مدل‌های هوش مصنوعی قابلیت پیشرفت در علم را دارند؟

به گزارش مجله خبری نگار/جماران، در سال ۲۰۱۶، هیروآکی کیتانو، زیست‌شناس و مدیر اجرایی شرکت هوش مصنوعی سونی، محققان را به چالش کشید تا یک سیستم هوش مصنوعی را توسعه دهند که به قدری پیشرفته باشد که بتواند کشفی شایسته جایزه نوبل انجام دهد. کیتانو با نامیدن این چالش به عنوان چالش نوبل تورینگ، این تلاش را به عنوان چالش بزرگ هوش مصنوعی در علم معرفی کرد. یک ماشین در صورتی برنده می‌شود که بتواند به کشفی در سطح تحقیقات سطح بالای انسانی دست یابد.

ایسنا نوشت؛ به نقل از نیچر، این کاری نیست که مدل‌های فعلی بتوانند انجام دهند. اما چالش نوبل تورینگ تا سال ۲۰۵۰، یک سیستم هوش مصنوعی را پیش‌بینی می‌کند که بدون دخالت انسان، مهارت‌های تولید فرضیه، برنامه‌ریزی تجربی و تجزیه و تحلیل داده‌ها را ترکیب می‌کند تا به موفقیتی شایسته جایزه نوبل دست یابد.

ممکن است این اتفاق حتی تا سال ۲۰۵۰ طول نکشد. راس کینگ، محقق مهندسی شیمی در دانشگاه کمبریج انگلستان و یکی از برگزارکنندگان این چالش، فکر می‌کند که چنین هوش مصنوعی دانشمندی ممکن است حتی زودتر به مقام برنده جایزه برسد. او می‌گوید: فکر می‌کنم تقریبا قطعی است که سیستم‌های هوش مصنوعی به اندازه کافی خوب خواهند شد تا جوایز نوبل را ببرند. سؤال این است که آیا این امر ۵۰ سال طول خواهد کشید یا ۱۰ سال.

بسیاری از محققان نمی‌بینند که چگونه سیستم‌های هوش مصنوعی فعلی که برای تولید رشته‌هایی از کلمات و ایده‌ها بر اساس دانش موجود بشر آموزش دیده‌اند، می‌توانند بینش‌های جدیدی ارائه دهند. دستیابی به چنین دستاوردی ممکن است مستلزم تغییرات اساسی در نحوه توسعه هوش مصنوعی توسط محققان و نحوه تخصیص بودجه هوش مصنوعی باشد. یولاندا گیل، محقق هوش مصنوعی در دانشگاه کالیفرنیای جنوبی در لس‌آنجلس، می‌گوید: اگر فردا شاهد سرمایه‌گذاری یک میلیارد دلاری یک برنامه دولتی در تحقیقات بنیادی باشید، فکر می‌کنم پیشرفت بسیار سریع‌تر خواهد بود.

اکتشافات شایسته جایزه

جوایز نوبل برای بزرگداشت کسانی ایجاد شده‌اند که «بیشترین سود را به بشریت رسانده‌اند»، همانطور که آلفرد نوبل، همنام این جایزه، در وصیت‌نامه خود نوشته است. بنگت نوردن، شیمیدان و رئیس سابق کمیته نوبل شیمی، برای جوایز علمی سه معیار را در نظر می‌گیرد: یک کشف نوبل باید مفید باشد، بسیار تاثیرگذار باشد و دریچه‌ای به سوی درک علمی بیشتر بگشاید.

اگرچه در حال حاضر فقط افراد زنده، سازمان‌ها و مؤسسات واجد شرایط دریافت جوایز هستند، اما هوش مصنوعی پیش از این نیز با کمیته نوبل رو‌به‌رو شده است. در سال ۲۰۲۴، جایزه نوبل فیزیک به پیشگامان یادگیری ماشینی که زمینه‌ساز شبکه‌های عصبی مصنوعی بودند، اهدا شد. در همان سال، نیمی از جایزه شیمی به محققان پشت هوش مصنوعی آلفافولد (AlphaFold)، از گوگل دیپ‌مایند (Google DeepMind) در لندن که ساختار‌های سه‌بعدی پروتئین‌ها را از توالی اسید آمینه آنها پیش‌بینی می‌کند، اهدا شد. اما این جوایز برای گام‌های علمی پشت سیستم‌های هوش مصنوعی بود نه برای آنهایی که توسط هوش مصنوعی ساخته شده‌اند.

