Jakab Roland: Tudományos AI ügynököket biztosítunk minden kutatónknak

Ha a legnagyobb technológiai szereplők óriási erőforrásokkal fejlesztik a nagy AI-modelleket, egy kisebb ország, mint Magyarország, hol találhat valódi szerepet ebben a versenyben? És miért válhat stratégiai kérdéssé az algoritmusok hatékonysága?

Magyarországnak elsősorban a tudásban lehet szerepe ebben a versenyben. Nem abban kell gondolkodnunk, hogy a legnagyobbakkal versenyezve mi is óriási nyelvi modelleket építünk, mert ehhez elképesztő mennyiségű pénzre, energiára, adatra és számítási kapacitásra van szükség. Egy kisebb országnak tudatos erőforrás-gazdálkodást kell folytatnia, és inkább ki kell választania azokat a területeket, ahol a saját tudása nemzetközi szinten is értékes lehet.

Erős matematikai hagyományokra, kiváló kutatókra és olyan intézményekre tudunk építeni, mint például a HUN-REN Rényi Alfréd Matematikai Kutatóintézet vagy a SZTAKI, ahol már ma is sokan foglalkoznak az AI fejlődéséhez kapcsolódó kérdésekkel.

A mi utunk ezért inkább az lehet, hogy új algoritmusokat, új módszereket és új AI-architektúrákat kutatunk.

Az is lehet, hogy néhány év múlva nem pontosan azok a technológiák lesznek meghatározóak, amelyeket ma használunk, ezért nem elég követni a mostani trendeket. Új elképzeléseket is végig kell gondolni arról, hogyan fejlődhet tovább ez a tudományterület. A mesterséges intelligencia fejlődésében ugyanis nemcsak az számít, hogy egyre nagyobb modelleket építünk. Legalább ilyen fontos, hogy hatékonyabbak legyenek az algoritmusok, pontosabbak a kimenetek, jobb legyen a tanítási folyamat, és ugyanazt a feladatot kisebb energiafelhasználással, kevesebb adattal is el lehessen végezni.

Ha megnézzük, hogy néhány évvel ezelőtt mennyi számítási kapacitás kellett egy-egy AI-válasz előállításához, és ehhez képest ma mennyivel olcsóbban és pontosabban lehet eredményt kapni, akkor látszik, hogy a háttérben nagyon komoly algoritmikus fejlődés zajlik. E mögött matematikai gondolkodás, új módszerek, új képletek vannak. Ezekhez nem feltétlenül kell akkora infrastruktúra, mint egy óriási modell betanításához, ezért ez lehet az egyik olyan terület, ahol a hazai kutatói közösség is érdemben hozzá tud tenni a nemzetközi fejlődéshez.

Idén már második alkalommal rendezik meg a nemzetközi AI-szimpóziumot, amelyen többek között a Google, a Microsoft, az ETH Zürich és a Nanyang Technological University kutatói is részt vesznek. Mi az, amit egy ilyen tudományos fókuszú esemény másként tud megmutatni, mint az általános technológiai vagy üzleti konferenciák?

Nagyon sok általános AI-konferencia van, ahol eszközöket, modelleket és felhasználási eseteket mutatnak be. Ezek fontosak, mert megmutatják, hogy egy adott technológia milyen feladatot tud elvégezni, vagy milyen üzleti, intézményi problémára adhat választ. Mi azonban ennél mélyebbre szeretnénk menni, és azt megérteni, hogyan hasznosítható a mesterséges intelligencia a tudományban.

Ez egyrészt az AI-first gondolkodást jelenti, másrészt azt, hogy magát az AI-t is kutatni kell: mitől működik, hogyan lehet megbízhatóbbá tenni, hogyan lehet csökkenteni a sérülékenységét, hogyan lehet pontosabbá és okosabbá tenni ezeket a modelleket. Ezért olyan kutatókat hívtunk Magyarországra, akik nemcsak használják, hanem fejlesztik is ezt a technológiát. Lesznek köztük olyanok, akik az ember-gép interfész, a gépi látás, a mélységérzékelés, a térérzékelés vagy nagy AI-rendszerek kutatásában tartoznak a világ élvonalához. A cél nemcsak az, hogy meghallgassuk őket, hanem hogy

közvetlen kapcsolatokat építsünk a nagy nemzetközi AI-kutatócentrumokkal, és bekössük a magyar kutatókat ezekbe az együttműködésekbe.

A tavalyi rendezvény után már elindultak olyan kutatói együttműködések is, amelyekből később komolyabb kutatási programok vagy kompetenciaközpontok épülhetnek. A HUN-REN egy belső támogatási programmal is ösztönözte, hogy a magyar kutatók kapcsolódást keressenek a nemzetközi partnerekkel, és közös kutatási témákat határozzanak meg.

A szimpózium előtt ezért lesz egy nulladik nap is, amely a fiatal kutatók bemutatóit és kapcsolatépítését támogatja. Nem frontális előadássorozatot szeretnénk, hanem olyan platformot, ahol kutatók, alkalmazók, ipari szereplők és fiatal tehetségek között valódi szakmai kapcsolatok jöhetnek létre.

