آیا هوش مصنوعی می‌تواند دانشمندان مرده را زنده ‌کند؟

به گزارش ایسنا، تعداد مقالات علمی متکی بر هوش مصنوعی چهار برابر شده است و دامنه مشکلاتی که هوش مصنوعی می‌تواند حل کند، روزبه‌روز گسترش می‌یابد. هوش مصنوعی مدرن محصول دهه‌ها پژوهش علمی طاقت‌فرساست. این فناوری اکنون با سرعت بخشیدن به پیشرفت در دانشگاه‌های سراسر جهان، جبران این تلاش‌ها را آغاز کرده است.

پژوهشگران از زمان ظهور هوش مصنوعی به عنوان یک حوزه مطالعاتی، رویای ایجاد فناوری‌های بسیار هوشمند را در سر ‌پرورانده‌اند تا بتوانند به حرکت بی‌پایان بشریت برای کسب دانش جدید سرعت ببخشند. با ظهور یادگیری عمیق در دهه ۲۰۱۰، این هدف سرانجام به یک امکان واقع‌بینانه تبدیل شد.

آیا روزی خواهد رسید که هوش مصنوعی بتواند مانند دانشمندان فکر کند و نظریات جدیدی را بر مبنای نظریات دانشمندان درگذشته ارائه دهد؟ این پرسش مهمی است که باید با توجه به قابلیت‌های هوش مصنوعی به آن پاسخ داد. برای رسیدن به پاسخ این پرسش، پیشرفت‌های اخیر هوش مصنوعی را در تولید داده‌های جدید مربوط به حوزه‌های گوناگون علمی بررسی می‌کنیم.

نمونه بارز استفاده از هوش مصنوعی در علم، بدون شک برنامه «آلفافولد»(Alphafold) شرکت «دیپ‌مایند»(DeepMind) زیرمجموعه گوگل است که مخترعان آن جایزه نوبل شیمی ۲۰۲۴ را از آن خود کردند. این برنامه از پیشرفت‌های صورت‌گرفته در ترانسفورماتورها - ساختاری که مدل‌های زبانی بزرگ را پشتیبانی می‌کند - برای حل کردن مشکل تاخوردگی پروتئین که دانشمندان را برای دهه‌ها درگیر خود کرده بود، استفاده کرد.

گوگل هوش مصنوعی خود را در حوزه دیگری از علوم زیستی نیز به کار گرفته است و با پژوهشگران «دانشگاه هاروارد» همکاری می‌کند تا دقیق‌ترین نقشه‌ تا به امروز را از اتصالات مغز انسان ارائه دهد.

همچنین، هوش مصنوعی در حال ایجاد انقلابی در حوزه علم مواد است. دیپ‌مایند در سال ۲۰۲۳، یک شبکه عصبی موسوم به «GnoME» را منتشر کرد که ۲.۲ میلیون ساختار کریستالی معدنی جدید از جمله ۳۸۰ هزار ساختار پایدار که می‌توانند پایه فناوری‌های جدید را تشکیل دهند، پیش‌بینی کرد.

سایر توسعه‌دهندگان بزرگ هوش مصنوعی نیز برای عقب نماندن از قافله، به این عرصه روی آورده‌اند. سال گذشته، شرکت «متا»(Meta) مدل‌های کشف مواد خود و مهم‌تر از همه، یک مجموعه داده با بیش از ۱۱۰ میلیون شبیه‌سازی مواد را که برای آموزش آنها استفاده کرده بود، به صورت ‌باز منتشر کرد. این مجموعه داده به سایر پژوهشگران امکان می‌دهد تا مدل‌های هوش مصنوعی خود را در حوزه علم مواد بسازند.

یکی از بزرگترین نقاط قوت هوش مصنوعی، توانایی آن در مدل‌سازی سیستم‌هایی است که برای روش‌های محاسباتی مرسوم بسیار پیچیده هستند.«مایکروسافت» اوایل امسال، مدل «MatterGen» را منتشر کرد که از یک مدل مشابه مدل‌های مورد استفاده در بسیاری از مدل‌های تولید تصویر و ویدیو برای تولید کریستال‌های معدنی جدید بهره می‌برد. پژوهشگران مایکروسافت پس از تنظیم دقیق MatterGen نشان دادند که می‌توان آن را به تولید مواد دارای خواص شیمیایی، مکانیکی، الکترونیکی و مغناطیسی خاص ترغیب کرد.

