عصر ایران؛ محمد حسن گودرزی-  مدل‌های هوش مصنوعی در حال دستیابی به موفقیت‌های چشمگیری در علم هستند. در دو سال گذشته، آنها نشان داده‌اند که می‌توانند داده‌ها را تحلیل کنند، آزمایش طراحی کنند و حتی فرضیه‌های جدیدی ارائه دهند. سرعت این پیشرفت، برخی از پژوهشگران را متقاعد کرده است که هوش مصنوعی (AI) می‌تواند در چند دهه آینده با بزرگترین ذهن‌های علمی جهان رقابت کند.

 

  به نوشتۀ Nature، در سال ۲۰۱۶، هیروآکی کیتانو (Hiroaki Kitano)، زیست‌شناس و مدیرعامل Sony AI، محققان را برای دستیابی به همین هدف به چالش کشید: توسعه یک سیستم هوش مصنوعی آنقدر پیشرفته که بتواند اکتشافی درخور جایزه نوبل انجام دهد. 

   کیتانو این تلاش را "چالش نوبل تورینگ" (Nobel Turing Challenge) نامید و آن را به عنوان چالش بزرگ هوش مصنوعی در علم معرفی کرد . یک ماشین زمانی برنده می‌شود که بتواند به اکتشافی هم‌تراز با تحقیقات سطح بالای انسانی دست یابد.

   این کاری نیست که مدل‌های فعلی از پس آن برآیند. اما چالش نوبل تورینگ پیش‌بینی می‌کند که تا سال ۲۰۵۰، یک سیستم هوش مصنوعی، بدون دخالت انسان، مهارت‌های تولید فرضیه، طراحی آزمایش و تحلیل داده را برای دستیابی به یک پیشرفت بزرگ و درخور جایزه نوبل ترکیب خواهد کرد.

   شاید حتی تا سال ۲۰۵۰ هم طول نکشد. راس کینگ (Ross King)، محقق مهندسی شیمی در دانشگاه کمبریج بریتانیا و یکی از سازمان‌دهندگان این چالش، معتقد است که چنین "دانشمند هوش مصنوعی" ممکن است حتی زودتر به جایگاه یک برنده نوبل برسد. او می‌گوید: به نظرم تقریباً قطعی است که سیستم‌های هوش مصنوعی آنقدر خوب خواهند شد که جوایز نوبل را ببرند. سؤال این است که آیا این اتفاق ۵۰ سال طول می‌کشد یا ۱۰ سال.

   اما بسیاری از محققان نمی‌دانند چگونه سیستم‌های هوش مصنوعی فعلی، که برای تولید رشته‌هایی از کلمات و ایده‌ها بر اساس دانش موجود بشر آموزش دیده‌اند، می‌توانند بینش‌های تازه و بدیعی ارائه دهند.

 

   دست‌یابی به چنین شاهکاری ممکن است نیازمند تغییرات اساسی در نحوه توسعه هوش مصنوعی توسط محققان و نحوه تخصیص بودجه‌های مربوط به آن باشد. یولاندا گیل (Yolanda Gil)، پژوهشگر هوش مصنوعی در دانشگاه کالیفرنیای جنوبی در لس‌آنجلس می‌گوید: اگر فردا ببینید یک برنامه دولتی یک میلیارد دلار در تحقیقات بنیادی سرمایه‌گذاری می‌کند، فکر می‌کنم پیشرفت بسیار سریع‌تر خواهد شد.

دیگران هشدار می‌دهند ریسک‌های نگران‌کننده‌ای در مورد ورود هوش مصنوعی به چرخه تحقیقات وجود دارد.

 

 

   جوایز نوبل برای تقدیر از کسانی ایجاد شد که "بیشترین منفعت را به بشریت رسانده‌اند"، همانطور که آلفرد نوبل در وصیت‌نامه خود نوشت. 

   بنگت نوردن (Bengt Nordén)، شیمیدان و رئیس سابق کمیته نوبل شیمی، سه معیار را برای جوایز علمی در نظر می‌گیرد: یک اکتشاف نوبل باید مفید باشد، تأثیرگذاری عمیقی داشته باشد و دریچه‌ای به سوی درک علمی بیشتر باز کند.

