13

ความสามารถหลักและมุมมองใหม่ของนักวิจัย

AI999第5课:方法演化:从优化解到优化算法本身
00:00

ในการทำวิจัยโดยใช้ AI ช่วย ความสามารถหลักของนักวิจัยกำลังผ่านการปรับมุมมอง:ในอดีตเราวัดความสามารถจาก «ความสามารถในการเขียนโค้ดด้วยตนเอง» แต่ปัจจุบัน AI สามารถสร้างโค้ดและสคริปต์การทดลองได้อย่างรวดเร็ว สิ่งที่หายากจริง ๆ คือการตั้งคำถามสำคัญ การกำหนดเกณฑ์การประเมินและการเปรียบเทียบที่เป็นธรรม และการตัดสินอย่างมีวิจารณญาณต่อหลักฐานที่ AI สร้างขึ้น

แผนภาพเรดาร์เปรียบเทียบความสามารถหลักด้านการวิจัยในยุค AIความสามารถหลักและมุมมองใหม่ของนักวิจัยAI สร้างคำตอบ มนุษย์กำหนดทิศทาง: จาก «ผู้ลงมือทำ» สู่ «ผู้กำหนดปัญหา · ผู้ออกแบบการทดลอง · ผู้ตัดสินหลักฐาน»การเปลี่ยนบทบาท: จากผู้ลงมือทำสู่ผู้ตัดสินหลักฐานเมื่อต้นทุนการลงมือทำลดลง จุดเน้นของนักวิจัยจึงขยับสูงขึ้น1ผู้กำหนดปัญหาตัดสินว่าปัญหาประเภทใดมีคุณค่าทางวิทยาศาสตร์ไม่ใช่ปัญหาประเภทที่ให้ผลลัพธ์ง่ายที่สุด2ผู้ออกแบบการทดลองแปลงความคิดที่คลุมเครือให้เป็นสิ่งที่ปฏิบัติได้ ทำซ้ำได้และเปรียบเทียบได้ในรูปแบบระเบียบวิธีการทดลอง3ผู้ตัดสินหลักฐานตั้งข้อสงสัยต่อเส้นโค้งและข้อสรุปที่ AI ให้มาและซักถามถึงขอบเขตความน่าเชื่อถือและเงื่อนไขที่ล้มเหลวทำได้ ≠ มีคุณค่า: ดุลยพินิจคือคุณค่าหลักของนักวิจัยเปรียบเทียบความสามารถหลักด้านการวิจัยในยุค AIจุดเน้นของความสามารถเปลี่ยนจาก «ลงมือทำด้วยตนเอง» สู่ «การตั้งคำถามสำคัญ»การเขียนโค้ด↓การกำหนดปัญหา↑การออกแบบการประเมิน↑การเปรียบเทียบที่เป็นธรรม↑การตัดสินอย่างมีวิจารณญาณ↑รสนิยมทางวิทยาศาสตร์↑นักวิจัยแบบเดิมนักวิจัยที่เติบโตมากับ AI

การเปลี่ยนบทบาท: จากผู้ลงมือทำสู่ผู้ตัดสินหลักฐาน

เมื่อต้นทุนการลงมือทำลดลงอย่างมาก บทบาทของนักวิจัยขยับจาก «ผู้ลงมือทำ» สู่ผู้กำหนดปัญหา ผู้ออกแบบการทดลอง และผู้ตัดสินหลักฐานAI รับหน้าที่เปลี่ยนความคิดให้เป็นคำตอบที่รันได้ แต่ «คำถามใดควรค่าแก่การตอบ หลักฐานใดควรค่าแก่การเชื่อ» ยังคงเป็นสิ่งที่นักวิจัยต้องตัดสินใจเอง

  • ผู้กำหนดปัญหา:ตัดสินว่าปัญหาประเภทใดมีคุณค่าทางวิทยาศาสตร์ ไม่ใช่ปัญหาประเภทที่ให้ผลลัพธ์ง่ายที่สุด
  • ผู้ออกแบบการทดลอง:แปลงความคิดที่คลุมเครือให้เป็นระเบียบวิธีการทดลองที่ปฏิบัติได้ ทำซ้ำได้ และเปรียบเทียบได้
  • ผู้ตัดสินหลักฐาน:ตั้งข้อสงสัยต่อเส้นโค้ง ตัวชี้วัด และข้อสรุปที่ AI ให้มา และซักถามถึงขอบเขตความน่าเชื่อถือและเงื่อนไขที่ล้มเหลว

คำถามสำคัญสามประเภทที่มนุษย์ต้องเป็นผู้ตอบ

  1. สิ่งที่ต้องการเปลี่ยนแปลง:ครั้งนี้จะปรับพารามิเตอร์การปรับเหมาะ การเขียนโปรแกรม โครงสร้างอัลกอริทึม หรือกระบวนการวิจัยเอง? การเปลี่ยนแปลงในระดับที่ต่างกัน ย่อมมีความหมายของข้อสรุปที่ต่างกันโดยสิ้นเชิง
  2. ผลป้อนกลับของการประเมิน:ใช้อะไรเป็นตัวชี้วัดในการตรวจสอบ ใช้อะไรเป็นสัญญาณตัวแทนเพื่อประมาณเป้าหมายจริง เกณฑ์ผ่านอยู่ที่ระดับใด และกรณีใดถือว่าล้มเหลว——ทั้งสี่อย่างนี้ขาดสิ่งใดไม่ได้
  3. การเปรียบเทียบที่เป็นธรรม:เส้นฐาน งบประมาณ ความสุ่ม เงื่อนไขกำลังประมวลผล และการทดสอบทางสถิติสอดคล้องกันหรือไม่ การเปรียบเทียบที่ไม่สอดคล้องกันมักตีความความผันผวนแบบสุ่มหรือข้อได้เปรียบด้านกำลังประมวลผลเป็นความก้าวหน้าของอัลกอริทึม

ทำไม «รสนิยม» จึงสำคัญยิ่ง

AI สามารถสร้างแนวทางที่ «รันได้» จำนวนมาก แต่การทำได้ไม่เท่ากับการมีคุณค่าTaste matters:การตัดสินในบรรดาแนวทางที่ทำได้หลายหลากว่า ปัญหาใด สมมติฐานใด หลักฐานใดมีคุณค่าทางวิทยาศาสตร์อย่างแท้จริง นี่คือคุณค่าหลักของนักวิจัยที่เป็นมนุษย์ สอดคล้องกัน จุดเน้นของความสามารถเปลี่ยนจากความเร็วในการเขียนโค้ดเพียงอย่างเดียว สู่การคิดเชิงวิพากษ์ การนามธรรมเชิงระบบ การตัดสินในสาขา และการแบ่งงานระหว่างมนุษย์กับเครื่องจักร

กรณีศึกษา: งานประเภท EvoX / MetaDE
AI สามารถสร้างตัวแปรของตัวดำเนินการกลายพันธุ์หลายสิบแบบพร้อมสคริปต์การทดลองที่เกี่ยวข้องได้ภายในวันเดียว แต่นักวิจัยต้องตัดสินใจว่า จะปรับปรุงตัวดำเนินการกลายพันธุ์ ปรับกระบวนการประเมิน หรือสร้างโครงสร้างของปริภูมิการค้นหาใหม่? และตั้งตัวชี้วัดหลายเป้าหมายและเส้นฐานที่เป็นธรรมตามนั้น มิฉะนั้นสิ่งที่ได้คือเพียงผลลัพธ์ที่ «รันได้» ไม่ใช่ความรู้ที่เชื่อถือได้