طبق چالش نوبل تورینگ، برای اینکه یک دانشمند هوش مصنوعی بتواند ادعای کشف خود را داشته باشد، تحقیق باید کاملا یا تا حد زیادی خودکار انجام شود. به گفته گیل، دانشمند هوش مصنوعی باید از ابتدا تا انتها بر فرآیند علمی نظارت داشته باشد، در مورد سؤالاتی که باید پاسخ داده شوند، آزمایش‌هایی که باید انجام شوند و داده‌هایی که باید تجزیه و تحلیل شوند، تصمیم‌گیری کند.

گیل می‌گوید که او قبلا ابزار‌های هوش مصنوعی را دیده است که تقریبا در هر مرحله از فرآیند کشف به دانشمندان کمک می‌کنند که این حوزه را بسیار هیجان‌انگیز می‌کند. محققان نشان داده‌اند که هوش مصنوعی می‌تواند به رمزگشایی گفتار حیوانات، فرضیه‌سازی در مورد منشأ حیات در جهان و پیش‌بینی زمان برخورد احتمالی ستارگان مارپیچی کمک کند. می‌تواند طوفان‌های گرد و غبار کشنده را پیش‌بینی کند و به بهینه‌سازی مونتاژ رایانه‌های کوانتومی آینده کمک کند.

هوش مصنوعی همچنین شروع به انجام آزمایش‌ها به تنهایی کرده است. گیب گومز، شیمیدان دانشگاه کارنگی ملون در پیتسبورگ، پنسیلوانیا و همکارانش سیستمی به نام Coscientist طراحی کرده‌اند که به مدل‌های زبانی بزرگ (LLM) متکی است تا واکنش‌های شیمیایی پیچیده را با استفاده از تجهیزات آزمایشگاهی رباتیک برنامه‌ریزی و اجرا کند. گومز می‌گوید، یک نسخه منتشر نشده از Coscientist می‌تواند شیمی محاسباتی را با سرعت قابل توجهی انجام دهد.

یکی از دانشجویان گومز زمانی شکایت داشت که نیم ساعت طول می‌کشد تا نرم‌افزار حالت گذار یک واکنش را محاسبه کند. او می‌گوید: این مشکل بیش از یک سال از وقت من را به عنوان دانشجوی کارشناسی ارشد گرفت.

شرکت ساکانا‌ای‌آی مستقر در توکیو از دوره‌های آموزش عالی با مسئولیت محدود (LLM) برای خودکارسازی تحقیقات یادگیری ماشینی استفاده می‌کند. همزمان، محققان گوگل و سایر شرکت‌ها در حال بررسی گروه‌ها برای تولید ایده‌های علمی هستند.

بیشتر دانشمندانی که از هوش مصنوعی استفاده می‌کنند، به عنوان دستیار یا همکار به آن روی می‌آورند و اغلب برای وظایف خاص منصوب می‌شوند. سم رودریگز، مدیر اجرایی FutureHouse - یک آزمایشگاه تحقیقاتی در سانفرانسیسکو، کالیفرنیا، اوایل امسال از یک مدل زبانی بزرگ طراحی شده برای انجام وظایف شیمی رونمایی کرد. او می‌گوید: این اولین موج از سه موج هوش مصنوعی در علم است. این مدل و سایر «مدل‌های استدلالی» یاد می‌گیرند که با استفاده از یک فرآیند آزمون و خطا که شامل آموزش روی مثال‌های صحیح است، تفکر منطقی گام به گام را شبیه‌سازی کنند.

مدل‌های موجود، همکاران مفیدی هستند که می‌توانند بر اساس داده‌ها، پیش‌بینی‌هایی انجام دهند و انواع محاسبات دشوار را تسریع کنند. اما آنها حداقل در یک مرحله به حضور انسان در حلقه نیاز دارند.

رودریگز می‌گوید در مرحله بعد، هوش مصنوعی با جست‌و‌جو در متون علمی و تجزیه و تحلیل داده‌ها، در توسعه و ارزیابی فرضیه‌های خود بهتر خواهد شد. جیمز زو، دانشمند داده‌های زیست‌پزشکی در دانشگاه استنفورد در کالیفرنیا، شروع به ورود به این حوزه کرده است. او و همکارانش به تازگی نشان داده‌اند که سیستمی که بر اساس مدل‌های زبانی ساخته شده است، می‌تواند داده‌های زیستی را جست‌و‌جو کند تا بینش‌هایی را که محققان از دست می‌دهند، پیدا کند. به عنوان مثال، وقتی یک مقاله منتشر شده و مجموعه‌ای از داده‌های توالی‌های آران‌ای مرتبط با آن به سیستم داده شد، این سیستم دریافت که سلول‌های ایمنی خاصی در افراد مبتلا به کووید-۱۹ فوت شده، بیشتر متورم می‌شوند، ایده‌ای که توسط نویسندگان مقاله بررسی نشده بود. زو می‌گوید این نشان می‌دهد که عامل هوش مصنوعی شروع به یافتن چیز‌های جدید به صورت خودکار کرده است.