   اگرچه در حال حاضر تنها افراد زنده، سازمان‌ها و مؤسسات واجد شرایط دریافت این جوایز هستند، اما هوش مصنوعی پیش از این با کمیته نوبل مواجهاتی داشته است. در سال ۲۰۲۴، جایزه نوبل فیزیک به پیشگامان یادگیری ماشین که سنگ بنای شبکه‌های عصبی مصنوعی را گذاشتند، اهدا شد. در همان سال، نیمی از جایزه شیمی به محققان پشت پرده "آلفافولد" (AlphaFold) تعلق گرفت؛ یک سیستم هوش مصنوعی از شرکت دیپ‌مایند گوگل در لندن که ساختارهای سه‌بعدی پروتئین‌ها را از روی توالی اسیدهای آمینه آنها پیش‌بینی می‌کند. اما این جوایز برای پیشرفت‌های علمی پشت سیستم‌های هوش مصنوعی بودند، نه برای اکتشافاتی که توسط هوش مصنوعی انجام شده باشد.

   بر اساس تعریف چالش نوبل تورینگ، برای اینکه یک دانشمند هوش مصنوعی بتواند ادعای اکتشاف خود را داشته باشد، این تحقیق باید "به طور کامل یا بسیار خودمختار" انجام شود. به گفته گیل، دانشمند هوش مصنوعی باید بر کل فرآیند علمی از ابتدا تا انتها نظارت کند و در مورد سؤالاتی که باید پاسخ داده شوند، آزمایش‌هایی که باید انجام شوند و داده‌هایی که باید تحلیل شوند، تصمیم‌گیری کند.

 

  گیل می‌گوید او در حال حاضر ابزارهای هوش مصنوعی را دیده است که تقریباً در هر مرحله از فرآیند اکتشاف به دانشمندان کمک می‌کنند، و این موضوع "این حوزه را بسیار هیجان‌انگیز می‌کند". محققان نشان داده‌اند که هوش مصنوعی می‌تواند به رمزگشایی گفتار حیوانات کمک کند، در مورد منشأ حیات در کیهان فرضیه‌سازی کند و پیش‌بینی کند که ستاره‌های در حال چرخش چه زمانی ممکن است با هم برخورد کنند. این فناوری می‌تواند توفان‌های گرد و غبار کشنده را پیش‌بینی کرده و به بهینه‌سازی مونتاژ کامپیوترهای کوانتومی آینده کمک کند.

 

 

   هوش مصنوعی همچنین در حال شروع به انجام آزمایش‌ها به تنهایی است. گیب گومز (Gabe Gomes)، شیمیدان در دانشگاه کارنگی ملون در پیتسبورگ پنسیلوانیا، و همکارانش سیستمی به نام "همکار-دانشمند" (Coscientist) طراحی کرده‌اند که بر مدل‌های زبان بزرگ (LLMها) - از نوع مدل‌های ChatGPT و سیستم‌های مشابه - تکیه می‌کند تا واکنش‌های شیمیایی پیچیده را با استفاده از تجهیزات آزمایشگاهی رباتیک، طراحی و اجرا کند. به گفته گومز، یک نسخه منتشر نشده از Coscientist می‌تواند محاسبات شیمیایی را با سرعتی قابل توجه انجام دهد.

 

   یکی از دانشجویان گومز یک بار شکایت کرد که نرم‌افزار نیم ساعت طول کشید تا حالت گذار یک واکنش را محاسبه کند. او می‌گوید: این مسئله در دوران دانشجویی من بیش از یک سال زمان برد.

    شرکت "ساکانا ای‌آی" (Sakana AI) مستقر در توکیو، از مدل‌های زبان بزرگ برای خودکارسازی تحقیقات در حوزه یادگیری ماشین استفاده می‌کند. همزمان، محققان در گوگل و جاهای دیگر در حال بررسی این موضوع هستند که چگونه چت‌بات‌ها می‌توانند به صورت تیمی برای تولید ایده‌های علمی کار کنند.