Az esemény négy fő területre koncentrál: megbízható AI, egészségügyi alkalmazások, ipari felhasználás és kvantumtechnológia. Mi köti össze ezeket?

Egyrészt meg kell értenünk, hogy ezek az AI-modellek pontosan mit tesznek lehetővé, hogyan lehetnek robusztusabbak és megbízhatóbbak, hogyan lehet csökkenteni annak kockázatát, hogy kívülről beavatkozzanak a működésükbe, vagy félrevigyék a képességeiket. A megbízható AI hatalmas témakör. Lehet biztonsági, tudásbeli, pontossági vagy akár fenntarthatósági szempontból is vizsgálni. Utóbbi alatt például azt értjük, hogy mennyi energiát fogyaszt egy modell egy adott kérdés megválaszolása során. Ezek közül nekünk ki kell választanunk azokat a részterületeket, ahol a tudás, az algoritmusok és a matematikai alapok számítanak igazán.

A másik összekötő elem az alkalmazási hatás.

Az egészségügyön keresztül társadalmi hatást lehet elérni, az ipari alkalmazásokon keresztül pedig gazdasági és versenyképességi hatást.

Az iparban különösen fontosak a robotikai, gépi látási és térérzékelési megoldások, az autonóm rendszerek fejlődésében ezeknek kulcsszerepe van. A kvantumtechnológia pedig olyan gyorsan fejlődő terület, amelyet értenünk és követnünk kell: ha időben építünk kompetenciát, bizonyos témákban nemcsak követői, hanem alakítói is lehetünk ennek az ökoszisztémának.

Mit jelent pontosan az AI-first gondolkodás a kutatásban?

Nem a klasszikus kutatási folyamatot visszük végig változatlanul, és utólag illesztünk hozzá valamilyen AI-eszközt, hanem már a kutatás megindítása előtt végiggondoljuk, hogy módszertanilag hogyan lehet AI-eszközökre építeni a kutatást.

Ez érintheti az adathasználatot, a hipotézisgenerálást, az irodalomkutatást, a kísérlettervezést, az elemzést és az eredmények értelmezését is. Nem arról van szó, hogy egy kutató néha használ egy AI-eszközt, hanem arról, hogy a kutatás teljes értékláncát újra lehet gondolni. Ez radikálisan új megközelítés, különösen azokon a területeken, ahol hatalmas mennyiségű adat keletkezik.

Az AI kutatási használatánál az egyik legnagyobb kérdés a megbízhatóság és az ellenőrizhetőség. Hogyan változik a kutató felelőssége, ha az AI már nemcsak adatot elemez, hanem hipotéziseket, kísérleti terveket vagy következtetéseket is javasol?

Nagyon sok eszköz van már, amit használhatunk, különösen akkor, ha autonóm rendszerekben gondolkodunk. De a legnagyobb probléma mindig az, hogy ki validálja az eredményt. Honnan tudom, hogy amit az adott modell vagy az általam felépített workflow előállított, az jó? Előrevisz, vagy csak egy használhatatlan adathalmazt kaptam? Éppen ezért már a kutatás megtervezésekor végig kell gondolni, hogyan fogjuk ellenőrizni az AI által támogatott folyamat eredményét. Meg kell tervezni azokat a teszteket, próbákat és validációs pontokat, amelyek alapján eldönthető, hogy az eredmény megbízható-e.

Az értékelés és validálás képessége ma az egyik legjelentősebb kihívás.

Ez különösen fontos lehet az autonóm kutatási rendszereknél. Ilyenkor a kutató akár csak a célt definiálja, vagyis azt, hogy mit szeretne elérni. Egy ágensalapú rendszer ehhez hipotézist generálhat, kísérletet tervezhet, adatot elemezhet, majd az eredményekből újabb hipotéziseket állíthat elő. Ez elképesztően felgyorsíthatja a tudományos áttöréseket, de csak akkor, ha az eredmények validálhatók. Nem elég, hogy a rendszer gyorsan ad választ. Azt kell tudnunk, hogy az eredményre lehet-e építeni: lehet-e belőle új termék, új szolgáltatás, új anyag, új energiatárolási megoldás, új molekula vagy gyógyszerjelölt. Vagyis minél nagyobb szerepet kap az AI a kutatási folyamatban, annál fontosabbá válik, hogy a kutató már előre megtervezze az ellenőrzés, az értékelés és a felelősségvállalás kereteit. 

Hogyan lehet egy kutatóhálózatban intézményi szinten felépíteni az AI használatához szükséges tudást? A HUN-REN-nél milyen konkrét eszközökkel indult el ez a folyamat?

Az AI4Science program keretében első lépésként megkerestük a kutatóintézeteinkben azokat, akik már évek óta használnak valamilyen AI-eszközt vagy szoftvert a saját kutatásaikban. Arra kértük őket, hogy segítsenek a környezetükben dolgozó kutatóknak is elindulni ezen az úton, mutassák meg, milyen eszközöket használnak, mire érdemes figyelni, és hogyan lehet az AI-t beépíteni a kutatási munkába. Így jött létre az AI-nagyköveti hálózat.