او همچنین در حال سازماندهی یک گردهمایی مجازی به نام Agents۴Science در اواخر این ماه است که آن را اولین کنفرانس علمی مختص هوش مصنوعی توصیف می‌کند. تمام مقالات توسط عوامل هوش مصنوعی در کنار همکاران انسانی، نوشته و بررسی خواهند شد و این نشست یک روزه شامل سخنرانی‌هایی از انسان‌ها در مورد آینده تحقیقات تولید شده توسط هوش مصنوعی خواهد بود. زو می‌گوید امیدوار است که این نشست به محققان کمک کند تا ارزیابی کنند که هوش مصنوعی چقدر در انجام و بررسی تحقیقات نوآورانه توانمند است.

زو می‌گوید چالش‌های شناخته‌شده‌ای برای چنین تلاش‌هایی وجود دارد، از جمله توهماتی که اغلب مدل‌های زبانی بزرگ را آزار می‌دهد. اما او می‌گوید این مسائل را می‌توان عمدتا با بازخورد انسانی برطرف کرد.

رودریگز می‌گوید مرحله نهایی هوش مصنوعی در علم و آنچه FutureHouse به دنبال آن است، مدل‌هایی است که می‌توانند سؤالات خود را بپرسند و آزمایش‌های خود را بدون نیاز به انسان طراحی و اجرا کنند. او این را اجتناب‌ناپذیر می‌داند و می‌گوید که هوش مصنوعی می‌تواند «حداکثر تا سال ۲۰۳۰» کشفی شایسته جایزه نوبل انجام دهد.

او می‌گوید امیدوارکننده‌ترین حوزه‌ها برای دستیابی به موفقیت چه توسط یک دانشمند هوش مصنوعی و چه غیر از آن در علم مواد یا درمان بیماری‌هایی مانند پارکینسون یا آلزایمر است، زیرا این حوزه‌ها چالش‌های بزرگ و نیاز‌های برآورده نشده‌ای دارند.

فکر کردن در مورد فکر کردن

بسیاری از محققان نسبت به چنین ادعا‌هایی محتاط هستند و موانع بسیار بزرگ‌تری را می‌بینند. داگ داونی، محققی در مؤسسه هوش مصنوعی آلن در سیاتل، واشنگتن، می‌گوید که او و همکارانش دریافته‌اند که عوامل مدل‌های زبانی بزرگ آنها هنگام تلاش برای تکمیل یک پروژه تحقیقاتی از ابتدا تا انتها، شکست می‌خورند. در یک مطالعه روی ۵۷ عامل هوش مصنوعی، این گروه دریافت که اگرچه این عوامل می‌توانند وظایف خاص مرتبط با علم را حدود ۷۰ درصد مواقع به طور کامل انجام دهند، اما این رقم هنگام تلاش برای ایجاد ایده، برنامه‌ریزی و اجرای یک آزمایش و تجزیه و تحلیل داده‌ها برای یک گزارش کامل، تنها به یک درصد کاهش می‌یابد. داونی و دیگر نویسندگان می‌نویسند: کشف علمی خودکار از ابتدا تا انتها همچنان یک چالش بزرگ است.

داونی می‌گوید اگرچه به نظر می‌رسد هوش مصنوعی پتانسیل زیادی برای پیشرفت علم دارد، اما بدون محدودیت هم نیست. فکر می‌کنم مشخص نیست چقدر طول بکشد تا بر این محدودیت‌ها غلبه کنیم.

حتی وقتی سیستم‌های هوش مصنوعی امروزی در یک زیرشاخه خاص پیش‌بینی‌های دقیقی انجام می‌دهند، لزوما اصول اساسی‌تر را یاد نمی‌گیرند. برای مثال، یک مطالعه اخیر نشان داد که اگرچه یک مدل هوش مصنوعی می‌تواند نحوه چرخش یک سیاره به دور یک ستاره را پیش‌بینی کند، اما نمی‌تواند قوانین اساسی فیزیک حاکم بر این اجرام را شبیه‌سازی کند. این یادگیری یک اصل علمی نبود، بلکه تقلید از نتایج آن اصل بود. در مطالعه دیگری، یک ابزار هوش مصنوعی با وجود یادگیری نحوه پیمایش در شهر نتوانست نقشه دقیقی از خیابان‌های شهر نیویورک ارائه دهد.

