ChatGPT在科研的應用（三）

 

這是我最近感興趣的研究方向，問題聽起來相對簡單，但困難在於如何做得好。

上面的問題，要求人工智慧回答關於這個研究方向的現有方法，並比較它們的效果，然後提供一個新的研究方向，並解釋其優點。我使用了Poe裡的GPT-3.5-Turbo和GPT-4，看看他們如何回答這個問題。GPT-3.5的回答提到了兩個大方向。第一個大方向類似於我想要探討的方法，嘗試使用一些更直接的技巧在球體表面上線性插值這些點。我之前的研究都是基於這個方向。然而，他並未詳細介紹這些方法，科研人員仍需進一步搜尋現有的方法以了解這個大方向的詳情。第二個方向是非參數方法，其中提到了RBF和Spherical Harmonic。第一次看到這些答案時，我需要花時間思考，不確定他是否在亂拼湊。最大的問題是他未提供出處，我們難以了解他為什麼要提及這些數學方法。我認為所謂的非參數方法在ordered data 上應該比較困難。我不知道有誰使用這些方法去解決這個問題。如果我們只需要找出一條在球體表面的曲線穿越這些點，這些方法其實是可行的。在另一篇論文中，我使用水平值Level Set Method 解決了這個問題。至於GPT-4提到的問題前半部分，他給出的答案比較詳細和準確，還提到了SLERP、SQUAD和QUATERNIONS等方法，這些都是我研究中提到的方法。他還提到了使用機器學習的方法，我不確定適用這些針對高維空間的方法於三維空間是否真的有好處。

在問題的下半部分，要求人工智慧提供一個新的研究方向來解決這個數值問題。兩個不同的人工智慧都提到了使用神經網絡。GPT-4提到了一種名為Geodesic Neural Network（GNN）的方法，但在Google上並沒有相關的討論，最接近的是一種名為Geodesic Convolutional Neural Network （GCNN）。簡單的了解一下那篇文章，這種方法可能與我們的插值問題沒有太大關聯。GPT-3.5並未給出太多討論，我不確定如何使用神經網絡解決這個數學問題。此外，他得出的結論是這些方法可以大幅提高答案的準確性，但我對此完全不相信。

這個例子顯示出，人工智能對於已知知識的處理能力似乎非常出色。它可以提供一些基本的知識，讓科研人員能夠進一步搜尋、了解研究範疇，並對該研究方向有更深入的認識。然而，如果我們完全依賴人工智能的建議，在其建議的方向進行研究，結果並不一定能夠成功，因為它提供的建議可能只是胡亂拼湊，結論不一定正確。

儘管人工智能並不能直接教導我們如何進行研究或提供研究方向，但這並不代表它不能應用於研究方向的設定中。有時學者需要跳脫傳統思維，嘗試進行腦力激盪，將不同的知識範疇進行連結，從而產生新的知識和方法。這種方法可以產生創新和新穎的想法。我認為，如果我們不太重視產生結果的合理性，人工智能在這個創新領域可能比大多數人做得更好。由於人工智能的回答具有隨機性，它可以提供一些以往未曾想過的方法和研究道路。即使這些道路不一定成功，我們也可以參考它們，看看是否有一些新的想法和創意。

隨著人工智能的發展日新月異，它已經能夠做出一些以前難以想像的事情。現在，由人工智能製造的東西越來越難以區分是由人類還是電腦所製造。儘管如此，在科學研究方面，人工智能暫時還無法像人類一樣，能夠發現和解決問題，並遵循嚴謹的邏輯進行研究。當然，現在的局面並不代表未來不會有所改變。任何行業都有可能被取代，因此每個人都應該不斷學習，提升自己的競爭力，以應對這個快速變化的世界。