Kunstmatige intelligentie heeft reeds een significante impact gehad op disciplines zoals computerprogrammering en wiskunde. Nu verschuift de aandacht naar de natuurkunde, waarbij de vraag centraal staat of dit vakgebied een soortgelijke transformatie zal ondergaan door de integratie van AI-technologie.
Een fundamenteel discussiepunt is de manier waarop de vaardigheden van AI-modellen binnen de natuurkunde momenteel worden gemeten. Volgens newscientist.com stelt John Sous van de Yale University dat de reputatie van AI in dit vakgebied mogelijk onterecht negatief is. Deze perceptie zou voortkomen uit de specifieke methodiek van de gebruikte tests.
In eerdere evaluaties behaalden geavanceerde modellen slechts een score van 30 procent op zes verschillende tests die bedoeld waren om het vermogen van AI om complexe natuurkundige vraagstukken op te lossen te toetsen. Echter, deze cijfers stroken niet met de praktische successen die Sous en zijn team hebben waargenomen. Bij een grondige analyse van deze benchmarks bleek dat de lage resultaten niet te wijten waren aan een gebrek aan intelligentie van de systemen, maar aan onduidelijkheden en fouten in de testvragen zelf. Nadat deze fouten waren gecorrigeerd, stegen de scores van de modellen naar 94 procent, wat aantoont dat de AI simpelweg niet over de juiste informatie beschikte om de oorspronkelijk foutieve vragen correct te beantwoorden, aldus .
De effectiviteit van AI lijkt sterk afhankelijk te zijn van de precisie van de probleemdefinitie. Sous betoogt dat AI in staat is om elk probleem op te lossen dat helder is omschreven, ongeacht de complexiteit. Hij suggereert zelfs dat AI in dergelijke scenario's beter kan presteren dan de meest bekwame menselijke experts, een claim die volgens hem wordt ondersteund door de data. Dit sluit aan bij de observatie van natuurkundige Vladimir Arnold, die stelde dat wiskunde het deel van de natuurkunde is waar experimenten 'goedkoop' zijn, wat wijst op de gestructureerde aard van die discipline. Voor AI is juist deze vorm van gestructureerde informatie ideaal, zoals beschreven door .
Ondanks deze technische potentie blijft de vraag open of AI ook effectief kan opereren in de minder gedefinieerde, 'fuzzy' gebieden van de natuurkunde. Baanbrekende wetenschap begint vaak bij de observatie van een onbegrepen fenomeen in de natuur of het universum. Het is vervolgens de taak van de wetenschapper om een model of simulatie te ontwikkelen die dit fenomeen kan verklaren.
Volgens Sous is dit proces inherent artistiek en creatief. De kernvraag is nu of AI in staat is om deze creatieve stap te zetten en werkelijk nieuwe wetenschappelijke inzichten te genereren, in plaats van enkel bestaande patronen toe te passen. Hoewel de resultaten van de Yale University aantonen dat de technische capaciteiten van AI in de natuurkunde aanzienlijk worden onderschat, zal de uiteindelijke impact afhangen van het vermogen van de machine om met ambiguïteit en creativiteit om te gaan, concludeert .