AIPromptSmarteasy 사용해 보기 – 번역 – The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery
[전문 번역]
## 사카나 AI
### AI 과학자: 완전 자동화된 개방형 과학적 발견을 향하여
2024년 8월 13일
사카나 AI에서 우리는 최첨단 기반 모델을 발전시키기 위해 자연에서 영감을 얻은 방법을 개척해 왔습니다. 올해 초, 우리는 여러 LLM의 지식을 자동으로 통합하는 방법을 개발했습니다. 최근 작업에서는 다른 LLM을 조정하기 위한 새로운 목적 함수를 발견하기 위해 LLM을 활용했습니다. 이러한 프로젝트를 통해 우리는 현재의 최첨단 모델의 창의적인 능력에 지속적으로 놀랐습니다. 이는 우리에게 더 큰 꿈을 꾸게 했습니다. 기반 모델을 사용하여 연구 자체의 전체 프로세스를 자동화할 수 있을까요?
**소개**
인공 지능의 주요 과제 중 하나는 과학 연구를 수행하고 새로운 지식을 발견할 수 있는 에이전트를 개발하는 것입니다. 최첨단 모델은 이미 아이디어 브레인스토밍이나 코드 작성과 같은 작업을 통해 인간 과학자들을 돕는 데 사용되었지만, 여전히 광범위한 수동 감독이 필요하거나 특정 작업에 크게 제한됩니다.
오늘, 우리는 AI 과학자를 소개하게 되어 기쁩니다. AI 과학자는 완전 자동화된 과학적 발견을 위한 최초의 종합 시스템으로, 대규모 언어 모델(LLM)과 같은 기반 모델이 독립적으로 연구를 수행할 수 있도록 합니다. 옥스포드 대학교의 Foerster AI 연구소와 브리티시 컬럼비아 대학교의 Jeff Clune 및 Cong Lu와 협력하여, 우리는 새로운 논문 “AI 과학자: 완전 자동화된 개방형 과학적 발견을 향하여”를 발표하게 되어 기쁩니다.
**보고서에서**
* 우리는 기계 학습 연구에 적용된 자동화된 과학적 발견을 위한 완전 AI 기반 시스템을 제안하고 실행합니다.
* AI 과학자는 새로운 연구 아이디어 생성, 필요한 코드 작성 및 실험 실행에서부터 실험 결과 요약, 시각화 및 전체 과학 논문으로 결과 발표에 이르기까지 연구 수명 주기 전체를 자동화합니다.
* 또한 생성된 논문을 평가하고, 피드백을 작성하고, 결과를 더욱 개선하기 위한 자동화된 동료 검토 프로세스를 도입합니다. 이는 인간과 유사한 정확도로 생성된 논문을 평가할 수 있습니다.
* 자동화된 과학적 발견 프로세스는 개방형 방식으로 아이디어를 반복적으로 개발하고, 점점 더 커지는 지식 아카이브에 추가하여 인간 과학계를 모방합니다.
* 이 첫 번째 데모에서 AI 과학자는 기계 학습 연구 내 다양한 하위 분야에서 연구를 수행하여 확산 모델, 변환기 및 그로킹과 같은 인기 분야에서 새로운 기여를 발견합니다.
AI 과학자는 컴퓨팅 효율성을 위해 설계되었습니다. 각 아이디어는 논문 하나당 약 15달러의 비용으로 구현되고 전체 논문으로 개발됩니다. 이 첫 번째 버전에서 생성된 논문에는 여전히 때때로 결함이 있지만(아래와 보고서에서 논의됨), 이러한 비용과 시스템이 지금까지 보여주는 약속은 AI 과학자가 연구를 민주화하고 과학적 진보를 크게 가속화할 수 있는 잠재력을 보여줍니다.
우리는 이 연구가 과학적 발견의 새로운 시대의 시작을 의미한다고 믿습니다. AI 에이전트의 변혁적인 이점을 AI 자체를 포함한 전체 연구 프로세스에 적용하는 것입니다. AI 과학자는 세계에서 가장 어려운 문제에 대한 끝없는 저렴한 창의성과 혁신을 발휘할 수 있는 세상에 더 가까이 다가가게 합니다.
