Астрофізик Максим Ціж розповідає про симуляції Всесвіту та межі ШІ

Максим Ціж — кандидат фізико-математичних наук, науковий співробітник Астрономічної обсерваторії Львівського національного університету імені Івана Франка.

Досліджує великомасштабну структуру Всесвіту, зокрема, як галактики розподіляються в просторі, які структури утворюють і як еволюціонують на основі спостережних даних і космологічних симуляцій.

Ми говоримо про те, як машинне навчання допомагає досліджувати космос, чим інструменти штучного інтелекту для науки відрізняються від популярних чат-ботів і чому людина досі залишається головним архітектором наукового пізнання.

Максиме, скажіть, будь ласка, чи є LLM-моделі у вашій щоденній роботі?

Останні два роки використовую їх майже щодня, насамперед для написання коду. Вони стали достатньо обізнані, щоб орієнтуватись у вузькоспеціалізованих інструментах, бібліотеках, мовах програмування. Цього вистачає для нескладних задач, окремих блоків, з яких потім складається щось більше. Скрипт на 200 рядків вони не напишуть, але 50 рядків, які потім можна зібрати у щось складніше, це вже добре виходить. Зараз більшість скриптів я починаю з LLM. Але архітектуру завжди будую сам.

Чому архітектуру не доручаєте моделі?

Забагато контексту треба пояснювати. Простіше і швидше скласти її самому, а потім окремі блоки вже доручити LLM.

Якою моделлю користуєтесь?

Gemini. Безкоштовно і вистачає. Колеги кажуть, що є кращі варіанти, але для моїх задач цього достатньо.

Ви починали кар’єру в науці, потім кілька років працювали у комерційній компанії R&D-інженером у сфері розпізнавання зображень, а згодом знову повернулися в науку. Чи застосовуєте зараз цей досвід у науковій роботі?

Так, безумовно, застосовую. Під час роботи я дізнався багато про програмування, машинне навчання, Computer Vision. Навчився користуватися GitHub, різними бібліотеками, засвоїв патерни програмування. Усе це переплетено з тим, що роблю зараз. Плюс я побачив, як сфера розпізнавання зображень змінилася за кілька років. Те, над чим команда інженерів працювала тиждень, зараз одна людина може зробити за один день. Я вже тоді там не працював, але це показово.

Вайбкодинг у вашій роботі використовуєте?

У реально спеціалізованих речах це не спрацює. Там потрібно пройти повний ланцюжок обчислень, крок за кроком, і з одного промпту ти цього не отримаєш. До того ж LLM привчені до шаблонних рішень, а в науці часто доводиться вигадувати щось нове, і тоді ти складаєш це з простіших блоків самостійно. Вайбкодинг — це класна річ, але в нашій галузі його поки що немає.

Штучний інтелект і справді можна вважати інтелектом, чи це просто складна імітація?

Штучний інтелект — це досить розмите поняття. І є відомий ефект того, що люди завжди переносять критерій оцінки інтелекту все далі вперед. Спочатку орієнтиром був тест Тюрінга, але сьогодні системи штучного інтелекту вже здатні його проходити. Тому вимоги постійно зростають: люди очікують, що машина демонструватиме значно складніші здібності, ніж просто успішне проходження цього тесту, і лише тоді готові визнавати її справді інтелектуальною. Думаю, така тенденція зберігатиметься ще дуже довго.

Людиноподібного інтелекту, такого справжнього, я думаю, не з’явиться десятки років, бо ми до кінця і самі не знаємо, як він працює. Суперечка про те, чи вважати це інтелектом, це спір про термінологію, не дуже цікавий. Я вважаю, що якщо він і з’явиться, цей сторонній інтелект, то навряд чи на базі LLM. Мені здається, що вони вже досягли свого плато можливостей.

Чим займаєтесь зараз?

Є кілька напрямів, над якими я активно працюю. Найважливіший із них — спостережна космологія. А також класифікація галактик за зображеннями, цим займаються багато дослідницьких груп. Але найбільше останні роки мене цікавить великомасштабна структура Всесвіту.

До свого захисту я займався теоретичними роботами, наприклад, моделями темної енергії, й переважно писав формули. Зараз мені цікавіша робота, пов’язана з вимірюваннями. У великомасштабній структурі Всесвіту йдеться про розподіл матерії, розподіл галактик, які структури вони утворюють, всі особливості їхньої еволюції.