یکی از بزرگترین نقاط قوت هوش مصنوعی، توانایی آن در مدل‌سازی سیستم‌هایی است که برای روش‌های محاسباتی مرسوم بسیار پیچیده هستند. این امر، آن را به گزینه‌ای طبیعی برای پیش‌بینی آب و هوا و مدل‌سازی اقلیمی تبدیل می‌کند که در حال حاضر به شبیه‌سازی‌های فیزیکی بزرگی که روی ابررایانه‌ها اجرا می‌شوند، متکی هستند.

هوش مصنوعی در اکتشافات اساسی فیزیک نیز نقش دارد. وقتی «برخورددهنده هادرونی بزرگ»به برخورد پرتوهای ذرات کمک می‌کند، در هر ثانیه میلیون‌ها برخورد رخ می‌دهد. بررسی همه این داده‌ها برای یافتن پدیده‌های جالب، کار بزرگی است اما اکنون پژوهشگران برای این کار به هوش مصنوعی روی آورده‌اند.

دیگران پا را فراتر گذاشته و عملاً هوش مصنوعی را در برنامه‌ریزی و طراحی آزمایش‌ها دخیل می‌کنند. در سال ۲۰۲۳، پژوهشگران «دانشگاه کارنگی ملون» نشان دادند هوش مصنوعی آنها موسوم به «Coscientist» که توسط «GPT-۴» شرکت «اوپن‌ای‌آی»(OpenAI) پشتیبانی می‌شود، می‌تواند تولید شیمیایی ترکیبات شناخته‌شده را به طور خودکار برنامه‌ریزی کند و انجام دهد.

گوگل یک سیستم دارای چندعامل را با استفاده از مدل استدلالی «جمینای ۲.۰»(Gemini ۲.۰) خود ایجاد کرده است که می‌تواند به دانشمندان در تولید فرضیه‌ها و پیشنهاد پروژه‌های تحقیقاتی جدید کمک کند. یکی دیگر از دانشمندان هوش مصنوعی که توسط شرکت «ساکانا ای‌آی»(Sakana AI) توسعه داده شده است، یک مقاله را در رابطه با یادگیری ماشینی نوشت که فرآیند داوری را در یک کنفرانس معتبر هوش مصنوعی پشت سر گذاشت.

شبکه‌های عصبی مانند جعبه‌های سیاهی هستند که رمزگشایی از عملکرد داخلی آنها دشوار است و این می‌تواند تفسیر نتایج را چالش‌برانگیز کند.با وجود هیجان‌انگیز بودن همه این دستاوردها، تسلط هوش مصنوعی بر علم می‌تواند جنبه‌های منفی نیز داشته باشد. شبکه‌های عصبی مانند جعبه‌های سیاهی هستند که رمزگشایی از عملکرد داخلی آنها دشوار است و این می‌تواند تفسیر نتایج را چالش‌برانگیز کند. بسیاری از پژوهشگران به اندازه کافی با این فناوری آشنا نیستند تا بتوانند مشکلات رایج تحریف‌کننده نتایج را تشخیص دهند.

با وجود این، قدرت باورنکردنی مدل‌های هوش مصنوعی برای پردازش داده‌ها و مدل‌سازی در مقیاس‌هایی بسیار فراتر از درک انسان، همچنان یک موضوع حیاتی است. با کاربرد هوشمندانه هوش مصنوعی، این فناوری می‌تواند پیشرفت را در طیف گسترده‌ای از زمینه‌ها به طور چشمگیری سرعت ببخشد.

شرکت هوش مصنوعی «Polymathic AI» سال گذشته دو مجموعه بزرگ از داده‌ها را برای آموزش مدل‌های هوش مصنوعی جهت برطرف کردن مشکلات رشته‌های علمی منتشر کرد. این مجموعه داده‌ها شامل داده‌هایی از ده‌ها منبع از جمله اخترفیزیک، زیست‌شناسی، دینامیک سیالات، آکوستیک و شیمی است.

