人工智能，開始解決越來越多人類尚未解決的問題，且取得了不錯的成果。

然而，在過去幾年中，人工智能領域的科學研究數量呈指數級增長，使得科學家們和從業者們很難及時跟蹤這些進展。

數據顯示，機器學習領域的研究論文數量每 23 個月就會翻一番。其中一個原因是，人工智能正在數學、統計學、物理學、醫學和生物化學等不同學科中得到利用。

通過從科學文獻中獲得見解，提出新的個性化研究方向和想法的工具可以顯著加速科學的進步。在人工智能與其他各領域交叉的過程中，人們該如何判別哪些方向有意義并值得去做？

為此，由馬克斯·普朗克光科學研究所（MPL）人工智能科學家 Mario Krenn 領導的國際團隊發布了一項關于“指數級增長知識網絡中的高質量鏈接預測”的研究。相關研究論文以“Predicting the Future of AI with AI: High-Quality link prediction in an exponentially growing knowledge network”為題，發表在預印本網站 arXiv 上。

（來源：arXiv）

這項研究工作的目的是設計一個可以“閱讀、理解，然后行動”的人工智能相關文獻的程序，從而為預測和建議跨領域研究思路打開大門。研究團隊認為，從長遠來看，這將提高人工智能研究人員的生產力，開辟新的研究途徑，并指導該領域的進步。以往的實踐證明，新的研究思路往往通過在看似不相關的主題/領域之間建立新的聯系而產生。 這促使研究團隊將人工智能文獻的演化制定為一個時間網絡建模任務，并創建了一個可以描述自 1994 年以來人工智能文獻內容和演變的語義網絡。 同時，研究團隊也探討了一個包含 64000 個概念（也稱為節點）和 1800 萬條節點間聯系的網絡，并使用語義網絡作為 10 種不同的統計和機器學習方法的輸入。 其中最基本的任務之一——構建語義網絡——有助于從網絡中提取知識，并隨后使用計算機算法進行處理。

圖｜在此次工作中，研究團隊使用了 14.3 萬篇于 1992-2020 年發表在 arXiv 上的人工智能和機器學習類的論文，并使用 RAKE 和其他 NLP 工具構建了一個概念列表。這些概念構成了語義網絡的節點，當兩個概念同時出現在一篇論文的標題或摘要中時，就會畫出邊界（edge）。通過這種方式，他們構建了一個不斷發展的語義網絡，隨著時間的推移，更多的概念被一起研究。最終的任務是預測未連接的節點，即在科學文獻中沒有一起研究的概念，將在幾年內連接起來。（來源：arXiv）起初，研究團隊考慮使用 GPT-3 和 PaLM 等大型語言模型來創建這樣的網絡。然而，主要的挑戰是，這些模型仍然難以推理，很難識別或提出新的概念組合。

于是，他們便轉向借鑒生物化學的方法，即從科學論文中共同出現的概念中創建知識網絡；單個生物分子代表一個節點，當一篇論文提到兩個對應的生物分子時，兩個節點就連接起來。這種方法是由芝加哥大學醫學教授和人類遺傳學教授 Andrey Rzhetsky 和他的團隊首先提出的。

研究團隊使用這種方法捕獲了人工智能領域的歷史，并使用超級計算機模擬提取了有關科學家集體行為的重要陳述，基于大量論文不斷重復這一過程，從而形成一個捕獲可操作內容的網絡。

基于此，研究團隊開發了一個名為 Science4Cast 的新基準測試，并提供了十種不同的方法來解決這一基準測試。研究團隊認為，他們的工作有助于構建一個能夠預測人工智能研究趨勢的新工具。

以往，每當打開任何人工智能和機器學習相關論壇時，人們都會發現，“跟上人工智能的進步”是討論的首要話題。

或許，這一研究能夠為人們緩解一些這樣的壓力。

論文鏈接：
https://arxiv.org/pdf/2210.00881.pdf

審核編輯 ：李倩