سوبارائو کامبهامپاتی، دانشمند کامپیوتر در دانشگاه ایالتی آریزونا در تمپی، می‌گوید چنین مشکلاتی نشان می‌دهد که چگونه تجربه زیسته یک محقق انسانی برای تدوین اصول علمی پایه مهم است. در مقابل، سیستم‌های هوش مصنوعی جهان را تنها به صورت غیرمستقیم از طریق مجموعه داده‌هایی که به آنها داده می‌شود، تجربه می‌کنند. برخی از محققان در حال بررسی ادغام هوش مصنوعی و ربات‌ها هستند که به این سیستم‌ها تجربه بیشتری در پیمایش جهان می‌دهد.

کامبهامپاتی می‌گوید فقدان تجربه در دنیای واقعی، طرح پرسش‌های تازه و خلاقانه و ارائه بینش‌های جدید در مورد دنیای انسان‌ها را برای مدل‌های هوش مصنوعی دشوار می‌کند. او می‌گوید: من کاملا از ادعا‌هایی مبنی بر اینکه هوش مصنوعی می‌تواند علم را تسریع کند، حمایت می‌کنم. اما اینکه بگوییم به دانشمندان انسانی نیازی نداریم و این ماشین صرفا کشفی در حد نوبل انجام خواهد داد، چیزی بیش از یک بزرگنمایی به نظر نمی‌رسد.

از نظر گیل، پرورش یک دانشمند هوش مصنوعی که قادر به کشفی در حد نوبل باشد، نیازمند سرمایه‌گذاری بیشتر در ابزار‌های هوش مصنوعی با طیف وسیع‌تری از قابلیت‌ها، از جمله فرااستدلال است. محققان باید راه‌هایی برای القای توانایی ارزیابی و تنظیم فرآیند‌های استدلال خود به هوش مصنوعی یعنی تفکر در مورد تفکر، پیدا کنند. این تغییر می‌تواند مدل‌ها را قادر سازد تا انواع آزمایش‌هایی را که بهترین نتایج را به همراه دارند، ارزیابی کنند و نظریه‌های علمی خود را بر اساس یافته‌های جدید اصلاح کنند.

گیل مدت‌هاست که روی تحقیقات بنیادی که می‌تواند چنین توانایی‌هایی را به هوش مصنوعی اعطا کند، کار می‌کند، اما او می‌گوید که مدل‌های زبانی بزرگ توجه را به خود جلب کرده‌اند. اگر این روند ادامه یابد، او انتظار دارد اکتشافات شایسته نوبل، چشم‌اندازی دور از دسترس باشند. گیل می‌گوید: نتایج هیجان‌انگیز زیادی وجود دارد که می‌توانید با تکنیک‌های هوش مصنوعی مولد به دست آورید. اما حوزه‌های بسیار دیگری نیز وجود دارد که باید به آنها توجه شود.

کینگ موافق است که موانعی پیش رو وجود دارد. او می‌گوید مدل‌های زبانی بزرگ، دنیای بشر یا آنچه را که به آن کمک می‌کنند به خوبی درک نمی‌کنند. این سیستم حتی نمی‌داند کاری که انجام می‌دهد، علم است.

بسیاری از بحث‌ها در جلسات برگزار شده توسط چالش نوبل تورینگ بر روی پیشرفت‌هایی که هوش مصنوعی هنوز به آنها دست نیافته و چگونگی رسیدن به آنها متمرکز است. آیا یک دانشمند هوش مصنوعی باید به عنوان مثال، به اندازه یک انسان آگاه و سازگار باشد؟ آیا یک دانشمند هوش مصنوعی مانند یک دانشمند انسانی رفتار خواهد کرد یا مسیر اکتشاف متفاوت خواهد بود؟ پیامد‌های قانونی و اخلاقی اکتشاف خودکار هوش مصنوعی چیست؟ و چگونه می‌توان جایزه‌ای برای دانشمندان هوش مصنوعی تأمین مالی کرد؟

دانستن اینکه هوش مصنوعی به چه دستاورد‌هایی می‌تواند برسد، ممکن است تنها با گذشت زمان حاصل شود. گیل می‌گوید: تنها راه برای رسیدن به این پاسخ‌ها، آزمایش آنهاست. مانند کاری که با هر فرضیه‌ای انجام می‌دهیم.

محققان دیگر این سