Sztuczna inteligencja rozwiązała problem, który by zajął ludzkości 274 000 lat

Wyobraź sobie taką sytuację.

Masz przed sobą stos 100 milionów kartek z przepisami. Szukasz dokładnie sześciu, które opiszą, jak zrobić idealne ciasto. Problem? Każda kartka kosztuje cię 500 złotych, czytanie zajmuje cały dzień, a część z nich dosłownie paruje ci w rękach, zanim zdążysz cokolwiek zanotować.

Brzmi frustrująco? No to mamy dokładnie taki scenariusz, z którym mierzyli się naukowcy z Washington State University — tylko że oni mieli po swojej stronie sztuczną inteligencję. I szczerze mówiąc, ich historia jest o wiele ciekawsza niż jakikolwiek escape room.

GRCop-42, czyli metal z charakterem

Zacznijmy od bohatera tej opowieści, czyli stopu o nazwie GRCop-42. Brzmi jak nazwa robota z filmu sci-fi, prawda? W rzeczywistości to stop miedzi, chromu i niobu, stworzony przez NASA, bo zwykłe metale po prostu nie dawały rady.

GRCop-42 trafia do rakietowych silników — konkretnie do komór spalania, gdzie temperatury osiągają wartości, od których twojemu piekarnikowi robi się gorąco. Co ważne, ten metal nie tylko wytrzymuje takie warunki, ale też świetnie odprowadza ciepło. Dzięki temu rakiety nie topią się od środka. Całkiem przydatna cecha.

Jest tylko jeden szkopuł: drukowanie tego metalu w technologii 3D to istna katorga. Wymaga potężnych laserów, ogromnych ilości energii — sprzętu dostępnego tylko dla wielkich koncernów i dużych laboratoriów badawczych.

Dziewięćdziesiąt procent dostępnych na rynku drukarek 3D? Nie podoła. Po prostu nie mają wystarczającej mocy.

Do teraz.

Metoda "próbujemy wszystkiego pod rząd" odpada

Zanim przejdziemy do magii AI, chwilę zastanówmy się, dlaczego to w ogóle był taki problem.

Żeby wydrukować metal w 3D, trzeba ustawić idealne parametry — moc lasera, prędkość, temperaturę i masę innych czynników. Jedna pomyłka i albo nic się nie wydrukuje, albo (dramatyczniej) cały wydruk zamienia się w rozlany metal.

Tradycyjne podejście? No cóż, próbujemy różnych kombinacji, aż w końcu coś wyjdzie.

Brzmi rozsądnie, dopóki nie uświadomisz sobie, że naukowcy mieli do przetestowania ponad 100 milionów możliwych kombinacji. Każda próba kosztuje setki dolarów, wymaga czasu na obróbkę i kogoś, kto dokładnie przeanalizuje wyniki. Gdybyśmy testowali jedną kombinację dziennie, zajęłoby to 274 000 lat. Nie jest to może optymalna strategia.

"Czasami drukowaliśmy daną konfigurację, a produkt po prostu się topił" — mówi Azza Fadhel, doktorantka pracująca nad projektem. "Po prostu nie dało się tego wydrukować, i nawet przy nieograniczonym czasie i budżecie nie bylibyśmy w stanie przetestować wszystkich 100 milionów opcji."

Słabo. To jak szukanie konkretnego ziarenka piasku na plaży, podnosząc je jedno po drugim.

Wchodzi AI: mózg, który się uczy

I tutaj zaczyna się prawdziwa zabawa. Zamiast chaotycznie szukać w ciemności, naukowcy zbudowali system AI, który uczył się na każdym eksperymencie — nawet tym nieudanym.

Pomyśl o tym jak o szukaniu idealnego przepisu. Zamiast bezmyślnie testować każdy krok, AI obserwuje, co się dzieje, gdy zmieniasz każdy składnik. Stopniowo zaczyna rozumieć, które kombinacje działają lepiej, a które gorzej.

Zespół zaczął od zaledwie 37 konfiguracji, które już wcześniej zawiodły. Nie jest to może ogrom danych, ale wystarczyło, żeby AI zaczęło formułować mądre hipotezy.