Як ви використовуєте машинне навчання в цій роботі?

Для цього дослідження є космологічні симуляції. В останні роки я багато з ними працюю. У симуляціях відбувається еволюція великомасштабного розподілу структур, і хочеться робити їх максимально схожими до того, що спостерігається в телескопи.

Можна навчати модель розпізнавати якісь структури, попередньо показавши на невеликій ділянці, що тут є великомасштабна структура, тут якесь волокно, стіна в розподілі, оці топологічні різні форми. І на цьому можна навчити моделі машинного навчання, а потім перенести їх, натренувавши на результатах симуляції, на спостереження, які дають телескопи.

Телескопи роблять великомасштабні огляди неба, їх вже чимало. В ці огляди входять десятки мільйонів галактик. І моделі допомагають відтворити структуру розподілу матерії у Всесвіті.

Обсерваторія імені Вери Рубін уже веде перші спостереження і незабаром щоночі генеруватиме 20 терабайт даних. З таким потоком даних вже не впоратись без машинного навчання?

Іншого виходу немає. Відколи з’явились цифрові фотографії, їх одразу потрібно було обробляти за допомогою компʼютера. А це вже понад 30 років. Ми зараз живемо у вік лавини даних, і вона стосується в тому числі астрономії. Телескопів багато, їхня роздільна здатність дуже велика.

Машинне навчання потрібне майже на всіх етапах, починаючи від фільтрування і первинної обробки, щоб прибрати шуми й небажані елементи на зображенні, й до аналізу самого об’єкта, класифікації, розпізнавання. Тому алгоритми машинного навчання з нами вже давно в цій галузі. І вони, звісно, також розвиваються.

Але ж телескопи працюють не лише у видимому діапазоні. Як щодо радіо-, рентгенівського або інфрачервоного випромінювання? 

Це все можна перетворити на зображення. І радіо, і рентгенівські джерела, по суті, фотографують телескопом, просто на інших довжинах хвиль. Це одна й та сама природа, це хвилі.

Як би ви пояснили простій людині, чим LLM відрізняється від машинного навчання, заточеного під конкретні задачі в космології?

У LLM базовою одиницею, з якою вони працюють, є токен. Умовно кажучи, це щось середнє між буквою і смисловим фрагментом. Вони натреновуються, передивляючись, в яких комбінаціях ці токени поєднані у своїх величезних наборах даних. І, відповідно, коли ти щось друкуєш, вони можуть передбачити, який символ найбільш імовірно буде наступним. Нам це видається дуже розумним, це така ілюзія інтелекту.

Натомість для роботи із зображеннями найчастіше використовують згорткові нейронні мережі (Convolutional Neural Networks, CNN), зокрема й у космології та інших галузях астрофізики. Для таких моделей базовою одиницею даних є піксель, а не слово. Саме тип даних, з якими працює модель, значною мірою визначає її властивості та принципи роботи. Якщо трансформерні мовні моделі орієнтовані на токени людської мови, то згорткові мережі працюють із пікселями та їхніми просторовими взаємозв’язками.

Тому, якщо хочеться зрозуміти різницю, треба насамперед подивитися на те, з якими даними працює ця модель. Фактично, в космології здебільшого ми отримуємо візуальну інформацію, тому нам і потрібні саме такі інструменти.

Максиме, наведіть, будь ласка, приклад, як використовуєте LLM у науковій роботі.

Наприклад, я написав роботу, і рецензент каже, що в мене класна робота, але є ще така інша робота — чи не міг би я змоделювати те саме, але для своїх даних. А в тій роботі є якась дуже специфічна функція, на яку накладаються дані й підбираються параметри, щоб визначити невідому функцію за даними. Оскільки це не основне моє дослідження, я просто кидаю цю роботу в LLM і кажу: ось така функція, напиши скрипт, який буде моделювати дані за нею. Я це все можу зробити сам, але це скорочує час виконання цієї роботи.

Інший приклад, якщо я хочу дізнатися про останні наукові досягнення в якійсь області, не дуже далекій від моєї, можу сказати LLM: наведи джерела по такій-то темі. Чому недалекій — тому що якщо це буде мікробіологія чи щось таке, в чому я взагалі не розбираюсь, я не буду розуміти, чи він мене обдурив, чи ні. А тут розумітиму.

