Mikor oldhatnak meg együtt az MI-modellek
tudományos problémákat?
(2025 október)
Már vannak összekapcsolt MI-modellek. A hálón USB-C* csatlakozóval működnek együtt. Az API (Application Programming Interface, alkalmazásprogramozási felület) egy MI szoftverkomponensek közötti is kommunikációt lehetővé tevő, szabályokból és protokollokból álló rendszer. A tudományos problémák megoldása, és a szélesebb körű együttműködés fel fog gyorsulni a következő néhány évben, nemzetközi szinten is. MI válasz:
A ToolUniverse egy új, a Harvardon kifejlesztett, az MI-k összekapcsolására kifejlesztett keretrendszer, lehetővé teszi a (https://kempnerinstitute.harvard.edu/research/deeper-learning/from-models-to-scientists-building-ai-agents-for-scientific-discovery/), amely nagy nyelvi modellek (LLM-ek) számára, hogy több mint 600 tudományos eszközzel – például adatbázisokkal, szimulátorokkal és más MI-modellekkel** – interakcióba lépjenek. A rendszer lehetővé teszi a MI-ágensek számára, hogy moduláris, együttműködő módon érveljenek, tervezzenek és döntsenek tudományos problémák megoldásában. A Mix-kereső ágenseknél (MOSA) több MI-modell egyszerre vizsgálja a különböző érvelési lehetőségeket, hipotézoseket, a módszer segíti lebontani az egymodelles érvelés korlátait azzal, hogy különböző érvelési lehetőségeket kombinál.
A Stanford Egyetemen (Kalifornia) a kutatók „virtuális tudósokat” hoztak létre: MI-vezérelt laboratóriumokat egy MI-vezető kutatóval, és támogató ágensekkel. A rendszer már napok alatt ígéretes ötleteket generált a COVID-19 vakcina fejlesztésére. Az ágenseket molekuláris kölcsönhatások szimulálására, új gyógyszerjelöltek vizsgálatára és vakcinatervek optimalizálására használják. Fizika és mérnöki tudományokban az MI együttműködés segít az összetett rendszerek modellezésében és a hipotézisek gyors tesztelésében.
Hogyan működnek együtt az összekapcsolt MI-modellek?
Adatmegosztás: a nyílt adatkészleteken (például a NASA HLS-archívumán) betanított MI-modelleket más modellekkel finomhangolják, ami egy visszacsatolási hurkot hoz létre a kutatás-fejlesztésben.
Moduláris MI-ügynökök: egyes rendszerek speciális ágenseket használnak – egyet az adatbevitelhez, egy másikat a modellezéshez, szimulációhoz, verifikációhoz, egy pedig harmadikat az értelmezéshez –, amelyek együttműködnek. Az értelmezés miatt nevezzük intelligensnek az MI-t, a nagy nyelvi modellekhez kellett kifejleszteni.
Hipotézis megosztás, megosztott tanulás: az MI-modellek elosztott adatforrásokból tanulnak az adatok központosítása nélkül, megőrizve az adatvédelmet, de az eredményeket, a tanult mintázatokat megosztják. Az MI az egyszerű statisztikai előrejelzésektől az összetett tudományos elméletekig, az adatok és a meglévő szakirodalom mintázatainak elemzésével tud hipotéziseket generálni. A hipotézisek típusai:
- Nullhipotézisek. melyek azt állítják, hogy nincs kapcsolat a vizsgált változók között.
- Alternatív hipotézisek kapcsolatot feltételeznek.
- Ok-okozat kapcsolat hipotézisek,
- Korrelációt feltételező hipotéziseken alapulnak a vizsgálatok.
Az MI új, adatvezérelt, korábban még nem tesztelt hipotéziseket is képes felállítani, ami különösen hasznos olyan adathalmazok esetén, melyeket még nem vizsgáltunk. A nagy nyelvi modellek (LLM-ek), hatalmas adathalmazokon keresztül képesek kiszűrni azokat a korrelációkat vagy anomáliákat, amelyek új hipotézist sejtetnek. Az MI-k tudományos cikkeket elemeznek, a hiányosságokat vagy a visszatérő témákat észlelik, majd olyan hipotéziseket javasolnak, amelyek ezeket a hiányosságokat orvosolják, és a kapcsolt MI-k összevetik a hipotéziseket. Szimuláció és modellezés esetén, pl. a fizika vagy a klímakutatások területén az MI képes forgatókönyveket szimulálni és hipotéziseket generálni a rendszerek viselkedéséről eltérő körülmények, kezdeti feltételek esetén.