각 주요 AI 발전 이후 수십 년 동안, AI 연구자들은 서로에게 “이제 우리가 해야 할 일은 AI가 논문을 대신 작성하게 만드는 방법을 알아내는 것뿐이야!”라고 농담하는 것이 일반적이었습니다. 우리의 연구는 이 아이디어가 모든 사람이 웃기다고 생각했던 비현실적인 환상적인 농담에서 현재 가능한 것으로 바뀌었음을 보여줍니다.
AI 과학자가 생성한 “적응형 이중 규모 잡음 제거”라는 예시 논문입니다. 전체 논문은 여기에서 볼 수 있습니다. 이 방법이 성공적인 이유에 대한 약간 설득력이 부족한 해석과 같은 몇 가지 결함이 있지만, 이 논문은 AI 과학자가 직접 수행하고 동료 검토한 실험에서 좋은 실증적 결과를 보여주는 흥미로운 새로운 방향을 제시합니다. 생성된 논문의 더 많은 예는 아래에 나와 있습니다.
이 게시글의 나머지 부분에서는 AI 과학자를 더 자세히 요약합니다. 다음 내용을 읽어보세요.
* AI 과학자가 어떻게 작동하는지에 대한 개요
* AI 과학자가 발견한 생성된 논문과 혁신의 더 많은 예
* AI 과학자의 현재 버전이 직면한 알려진 제한 사항과 과제
* AI 과학자가 자신의 실행 스크립트를 수정하고 실행하는 것과 같이 성공 가능성을 높이기 위해 때때로 수행하는 흥미롭고 예상치 못한 작업! 우리는 논문에서 AI 안전성에 대한 함의를 논의합니다.
* AI 과학자의 윤리적 및 광범위한 미래적 함의에 대한 논의
더 자세한 내용과 더 많은 예시 논문은 전체 과학 보고서를 참조하세요. 또한 GitHub 저장소에 오픈 소스 코드와 전체 실험 결과를 공개합니다.
**AI 과학자 개요**
AI 과학자는 최근 기반 모델의 발전을 통해 가능해진 엔드 투 엔드 논문 생성을 위한 완전 자동화된 파이프라인입니다. GitHub에서 사용 가능한 이전 연구의 오픈 소스 코드베이스와 같이 간단한 초기 코드베이스에서 시작하는 광범위한 연구 방향이 주어지면, AI 과학자는 통찰력 있는 논문을 생성하기 위해 아이디어 생성, 문헌 검색, 실험 계획, 실험 반복, 그림 생성, 원고 작성 및 검토를 수행할 수 있습니다. 또한 AI 과학자는 이전 아이디어와 피드백을 사용하여 차세대 아이디어를 개선하는 개방형 루프에서 실행되어 인간 과학계를 모방할 수 있습니다.
AI 과학자의 개념적 그림. AI 과학자는 먼저 아이디어 세트를 브레인스토밍한 다음, 그 참신성을 평가합니다. 다음으로, 자동화된 코드 생성의 최근 발전을 통해 구동되는 코드베이스를 편집하여 새로운 알고리즘을 구현합니다. 그런 다음 과학자는 숫자 데이터와 시각적 요약을 모두 포함하는 결과를 수집하기 위해 실험을 실행합니다. 과학자는 결과를 설명하고 맥락화하는 과학 보고서를 작성합니다. 마지막으로, AI 과학자는 최고 수준의 기계 학습 컨퍼런스 표준을 기반으로 자동화된 동료 검토를 생성합니다. 이 검토는 현재 프로젝트를 개선하고 개방형 아이디어 생성의 미래 세대에 대한 정보를 제공합니다.
AI 과학자는 다음에 설명된 4가지 주요 프로세스를 가지고 있습니다.