Він може знаходити посилання в інтернеті на конкретну тему, заглиблюватися або узагальнювати, швидко підвести підсумки. Але це речі, які не дуже важливі й які можна швидко перевірити. Я б не став йому просто довіряти у сферах, які є ключовими.

Чи вірите ви в наукову інтуїцію? Якщо машина розпізнає патерни ефективніше за людину, чи залишається місце для неї в науці?

Інтуїція протягом історії багато разів зіграла важливу роль. Але загадка наукової інтуїції це загадка людської інтуїції взагалі. Ніхто до кінця не розуміє, як вона працює, але безперечно вона може допомогти. Я, чесно кажучи, не знаю, як протиставити це машинним алгоритмам, тому що наукову інтуїцію теж не вгамуєш.

Але в цілому, напевно, зараз вона відіграватиме меншу роль, бо ми перейшли в епоху дуже великих даних. Раніше інтуїція допомагала, бо вона стосувалась фізики, чогось такого відчутного, що нас оточує, поки наука не розрослася до того етапу, коли вже потрібно розбиратися з величезними масивами.

Ви ведете власний телеграм-канал про науку. Чи використовуєте у своїй роботі моделі штучного інтелекту для створення текстів чи для генерації зображень?

Для мене цей канал насправді фан. Для приємного спілкування з однодумцями й для розвантаження голови. Я там у жартівливому тоні пишу, це не дуже серйозний проєкт. Просто знаходжу цікаві новини з самого переднього фронту науки й приношу їх туди. Для цього не потрібна допомога. Мені самому цікаво це робити, писати текст, жартувати. Я на цьому точно не заробляю і не планую заробляти. Роблю чисто із задоволенням.

Напевно, можна налаштувати якийсь агент, який буде вишукувати новини в конкретній області, дивитись на arxiv, це перетвориться на якийсь автоматизований потік. Але для мене це більше спосіб комунікації і взаємодії з однодумцями, ніж проєкт.

Ви популяризуєте науку і спілкуєтесь зі студентами. Як гадаєте, чи може використання штучного інтелекту знизити рівень підготовки наступного покоління науковців?

Я вважаю, що навпаки. Добре, що штучний інтелект у різних своїх проявах є доступним для студентів. Шкода, що його не було раніше. Звичайно, це залежить від підходу, який запропонує університет, викладач, той, хто готує майбутнього фахівця. Коли студенти починають писати бакалаврський чи магістерський проєкт або курсову, я їм кажу: «Користуйтесь усім, чим можете».

Однак моє завдання полягає в тому, щоб дати їм таку задачу, з якою лише штучний інтелект не впорався б. І, відповідно, можна дозволити їм, використовуючи ці інструменти, дізнаватися більше. Раніше я міг накидати їм більше матеріалів чи підказок, але багато тепер бере на себе штучний інтелект. Я не помітив, що це шкодить.

Раніше він галюцинував значно частіше, нині такі випадки трапляються набагато рідше. Наприклад, він може запропонувати посилання на неіснуючу статтю або згадати роботу, якої насправді немає. Тобто просто її вигадати. Я завжди попереджаю про це студентів: вони не знайдуть саме того джерела, яке назвала модель, але часто можуть натрапити на матеріали, близькі за темою до потрібної інформації.

Принаймні, у них буде досвід взаємодії з таким штучним інтелектом, де вони розуміють, що він може сказати те, чого не існує, і треба робити факт-чекінг. Вони, зокрема, цього і навчаються.

Крім того, він допомагає їм писати код. Я не маю нічого проти. Я не відповідаю за те, наскільки добре вони програмують, але мені важливо, щоб вони отримали робочий інструмент. Їм потрібно писати скрипти для обробки даних. Якщо штучний інтелект згенерував скрипт, який працює і дає коректні результати, я його перегляну, вони теж розберуться, як він працює, — і цього достатньо. Так вони витрачають менше часу на написання коду, а це, на мою думку, лише плюс.

Тобто штучний інтелект не привчає людину не думати, а навпаки звільняє від рутинних задач?

Не думає та людина, яка нічого не робить, або свідомо бере завдання, де думати не потрібно. Але, з мого досвіду, жодного штучного інтелекту, навіть жодної їхньої комбінації, недостатньо, щоб повністю замінити дослідника. Все одно ти будеш аналізувати результати сам, будеш виключати різні фактори впливу на те, що ти отримав.