Od tego momentu AI sugerowało niewielkie grupy nowych ustawień do przetestowania. I tutaj pojawia się sprytna część: system balansował dwoma rzeczami. Czasem wybierał ustawienia, które najprawdopodobniej zadziałają, bo tak wynikało z dotychczasowej wiedzy. Ale innym razem celowo wybierał opcje, co do których nie był pewien — bo te "dzikie strzały" mogły nauczyć go czegoś nowego i uczynić cały model mądrzejszym.

"Zwracali mi wyniki, a ja byłem zadowolony ze wszystkich — nawet jeśli się nie udały — bo każdy wynik poprawiał nasz model AI" — mówi Fadhel.

Szczerze mówiąc, to piękne podejście do porażki.

Finał: sześć zwycięzców

Po zaledwie 40 eksperymentach przeprowadzonych w ciągu trzech miesięcy, AI znalazło sześć udanych konfiguracji przy różnych poziomach mocy lasera. Jedna z nich umożliwiła drukowanie GRCop-42 przy użyciu zaledwie 500 watów mocy — absolutny rekord dla tego stopu.

Sześć sukcesów na 40 prób może nie brzmieć spektakularnie. Ale pamiętaj: szukaliśmy w przestrzeni 100 milionów możliwości, gdzie udane konfiguracje są niezwykle rzadkie. To jak znalezienie sześciu igieł w stogu siana wielkości małego kraju — i to praktycznie nie dotykając samego siana.

A najlepsze? Te udane konfiguracje działały przy niższych mocach. Czyli są kompatybilne z tymi komercyjnymi drukarkami 3D, które wcześniej nie dawały rady. Tymi 90%, które nie mogły drukować tego stopu? Teraz teoretycznie mogą.

Dlaczego to ważne nie tylko dla rakiet

Jasne, jestem fanem kosmosu, więc drukowanie części rakietowych to dla mnie już samo w sobie super sprawa. Ale naukowcy nie zamierzają się zatrzymywać.

To podejście z AI może pomóc w najróżniejszych skomplikowanych problemach, gdzie mamy do przetestowania miliony możliwości — choćby w odkrywaniu leków, gdzie naukowcy szukają odpowiednich kombinacji molekuł do leczenia chorób.

Ta sama logika się sprawdza: zamiast brutalnie przerabiać każdą opcję, używamy AI do mądrzejszego wyszukiwania. To nie jest kwestia zastępowania ludzkiej kreatywności — chodzi o danie badaczom o wiele lepszej mapy, gdy poruszają się po ogromnych, zagmatwanych przestrzeniach.

"Dziewięćdziesiąt procent komercyjnych drukarek nie może drukować tego stopu, więc skoro znaleźliśmy wykonalne parametry procesu, w zasadzie demokratyzujemy drukowanie tego stopu" — mówi Jana Doppa, kierująca badaniami.

To słowo "demokratyzujemy" robi tu ogromną robotę. Gdy tylko ogromne organizacje z sprzętem za miliony dolarów mogą coś wytwarzać, innowacja zwalnia. Gdy mniejsze laboratoria, uczelnie i startupy zyskują dostęp do tych samych materiałów? Nagle mamy o wiele więcej głów pracujących nad problemem.

Moja refleksja

Uwielbiam tę historię, bo pokazuje AI w najlepszym wydaniu: nie jako magiczne zastępstwo ludzkiego wysiłku, ale jako potężne narzędzie, które sprawia, że ten wysiłek naprawdę ma sens.

Naukowcy nie "zlecili wszystko AI". Połączyli swoją wiedzę dziedzinową z umiejętnością AI do efektywnego przeszukiwania ogromnych przestrzeni. Rozumieli, że nawet nieudane eksperymenty mają wartość. Wiedzieli, jakie pytania zadawać.

Tak wygląda przyszłość AI w nauce — nie roboty przejmujące laboratoria, ale mądre partnerstwa, gdzie maszyny zajmują się kombinatorycznymi koszmarami, a ludzie skupiają się na twórczej, interpretacyjnej pracy, która naprawdę wymaga mózgu.

Teraz tylko czekam: jaki będzie następny problem z 100 milionami opcji do rozwiązania?

Źródło: ScienceDaily