A jövő
2025–2027: A mesterséges intelligencia által létrehozott kapcsolatok szélesebb körű alkalmazása várható a kutatóintézetekben és az ipari laboratóriumokban. Az ágensek a hipotézisek generálásával, a kísérlettervezéssel és az adatelemzéssel foglalkoznak majd.
2030 után: az MI által létrehozott ágensek önállóan javasolhatnak és tesztelhetnek tudományos részelméleteket, ami talán felfedezésekhez vezethet olyan területeken, mint a kvantumfizika, az éghajlattudomány és a szintetikus biológia.
Az klíma kutatásokban az MI modellek együttműködnek az előrejelzések javításában, a környezeti adatok elemzésében (MI válasz):
A NASA és az IBM AI Geospatial Foundation Model: a közös erőfeszítés műholdas adatkészleteket (mint például a Landsat és a Sentinel-2) használ olyan MI-modellek betanítására, amelyek képesek a környezeti változások észlelésére, az erdőirtás nyomon követésére és a városi hőszigetek monitorozására. A modelleket úgy tervezték, hogy más kutatók is megoszthassák és újra felhasználhassák őket, lehetővé téve a nemzetközi együttműködést.
AI4Climate az Egyesült Királyság Met Office a kezdeményezése, integrálja a gépi tanulást a hagyományos fizikai alapú éghajlati modellekkel. A cél a pontosabb, lokalizált éghajlati előrejelzések gyorsabb és megfizethetőbb biztosítása. A globális együttműködést is támogatja úgy, hogy a MI-eszközöket világszerte elérhetővé teszi az éghajlatkutatók számára.
Az NSF és az NCAR kísérleti előrejelzési modelljei: a modellek MI-t használnak a csapadék és a szélsőséges időjárási események nagy felbontású szimulálására. A különböző adatkészleteken betanított több MI-ügynök kombinálásával a kutatók olyan adaptív előrejelzéseket készítenek, amelyek pontosabbak a mai előrejelzéseknél.
A Georgia Tech nemzetközi MI-klíma együttműködése: A kutatók gépi tanulást használnak az összetett éghajlati fizika, például az óceáni áramlatok és a gleccserolvadás feltérképezésére. Ezeket a modelleket nemzetközi együttműködés keretében építik és finomítják, bemutatva, hogyan tudnak együttműködni az intézmények közötti MI-ügynökök a Föld rendszereinek dekódolásában.
2026–2030: Várhatóan MI-ügynökök fognak közösen tervezni az éghajlati beavatkozásokat, szimulálni a geomérnöki forgatókönyveket és optimalizálni a megújuló energiaforrások alkalmazásait.
2030 után: A mesterséges intelligencia által támogatott rendszerek autonóm módon figyelhetik a földi rendszereket, észlelik a várható katasztrófákat, és valós időben javasolnak beavatkozásokat, és automata módba kapcsolható lesz a védekezés. A katasztrófák megelőzése prioritást kap a politikusoknál is, mert nem népszerű a megelőzés, és költséges. Pl. Izland gyorsan melegszik, a Guardian cikke szerint közel
(https://www.theguardian.com/environment/2025/oct/21/mosquitoes-found-iceland-first-time-climate-crisis-warms-country), négyszer olyan gyorsan, mint az északi félteke többi része, már a délről származó makrélát is megfigyelték. Az már veszélyes Izlandra nézve, hogy a szúnyogok északabbra húzódnak világszerte, az Egyesült Királyságban idén már a nílusi szúnyogot és ázsiai tigrisszúnyogot is találtak már, mert Izland nedves, néhol mocsaras hely.