Штучний інтелект не настільки обізнаний, щоб зробити це за тебе. І думаю, що найближчим часом і не буде. Ті ж LLM не живуть у реальному світі, вони живуть у світі написаних текстів, написаних джерел. Тільки ми, люди, живемо в реальному світі й можемо його відповідно осягнути. Якщо з’являться якісь системи, які будуть орієнтуватись у фізичному світі, це вже буде цікавіший наступний етап.

Зараз багато науковців або у війську, або виїхали за кордон. Чи може штучний інтелект хоча б частково компенсувати нестачу фахівців в українській науці?

Ми проводили власне дослідження на цю тему. Воно показало, що через війну українські астрономи стали публікувати приблизно на 20 % менше наукових робіт. Чимало наших співробітників — як з університету, так і з обсерваторії — служать у Збройних силах України. Крім того, багатьом українським ученим довелося виїхати за кордон. Усе це разом і дало такий ефект.

Чи може замінити інтелект? Як я вже казав, я не бачу ознак того, що він може повністю замінити професію науковця будь-якого напряму. Потрібне поєднання геть різних напрямів роботи, й написання коду, і вибудовування гіпотез, структури дослідження, і публікація статей. Він може багато що автоматизувати, але на вузьких місцях залишиться те, що може робити тільки людина. Якісь етапи будуть проходити швидше, але не прямо дуже, не в 10 разів, бо все, що зробила LLM, треба уважно переглядати й перечитувати. Я не вірю, що це може мати значний ефект на загальний результат, але багато в чому допомагає.

Крім того, не лише українські вчені користуються штучним інтелектом. Наукова сфера в цілому адаптується до того, що з’явився інструмент, доступний для всіх, і, відповідно, вимоги будуть змінюватись. Можливо, в середньому будуть очікувати більше статей за рік. Можливо, стандартом стане повна публікація алгоритмів, які ти використав.

Тобто стандарти для науковців зміняться?

Насамперед посилиться вимога до відтворюваності результатів. Має бути зрозуміло, як саме було виконане дослідження і яким шляхом отримані висновки — крок за кроком. Загалом це вже зараз є одним із базових наукових стандартів. Але з появою штучного інтелекту його значення лише зростає. Якщо ти використовуєш такі інструменти, то не можеш просто отримати результат і приховати, як саме його досягнув. Так наука не працює. Без прозорості та можливості перевірити весь процес справжнього наукового результату не буде.

Зараз вибудовується стандарт, що ти маєш чесно сказати, якщо тобі штучний інтелект допомагав на якомусь етапі, чи писати текст, чи писати код. Наукова спільнота тихенько адаптується до того, що є штучний інтелект і з ним треба мати певні правила роботи, яких дотримуватиметься вся спільнота.

Чи отримали українські науковці після початку війни більше можливостей у сенсі доступу до даних чи результатів моделювання?

Я не можу назвати конкретний приклад, але в цілому нових можливостей відкривалось багато. На початку війни, правда, це було не дуже рівномірно розподілено. Західні університети пропонували позиції, бо деякі вчені виїжджали з України. Трохи важче було отримати допомогу тим, хто залишився, в небезпечних місцях. Але такі можливості теж були.

Відкривалися спеціальні грантові конкурси для наших вчених, українські дослідники залишались частиною міжнародних наукових команд. Різні формати підтримки, в тому числі інфраструктурні конкурси, фінансування, які мали допомогти врятувати, підсилити чи відновити дослідницьку інфраструктуру в Україні.

Деякі видавництва дозволяли українським науковцям безплатний доступ до своїх матеріалів, які для всього світу були платними. Деякі журнали могли дозволити безплатну публікацію для вчених з України, наприклад, Monthly Notices (Monthly Notices of the Royal Astronomical Society). Ми не завжди могли скористатися всіма пропозиціями, але в цілому приклади є.

Якщо підсумувати нашу розмову, людина залишається головним архітектором наукового пізнання, а штучний інтелект лише інструментом у її руках?

Безумовно, так. Машинне навчання та LLM допомагають обробляти дані, писати коди, знаходити джерела. Та гіпотези будує людина, структуру дослідження вибудовує людина, результати аналізує людина. Але інструменти розвиваються, еволюція триває.