本文經AI新媒體量子位（公眾號 ID: QbitAI）授權轉載，轉載請聯系出處

搞科研的最新姿勢，被一位華人小哥解鎖了——

告訴AI你的研究目標，再把數據集“投喂”進去，完事。

這就是來自伯克利的博士生Zhong Ruiqi等人的最新研究，把從海量數據集中繁瑣的“取證”過程，統統交給GPT-3來解決：

他們還發現，這種用AI搞科研的方法不僅效率高，而且還能得出人類沒有想到的“意外驚喜”。

讓GPT-3幫你搞科研

那么小哥他們為什么突發奇想地要用這種方式搞科研呢？

這是因為他們發現，對大型語料庫做深入的挖掘確實能得到一些有用的結果，但這個過程要是讓人類來搞，那簡直就太費時費力了。

因此，他們便決定把這個繁瑣的過程交給GPT-3來處理，并把這個任務命名為“D5”：

Goal Driven Discovery of Distributional Differences via Language Descriptions.

通過語言描述，實現目標驅動的分布式差異的發現。

“D5”任務的過程，簡單來說就是兩個動作：

• 輸入研究目標
• 輸入兩個語料庫

例如在上面這個案例中，小哥先是給AI輸進去了兩個語料庫：

• 語料庫A：服用藥物A后患者的反應報告
• 語料庫B：服用藥物B后患者的反應報告

然后再向AI確定自己的研究目標，即“我想了解一下藥物A的副作用”。

在AI收到任務后，立刻開始執行分析工作，最后得出了它的結論：

語料庫A中的樣本，有更多的患者會提到“妄想癥”（paranoia）。

不過試想一下，若讓人類科研人員做這項工作，光是了解語料庫A和B就需要花費大量的時間，更別提還得進一步做對比分析等工作了。

而D5任務之所以能夠做得如此絲滑，是因為小哥他們在此背后還做了不少工作。

例如構建OpenD5元數據集，它包含符合D5任務的675個開放式問題，所涉及領域涵蓋商業、社會科學、人文科學、健康和機器學習等。

并且每個開放式問題都會對應一個語料庫對兒（語料庫A和語料庫B），平均有17000個樣本。

小哥還把每個語料庫中的50%作為研究部分，另外50%則是拿來做驗證。

基于此，小哥他們再構建了一個“D5系統”，它的工作原理和人類從數據庫中獲取發現類似，分為兩個階段，即創造性地提出一個假設，再在數據集上嚴格驗證這個假設。

按照這種思路，研究人員接下來用GPT-3做了次實驗。

他們先是向GPT3展示研究目標和每個語料庫中的一些樣本，然后讓它提出一個假設列表。

最終實驗發現，GPT-3可以使用目標描述來提出更相關、更新穎、更有意義的假設。

也正因為OpenD5數據集所涵蓋的領域眾多，因此小哥表示他們的D5系統具備應用范圍廣的特點。

也存在一些缺陷

但對于這套D5系統，小哥也直言不諱地道出了它的缺陷。

例如，若是語料庫中含有較多的俚語、俗語或者帶有情緒的詞匯，那么AI所給出的“發現”就會存在偏差。

簡而言之，就是AI對于特定情況的詞匯或描述產生了錯誤的理解和分析。

除此之外，小哥也表示更靈活的語料庫、更具擴展性的系統，也是他們在未來重點研究的方向。

不過似乎這項研究讓小哥也是興奮不已，畢竟離他“構建一個用AI稿科研”的夢想更近了一步。

參考鏈接：

[1] ??https://arxiv.org/abs/2302.14233???
[2] ???https://twitter.com/ZhongRuiqi/status/1631109680859865089?s=20??