процессах, только исходные данные. По сути, ИИ ищет взаимосвязи между разными параметрами и узнаёт, как изменятся одни параметры, если изменить другие. Так можно проверить огромное множество сценариев, включая и те, что никогда не удастся наблюдать. Для ученых ключевой вопрос здесь в том, сколько всего полезной информации скрыто в данных и как ее извлечь по максимуму. […] Некоторые ученые называют генеративное моделирование «третьим способом» познания Вселенной (наряду с наблюдением и обычным моделированием), подчеркивая его независимость от теор

ий”.