Hindernisse für KI bei chemischen Innovationen: Der Polyani-Paradoxon-Effekt
Wie hier berichtet, hat KI im Jahr 2023 viele Branchen verändert, darunter Biotechnologie, Gesundheitswesen, Finanzwesen, Bildung und mehr. Allerdings steht KI auch vor vielen Herausforderungen. Der folgende Leitartikel aus Nature befasst sich mit den langsamen Fortschritten beim Einsatz von KI und automatisierten Systemen für die chemische Synthese. Diese Diskussion enthält wichtige Erkenntnisse für den Einsatz von KI im Allgemeinen und könnte darauf hindeuten, dass das Polanyi-Paradoxon ein erhebliches Hindernis für KI-getriebene Innovationen darstellt.
Die größten Herausforderungen beim Einsatz von KI bei der Entwicklung neuer und verbesserter chemischer Syntheseverfahren sind unter anderem die folgenden:
- Bestehende automatische Systeme zum Testen von KI-Ergebnissen können im Vergleich zu einem menschlichen Chemiker nur einen begrenzten Bereich chemischer Reaktionen ausprobieren.
- Mangel an ausreichenden Daten
- Fehlende Daten zu negativen Ergebnissen, wie beispielsweise Reaktionsbedingungen, die nicht funktioniert haben
Zukünftige Entwicklungen in der Robotik werden sicherlich automatische Systeme hervorbringen, die umfassendere Bereiche chemischer Reaktionen testen können, und die Menge der für das Training von KI-Systemen verfügbaren Daten nimmt kontinuierlich zu. Der allgemeine Bedarf an mehr Daten für hungrige KI-Modelle könnte auch durch die Entwicklung spezialisierter KI-Systeme wie AlphaFold gelöst werden.
Das Problem des Mangels an negativen Daten könnte jedoch schwer zu lösen sein, da negative Daten von wissenschaftlichen Zeitschriften nur selten veröffentlicht werden. Chemiker versuchen, dieses Problem durch Initiativen wie die „Open Reaction Database“ anzugehen, aber es bleibt eine große Hürde.
Das Problem der negativen Daten weist auf ein tiefer liegendes Problem für KI in der wissenschaftlichen Innovation hin, das oft als Polyani-Paradox bezeichnet wird, benannt nach dem gleichnamigen Wissenschaftsphilosophen. Laut Polyani beruhen wissenschaftliche Entdeckungen auf persönlichem Wissen, das durch Erfahrung erworben und unbewusst verinnerlicht wird. Das Polyani-Paradox lässt sich wie folgt zusammenfassen: „Wir können mehr wissen, als wir sagen können.“
Negative Datenpunkte sind oft verinnerlichte und unausgesprochene Erfahrungen, die Teil des persönlichen Wissens von Einzelpersonen oder Gruppen von Wissenschaftlern werden. Daher werden Informationen, Erkenntnisse und Erfahrungen, die für Innovationen entscheidend sind, möglicherweise nie verbal oder in einer konkreten Form ausgedrückt, aus der KI-Modelle lernen können. Negative Daten und das Polanyi-Paradoxon können daher entscheidende blinde Flecken bestimmter KI-Anwendungen sein, die bei der Verwendung von KI-Modellen unbedingt zu beachten sind, sei es für wissenschaftliche Entdeckungen oder für andere menschliche Unternehmungen wie die Lösung rechtlicher Probleme. Um besser als ein menschlicher Chemiker zu werden, wie es die Nature-Redaktion fordert, müssen KI-Modelle das Polanyi-Paradoxon irgendwie überwinden.
Chemieanwendungen erfordern Computermodelle, die besser sind als die besten Wissenschaftler. Nur durch Maßnahmen zur Datenerfassung und -weitergabe kann KI die Erwartungen in der Chemie erfüllen und vermeiden, dass sie zu einem Fall von übertriebenen Hoffnungen wird.
Referenzierten Artikel anzeigen