ابتکار Polymathic AI از فناوری مشابه با فناوری به‌کاررفته در مدل‌های زبانی بزرگ مانند «چت‌جی‌پی‌تی»(ChatGPT) شرکت اوپن‌ای‌آی یا جمینای گوگل استفاده می‌کند اما به جای دریافت متن، مدل‌های این پروژه با استفاده از مجموعه داده‌های به‌دست‌آمده از حوزه‌های اخترفیزیک، زیست‌شناسی، آکوستیک، شیمی، دینامیک سیالات و موارد دیگر یاد می‌گیرند و اساساً به مدل‌ها دانش علمی میان‌رشته‌ای می‌دهند.

«مایکل مک‌کیب»(Michael McCabe) از اعضای Polymathic AI و مهندس تحقیقاتی در «موسسه فلت‌آیرن»(Flatiron Institute) گفت: این مجموعه داده‌های پیشگامانه، متنوع‌ترین مجموعه‌های بزرگ از داده‌های با کیفیت بالا برای آموزش یادگیری ماشینی هستند که تاکنون در رابطه با این حوزه‌ها گردآوری شده‌اند. گردآوری این مجموعه داده‌ها یک گام حیاتی در ایجاد مدل‌های هوش مصنوعی چندرشته‌ای است که امکان اکتشافات جدید را درباره جهان ما فراهم می‌کند.

همکاری پژوهشگران دانشگاه‌ها، سازمان‌های خیریه علمی و آزمایشگاه‌های ملی به نقطه عطف مهمی در جهت آموزش مدل‌های هوش مصنوعی برای یافتن و بهره‌برداری از دانش قابل انتقال بین زمینه‌های به ظاهر متفاوت برای پیشبرد اکتشافات علمی رسیده است. با وجود چنین پیشرفت‌هایی هنوز نمی‌توان هوش مصنوعی را به عنوان یک جایگزین برای دانشمندان درگذشته در نظر گرفت. یکی از بزرگترین موانع این است که هوش مصنوعی هنوز نمی‌تواند دانش جدیدی را خلق کند و پیشرفت‌های مذکور در حوزه تولید علم فعلا در حد نمونه هستند.

هوش مصنوعی در پیروی از دستورالعمل‌ها عالی عمل می‌کند اما مرزهای دانش را جابه‌جا نمی‌کند.«توماس ولف»(Thomas Wolf) از بنیان‌گذاران شرکت هوش مصنوعی «هاگینگ فیس»(Hugging Face) گفت: هوش مصنوعی در پیروی از دستورالعمل‌ها عالی است اما در ایجاد دانش جدید مشکل دارد. هوش مصنوعی باید داده‌های آموزشی خود را زیر سوال ببرد و رویکردهای خلاف شهود را در پیش بگیرد. هوش مصنوعی در پیروی از دستورالعمل‌ها عالی عمل می‌کند اما مرزهای دانش را جابه‌جا نمی‌کند.

ولف در تحلیل محدودیت‌های مدل‌های زبانی بزرگ نوشت: این حوزه به جای افراد متحول‌کننده، یاوران بیش از حد مطیع تولید می‌کند. هوش مصنوعی در حال حاضر دانش جدیدی را ایجاد نمی‌کند. در عوض، فقط جاهای خالی بین واقعیت‌های موجود را پر می‌کند.

استدلال ولف این است که هوش مصنوعی برای رقم زدن پیشرفت‌های علمی واقعی باید کاری بیش از بازیابی و ترکیب اطلاعات انجام دهد. به گفته ولف، هوش مصنوعی باید داده‌های آموزشی خود را زیر سوال ببرد، ایده‌های جدید را از حداقل ورودی تولید کند و سوالات غیرمنتظره‌ای بپرسد که مسیرهای تحقیقاتی جدیدی را باز می‌کنند.

ولف هشدار داد: اگر تحقیقات هوش مصنوعی تغییر رویه ندهند، ما «آلبرت اینشتین» جدیدی را در یک مرکز داده نخواهیم داشت، بلکه فقط آینده‌ای پر از بله قربان‌گوها را روی سرورها خواهیم دید. ما به مجموعه‌ای از فناوری‌های هوش مصنوعی نیاز داریم که ‌بتوانند وظایف را به طور مستقل انجام دهند.