**아이디어 생성**. 시작 템플릿이 주어지면, AI 과학자는 먼저 다양한 새로운 연구 방향을 “브레인스토밍”합니다. AI 과학자에게 AI 과학자가 추가로 탐구하도록 원하는 기존 주제의 시작 코드 “템플릿”을 제공합니다. 그러면 AI 과학자는 가능한 모든 연구 방향을 탐색할 수 있습니다. 템플릿에는 논문 작성을 위한 스타일 파일과 섹션 헤더가 포함된 LaTeX 폴더도 포함되어 있습니다. AI 과학자가 Semantic Scholar를 검색하여 아이디어가 새로운지 확인할 수 있도록 합니다.
**실험 반복**. 아이디어와 템플릿이 주어지면, AI 과학자의 두 번째 단계는
🧑🏫: 네, 계속해서 번역해 드리겠습니다.
**오픈 모델**. 이 프로젝트에서 우리는 GPT-4o 및 Sonnet과 같은 다양한 독점적인 최첨단 LLM을 사용했지만, DeepSeek 및 Llama-3과 같은 오픈 모델을 사용하는 것도 탐구했습니다. 현재 Sonnet과 같은 독점 모델이 가장 고품질 논문을 생성합니다. 그러나 Sonnet과 같은 단일 모델이 선두를 유지할 것이라고 기대할 근본적인 이유는 없습니다.
우리는 오픈 모델을 포함한 모든 최첨단 LLM이 계속 개선될 것으로 예상합니다. LLM 간의 경쟁은 LLM의 상품화와 기능 향상으로 이어졌습니다. 따라서 우리의 연구는 기반 모델 공급자와 관련하여 모델에 종속되지 않습니다. 우리는 오픈 모델이 낮은 비용, 보장된 가용성, 향상된 투명성 및 유연성과 같은 상당한 이점을 제공한다는 것을 알았습니다. 앞으로 우리는 제안된 발견 프로세스를 사용하여 오픈 모델을 사용하는 폐쇄 루프 시스템에서 자체적으로 개선되는 AI 연구를 생성하고자 합니다.
**과학자의 역할**. 궁극적으로 우리는 LLM 기반 연구자뿐만 아니라 검토자, 분야 의장 및 전체 컨퍼런스를 포함하는 완전 AI 기반 과학 생태계를 구상합니다. 그러나 우리는 인간 과학자의 역할이 축소될 것이라고 믿지 않습니다. 오히려 과학자의 역할은 새로운 기술에 적응하고 변화하여 식량 사슬을 더 올라갈 것입니다.
⎯
AI 과학자의 도입은 AI가 과학 연구에서 잠재력을 최대한 실현하는 데 중요한 단계를 의미합니다. 발견 프로세스를 자동화하고 AI 기반 검토 시스템을 통합함으로써, 우리는 과학 및 기술의 가장 어려운 분야에서 혁신과 문제 해결을 위한 무한한 가능성의 문을 열었습니다.
그러나 AI 과학자의 현재 반복은 확산 모델링이나 변환기와 같이 확립된 아이디어를 기반으로 혁신하는 강력한 능력을 보여주지만, 이러한 시스템이 궁극적으로 진정으로 패러다임을 바꾸는 아이디어를 제안할 수 있는지는 여전히 미지수입니다. AI 과학자의 미래 버전은 확산 모델링만큼 영향력 있는 아이디어를 제안하거나 다음 변환기 아키텍처를 고안할 수 있을까요? 기계는 궁극적으로 인공 신경망이나 정보 이론과 같은 근본적인 개념을 발명할 수 있을까요?
우리는 AI 과학자가 인간 과학자에게 훌륭한 동반자가 될 것이라고 믿지만, 인간 창의성의 본질과 우연한 혁신의 순간이 인공 에이전트가 수행하는 개방형 발견 프로세스를 통해 복제될 수 있는 정도는 시간이 말해줄 것입니다.
AI를 개선하는 AI를 만들고 싶으신가요? 자세한 내용은 채용 정보 페이지를 참조하세요.
완전 자동화된 AI 물고기가 세상을 발견합니다.
