论AI自动化思维中的隐性成本( 七 )

知识债务的增加 , 也有可能改变我们对基础科学以及对应用技术的思考方式 。 与粒子加速器这类由政府机构斥巨资兴建、并由学术研究机构代为运营的项目不同 , 机器学习工具能够快速在私营企业与学术组织内传播 。 实际上 , 谷歌与Facebook获取预测性数据素材的能力要远超任何计算机科学或者政府统计部门 。 在生意人来看 , 这些知识能不能解释好像没什么关系 , 但知识债务在客观上仍将快速累积 。 最终 , 问题将落在企业手中 , 而非真正有意解决这一切的学术研究人员 。

可以想象 , 源自机器学习的知识不断增长 , 也将使得赞助资金越来越多地涌向那些乐于利用AI技术(而非以人工方式慢慢推进项目)的研究人员手中 。 去年12月 , 研究蛋白质折叠的研究员Mohammed AlQuraishi撰写了一篇论文 , 探讨自己在所在领域的最新成果:创建一套能够以高于人类研究员的准确度预测蛋白质折叠情况的机器学习模型 。 AlQuiraishi对自己无法探明数据理论感到遗憾 , 并表示自己投入大量精力但仍一无所获 。 他在接受采访时表示 , “那些能够提供新的分析洞察力概念的论文或者相关成果 , 实际未能得到同样的重视 。 ”随着机器发现速度的加快 , 人们可能认为这些坚持旧有研究方式的家伙是一帮异类——多此一举而且无可救药地落后于时代 。 相反 , 针对某一特定领域的知识发现类机器学习模型则比知识本身更有价值 , 因为它们能够更快地为该主题提供答案 。

推荐阅读