*
Az USB-C egy 24 tűs USB csatlakozórendszer (https://hu.wikipedia.org/wiki/USB-C). Mérete a micro-USB méretéhez hasonló (8,4 x 2,6 milliméter), de a csatlakozó szimmetrikus. Legalább 10 000 csatlakoztatási műveletre tervezték, így tartós, és keskeny készülékek esetén is használható. Elfogadása IEC szabványként: IEC 62680-1-4:2018 (2018-04-10) "Universal Serial Bus interfaces for data and power - Part 1-4: Common components - USB Type-C™ Authentication Specification"
**
Tartalomkészítés (szövegből szöveggé): Az MI automatizálja a cikkek és marketingtartalmak létrehozását, 40%-kal csökkentve a feladatidőt, lehetővé téve a stratégiai tervezést és a kreativitást.
Műszaki és művészeti tervezés: (szövegből/képből képpé): Az MI lehetővé teszi a művészek számára, hogy egyedi vizuális művészeti alkotásokat és műszaki terveket alkossanak.
Szoftverfejlesztés (szövegből kóddá): Az MI javítja a szoftverfejlesztést a kód generálásával, a tesztelés javításával és a megoldások javaslatával, ami 30%-kal több hibaazonosításhoz és gyorsabb ciklusokhoz vezet.
Nyelvfordítás (szövegből szöveggé/hanggá): Az MI valós időben fordítja le a szöveget és a beszédet 95%-os pontossággal, lehetővé téve a zökkenőmentes többnyelvű kommunikációt és a globális együttműködést.
Egészségügy (képből szöveggé/képpé/diagnózis): Az MI segíti az orvosi képelemzést és a diagnózist, 20%-kal javítva az észlelési pontosságot a pontosabb és időszerűbb diagnózis érdekében.
Pénzügyek (szöveg/kép prediktív modellekké): az MI 85%-os pontossággal elemzi a piaci trendeket és előrejelzi a részvénymozgásokat, 25%-kal növelve a kereskedés jövedelmezőségét.
Az MI-modellek protokollok segítségével kapcsolódnak külső rendszerekhez, ToolUniverse protokollal egymáshoz, és az MCP protokollal, hogy hozzáférjenek adatokhoz, eszközökhöz és munkafolyamatokhoz, és együttműködő ágensekké alakítják őket. Külső rendszerekkel – például adatbázisokkal, naptárakkal, API-kkal*** vagy szoftvereszközökkel – kommunikálhatnak, a szöveggeneráláson túlmutató feladatokat is el tudnak végezni. Az MI-modellek olyanok, mint az intelligens számológépek, érvelnek, a kapcsolatokkal ágensekké válnak, képesek adatokat lekérni, műveleteket indítani és együttműködni más rendszerekkel.
Model Context Protocol (MCP): az Anthropic fejlesztette ki, és amelyet az OpenAI is átvett. Az MCP egy nyílt forráskódú szabvány, amely USB-C portként* működik a MI számára, tehát univerzális. Lehetővé teszi az MI modellek számára:
- hozzáférést keresőmotorokhoz, számológépekhez, tervezőplatformokhoz.
- adatok lekérése a Google Naptárból, a Notion vagy a vállalati adatbázisokból.
- munkafolyamatok végrehajtása, például e-mailek küldése, irányítópultok frissítése vagy dokumentumok elemzése.
- API-k***: A RESTful API-k lehetővé teszik a modellek számára, hogy interakcióba lépjenek szolgáltatásokkal, mint a CRM vagy a jegyrendszerek.
- az üzenetsorok lehetővé teszik az aszinkron kommunikációt a modellek és a háttérrendszerek között.
- a modellek fájlokból, adatbázisokból vagy felhőszolgáltatásokból olvashatnak a válaszok személyre szabása érdekében.
- a frissítheti a táblázatokat, adatokat, jelentéseket generálhat, vagy kezelhet munkafolyamatokat.
***
Az API (Application Programming Interface, alkalmazásprogramozási felület) egy szoftverkomponensek közötti kommunikációt lehetővé tevő, szabályokból és protokollokból álló rendszer. Olyan, mint egy digitális „kapocs”, amely lehetővé teszi, hogy két különböző alkalmazás, vagy egy alkalmazás és egy szolgáltatás biztonságosan, szabványosított módon cseréljen adatokat és funkciókat egymással