De obstakels van AI bij chemische innovatie: de impact van de Polyani-paradox
Zoals hier gemeld, heeft AI in 2023 voor veel sectoren een transformatieve rol gespeeld, waaronder biotechnologie, gezondheidszorg, financiën, onderwijs en meer. Dat gezegd hebbende, staat AI ook voor veel uitdagingen en in het onderstaande hoofdartikel van Nature wordt de trage vooruitgang besproken van het gebruik van AI en geautomatiseerde systemen voor chemische synthese. Deze discussie bevat belangrijke lessen voor het gebruik van AI in het algemeen en suggereert mogelijk dat de Polyani-paradox een aanzienlijke belemmering vormt voor AI-gedreven innovatie.
De belangrijkste uitdagingen bij het gebruik van AI bij de ontwikkeling van nieuwe en verbeterde chemische syntheseprocessen zijn onder meer:
- Bestaande automatische systemen om AI-outputs te testen kunnen slechts een beperkt aantal chemische reacties uitvoeren in vergelijking met een menselijke chemicus.
- Gebrek aan voldoende gegevens
- Gebrek aan gegevens over negatieve resultaten, zoals reactieomstandigheden die niet werkten
Toekomstige ontwikkelingen op het gebied van robotica zullen zeker leiden tot automatische systemen die een uitgebreider scala aan chemische reacties kunnen testen, en de hoeveelheid gegevens die beschikbaar is voor het trainen van AI-systemen neemt voortdurend toe. De algemene behoefte aan meer gegevens voor hongerige AI-modellen kan ook worden opgelost door de ontwikkeling van gespecialiseerde AI-systemen zoals AlphaFold.
Het gebrek aan negatieve gegevens kan echter een lastig probleem zijn, omdat negatieve gegevens zelden door wetenschappelijke tijdschriften worden gepubliceerd. Chemici pakken dit probleem aan met initiatieven zoals de 'Open Reaction Database', maar het blijft een aanzienlijke hindernis.
Het probleem van negatieve gegevens wijst op een dieper liggend probleem voor AI in wetenschappelijke innovatie, dat vaak wordt aangeduid als de Polyani-paradox, naar de gelijknamige wetenschapsfilosoof. Volgens Polyani is wetenschappelijke ontdekking gebaseerd op persoonlijke kennis die door ervaring wordt verworven en onbewust wordt geïnternaliseerd. De Polyani-paradox kan worden samengevat als: "We kunnen meer weten dan we kunnen vertellen."
Negatieve gegevenspunten zijn vaak geïnternaliseerde en onuitgesproken ervaringen die deel gaan uitmaken van de persoonlijke kennis van individuen of groepen wetenschappers. Informatie, inzichten en ervaringen die cruciaal zijn voor innovatie worden dus mogelijk nooit verbaal of in een tastbare propositie-vorm uitgedrukt waar AI-modellen van kunnen leren. Negatieve gegevens en de Polyani-paradox kunnen bijgevolg cruciale blinde vlekken zijn van bepaalde toepassingen van AI en essentieel zijn om rekening mee te houden bij het gebruik van AI-modellen, of het nu gaat om wetenschappelijke ontdekkingen of andere menselijke activiteiten, zoals het oplossen van juridische problemen. Om beter te worden dan een menselijke chemicus, zoals gevraagd door de redactie van Nature, moeten AI-modellen op de een of andere manier de Polyani-paradox overwinnen.
Chemische toepassingen vereisen computermodellen die beter zijn dan de beste menselijke wetenschappers. Alleen door maatregelen te nemen om gegevens te verzamelen en te delen, zal AI aan de verwachtingen op chemisch gebied kunnen voldoen en voorkomen dat het een geval van hype boven hoop wordt.
Bekijk artikel waarnaar wordt verwezen
