Intels Gadi Singer tror att hans viktigaste utmaning är hans senaste:att använda artificiell intelligens (AI) för att omforma vetenskaplig utforskning.

I en Q&A tidsbestämd med den första Intel AI DevCon-händelsen, Intels vicepresident och arkitekturchef för dess Artificial Intelligence Products Group diskuterade sin roll i skärningspunkten mellan vetenskap – datorernas mest krävande kund – och AI, hur forskare bör närma sig AI och varför det är den mest dynamiska och spännande möjlighet han har ställts inför.

F. Hur förändrar AI vetenskapen?

Vetenskaplig utforskning genomgår en övergång som, under de senaste 100 åren, kan bara jämföras med vad som hände på 50- och 60-talen, övergång till data och stora datasystem. På 60 -talet, mängden data som samlades in var så stor att föregångarna inte var de med de bästa instrumenten, utan snarare de som kan analysera data som samlats in inom något vetenskapligt område, om det var klimatet, seismologi, biologi, läkemedel, utforskningen av ny medicin, och så vidare.

I dag, data har gått till nivåer som långt överstiger människors förmåga att ställa särskilda frågor eller leta efter särskilda insikter. Kombinationen av denna dataflod med moderna datorer och tekniker för djupinlärning ger nya och många gånger mer störande möjligheter.

F. Vad är ett exempel?

En av dem, som använder den grundläggande styrkan av djupinlärning, är identifieringen av mycket svaga mönster i en mycket bullrig datauppsättning, och även i avsaknad av en exakt matematisk modell av vad du letar efter.

Tänk på kosmiska händelser som händer i en fjärran galax, och du letar efter några egenskaper hos fenomenen för att upptäcka dem från en mycket stor datamängd. Detta är en instans av sökning utan en känd ekvation, där du kan ge exempel, och genom dem, låt djupinlärningssystemet lära sig vad man ska leta efter och i slutändan ta reda på ett visst mönster.

F. Så du vet vad du letar efter, men du vet inte hur du hittar den?

Du kan inte definiera den exakta matematiska ekvationen eller de frågor som beskriver den. Datan är för stor för att testa och missa och tidigare tekniker för stordataanalys har inte tillräckligt med definierade funktioner för att framgångsrikt söka efter mönstret.

Du vet vad du letar efter eftersom du taggat flera exempel på det i din data, och du kan generellt beskriva det. Deep learning kan hjälpa dig att upptäcka händelser från en sådan klass i en bullrig flerdimensionell datauppsättning.

F. Finns det andra sätt som AI kan förändra det vetenskapliga tillvägagångssättet på?

Ett annat exempel är när du har en matematisk modell, som en uppsättning exakta ekvationer. I det här fallet kan du använda AI för att uppnå jämförbara resultat på 10, 000 gånger mindre tid och beräkning.

Säg att du har en ny molekylär struktur och du vill veta hur den kommer att bete sig i någon miljö för läkemedelsutforskning. Det finns mycket bra prediktiva modeller för hur det kommer att bete sig. Problemet är att dessa modeller tar oerhört mycket beräkning och tid - det kan ta dig veckor att testa bara en kombination.

Mer:Intel AI VP Gadi Singer på One Song to the Tune of Another (The Next Platform) | Intel AI DevCon (Press Kit) | Artificiell intelligens hos Intel (Press Kit) | Fler Intel Explainers

I så fall, du kan använda ett djupinlärningssystem för att skugga det korrekta ekvationssystemet. Du matar iterativt exempelfall till detta ekvationssystem, och du får resultaten dagar senare. Nätverket för djupinlärning lär sig förhållandet mellan input och output, utan att känna till själva ekvationen. Det bara spårar det. Det visades i flera fall att, efter att du tränat djupinlärningssystemet med tillräckligt många exempel, den visar utmärkt förmåga att förutsäga resultatet som kommer att ges av den exakta modellen. Detta översätts till en effektivitet som kan förvandla timmar eller dagar till andra.

Beviljat, ibland kommer hela beräkningen att krävas för ultimat modellnoggrannhet. Dock, som bara skulle behövas för en liten delmängd av fall. Det faktum att du kan generera ett exakt resultat så mycket snabbare med en bråkdel av kraften och tiden gör att du kan utforska det potentiella lösningsutrymmet mycket snabbare.

Under de senaste två åren, nya maskininlärningsmetoder har dykt upp för att "lära sig hur man lär sig." Dessa teknologier tar itu med en nästan oändlig värld av alternativ – som alla möjliga mutationer i mänskligt DNA – och använder utforsknings- och meta-inlärningstekniker för att identifiera de mest relevanta alternativen att utvärdera.

F. Vilken är den stora inverkan på den vetenskapliga metoden eller bara det tillvägagångssätt som en vetenskapsman skulle ta med AI?

Forskare måste samarbeta med AI. De kan ha stor nytta av att behärska verktygen för AI, som djupinlärning och andra, för att utforska fenomen som är mindre definierade, eller när de behöver snabbare prestanda i storleksordningar för att hantera ett stort utrymme. Forskare kan samarbeta med maskininlärning för att utforska och undersöka vilka nya möjligheter som har störst sannolikhet för genombrott och nya lösningar.

F. Jag antar att du kan gå i pension om du vill. Vad håller dig igång nu?

Väl, Jag har det jättebra. AI hos Intel idag handlar om att lösa de mest spännande och mest utmanande problemen som industrin och vetenskapen står inför. Det här är ett område som rör sig snabbare än något annat jag har sett under mina 35 år på Intel, överlägset.

Den andra aspekten är att jag ser det som en förändring som håller på att brygga i samspelet mellan människor och maskiner. Jag vill vara en del av arbetet med att skapa denna nya länk. När jag pratar om partnerskap mellan vetenskap och AI, eller autonoma fordon och andra områden, det finns en roll här för ett bredare tänkande än bara hur man ger den snabbaste processorn för uppgiften. Denna nyskapade interaktion mellan människor och AI är en annan fascinerande del av detta utrymme.