 

   اکثر دانشمندانی که از هوش مصنوعی استفاده می‌کنند، آن را به عنوان یک دست‌یار یا همکار برای انجام وظایف خاص به کار می‌گیرند. به گفته سم رودریگز (Sam Rodriques)، مدیرعامل FutureHouse - یک آزمایشگاه تحقیقاتی در سانفرانسیسکو که اوایل امسال یک مدل زبان بزرگ طراحی‌شده برای انجام وظایف شیمی را ارائه کرد، این اولین موج از سه موج هوش مصنوعی در علم است. این مدل و دیگر "مدل‌های استدلال‌گر" (reasoning models) یاد می‌گیرند که با استفاده از فرآیند آزمون و خطا که شامل آموزش بر روی مثال‌های صحیح است، تفکر منطقی گام‌به‌گام را تقلید کنند.

  مدل‌های موجود، همکاران مفیدی هستند که می‌توانند بر اساس داده‌ها پیش‌بینی کنند و محاسبات طاقت‌فرسا را تسریع بخشند. اما آنها معمولاً حداقل در یک مرحله به حضور یک انسان در چرخه نیاز دارند.

  رودریگز می‌گوید: در مرحله بعد، هوش مصنوعی در توسعه و ارزیابی فرضیه‌های خود از طریق جستجو در مقالات علمی و تحلیل داده‌ها بهتر خواهد شد. 

 

   جیمز زو (James Zou)، دانشمند داده‌های زیست‌پزشکی در دانشگاه استنفورد کالیفرنیا، وارد این حوزه شده است. او و همکارانش اخیراً نشان دادند  سیستمی مبتنی بر مدل‌های زبان بزرگ می‌تواند داده‌های بیولوژیکی را برای یافتن بینش‌هایی که محققان از دست داده‌اند، جست‌و‌جو کند.

 

 به عنوان مثال، هنگامی که یک مقاله منتشر شده و مجموعه داده‌های مرتبط با توالی RNA به سیستم داده شد، سیستم دریافت که سلول‌های ایمنی خاصی در افراد مبتلا به کووید-۱۹ با احتمال بیشتری هنگام مرگ متورم می‌شوند؛ ایده‌ای که توسط نویسندگان مقاله بررسی نشده بود. زو می‌گوید: این نشان می‌دهد «که عامل هوش مصنوعی در حال شروع به یافتن خودمختارانه چیزهای جدید است.»

    او همچنین در حال کمک به سازماندهی یک گردهمایی مجازی به نام Agents4Science در اواخر این ماه است که آن را اولین کنفرانس علمی "فقط برای هوش مصنوعی" توصیف می‌کند. تمام مقالات توسط عامل‌های هوش مصنوعی (در کنار همکاران انسانی) نوشته و بررسی خواهند شد. 

 

   این نشست یک روزه شامل سخنرانی‌ها و پنل‌های گفت‌و‌گوی دعوت‌شده (از سوی انسان‌ها) در مورد آینده تحقیقات تولید شده توسط هوش مصنوعی خواهد بود. زو امیدوار است که این نشست به محققان کمک کند تا ارزیابی کنند هوش مصنوعی چقدر در انجام و بررسی تحقیقات نوآورانه توان‌مند است.

 

   زو می‌گوید چالش‌های شناخته‌شده‌ای در این تلاش‌ها وجود دارد، از جمله "توهم" (hallucinations) که اغلب گریبان‌گیر مدل‌های زبان بزرگ است. اما او معتقد است که این مشکلات را می‌توان عمدتاً با بازخورد انسانی اصلاح کرد.

 

   رودریگز می‌گوید مرحله نهایی هوش مصنوعی در علم، و آنچه FutureHouse برای آن تلاش می‌کند، مدل‌هایی هستند که می‌توانند سؤالات خود را بپرسند و آزمایش‌های خود را طراحی و اجرا کنند آن‌هم بدون نیاز به انسان. او این امر را اجتناب‌ناپذیر می‌داند و می‌گوید هوش مصنوعی می‌تواند «حداکثر تا سال ۲۰۳۰» به اکتشافی درخور جایزه نوبل دست یابد.

 

   او می‌گوید امیدوارکننده‌ترین حوزه‌ها برای یک پیشرفت بزرگ - چه توسط یک دانشمند هوش مصنوعی و چه غیر آن - در علم مواد یا درمان بیماری‌هایی مانند پارکینسون یا آلزایمر است، زیرا این‌ها حوزه‌هایی با چالش‌های بزرگ و نیازهای برآورده نشده هستند.