Mivel ezek az AI-nagykövetek maguk is kutatók, központi támogatást is biztosítani kell számukra. Ezért létrehoztunk egy AI-szolgáltató központot, ahol AI-architektek és szakértők projektalapon segítik az egyes kutatókat abban, hogyan tudják AI-val támogatni a saját munkájukat. Emellett szükség van egy felderítő csapatra is, amely folyamatosan figyeli, milyen új modellek, módszerek és publikációk jelennek meg a világban, ezek közül mi lehet releváns a hazai kutatói közösség számára, és hogyan lehet ezeket validálva, oktatáson keresztül továbbadni.

Fontos az is, hogy ne felülről próbáljunk mindent kitalálni. Megkérdeztük a kutatókat arról, hogyan használják az AI-t, hol látják a saját kutatásaikban a hasznosítási lehetőségeket, és milyen támogatásra lenne szükségük. Közel ezren töltötték ki a kérdőívünket, ami fontos visszajelzést adott arról, milyen szolgáltatásokat, képzéseket és központi szakértelmet kell fejlesztenünk.

A kutatók sokszor saját AI előfizetéseket használnak, amely aggályos adatbiztonsági szempontból és megkérdőjelezhető, hogy miért magának kell előfizetnie. Terveznek tenni valamit ezzel a problémával?

Igen, egy-két héten belül indítjuk a minden kutató számára elérhető Agentic Discovery Platformot. Ezzel három fő célunk van. Egyrészt szeretnénk mindenkinek központilag finanszírozott elérést adni azokhoz a top AI modellekhez, amelyeket megszoktak, de egy biztonságosabb környezetben. Másrészt ugyanitt elérhetővé tenni egy teljes mértékben belső hálózaton futó AI rendszert, amiben akár az érzékeny kutatási adatokkal, vagy kidolgozás alatt lévő ötleteken is dolgozni lehet.

Harmadrészt – és talán ez a legfontosabb – elérhetővé tenni kifejezetten kutatásra specializált AI-ágensek használatát.

Ezek már nem csak beszélgetnek, hanem kifejezetten kutatási adatbázisokhoz, irodalombázisokhoz férnek hozzá, le tudnak kódolni és lefuttatni megoldásokat. Több mint 2000 AI által használható specialista eszközt teszünk elérhetővé ezzel a kutatóknak, akik így könnyen, egy egységes felületen keresztül tudják kipróbálni a legizgalmasabb AI alkalmazásokat. Abban bízunk, hogy ez nagyon nagy lendületet ad a hétköznapi AI használatnak és a sok eszközön keresztül inspirál sokakat arra is, hogy újragondolja a saját területét, ahogy arról az AI-first science kapcsán beszéltünk. Az a célunk, hogy ez egy olyan keretrendszer lehet, amelyet akár más kutatóintézetek is át akarnak majd venni és jó példa lehet a szélesebb ökoszisztéma számára is.

Hogyan juthat el ez a tudás a vállalatokhoz, és milyen szerepe lehet ebben a szuperszámítógépes infrastruktúrának vagy az AI Factory Antenna programnak?

A célunk az, hogy az AI-hoz és a szuperszámítástechnikához kapcsolódó képességek ne csak a kutatói világban jelenjenek meg, hanem a hazai innovatív kis- és középvállalkozások számára is használhatóvá váljanak. Egy új szuperszámítógépes infrastruktúra épül Magyarországon, a HUN-REN Wigner Fizikai Kutatóközpontban, amely nagy számítási igényű modellezéseket és szimulációkat támogathat.

Ez fontos lehet például gyógyszerkutatásban, molekulakutatásban, anyagtudományban vagy ipari fejlesztésekben.

A szuperszámítástechnika egyik előnye, hogy bizonyos fejlesztési fázisokat nem feltétlenül kell fizikailag előállítani. Egy molekula, egy anyag, egy prototípus vagy akár egy ipari folyamat viselkedését előzetesen is lehet szimulálni. Ez gyorsíthatja a fejlesztést, csökkentheti a költségeket, és korábban megmutathatja, melyik irány ígéretes.

Az AI Factory Antenna program ebben teremthet kapcsolatot a tudomány, a vállalatok, a köz-szféra és a szuperszámítógépes infrastruktúra között. Ez az uniós, szuperszámítógépekre épülő gazdaság- és vállalkozásfejlesztési program, amelyhez sikeresen csatlakozott Magyarország a HUN-REN SZTAKI koordinációjával, HunAIFA néven. A következő hónapokban és években egy 15-20 fős szakértői csapatot építünk fel, amely hidat képezhet az innovatív nagy számítási kapacitást igénylő AI projektek és az európai szuperszámítógépesinfrastruktúra között. Ha egy vállalkozásnak van egy üzleti vagy technológiai problémája, esetleg termékfejlesztési ötlete, ez a csapat segíthet megérteni, hogy érdemes-e azt szuperszámítógépes környezetben modellezni vagy szimulálni.

A cikk megjelenését a HUN-REN Magyar Kutatási Hálózat támogatta.

Címlapkép forrása: Portfolio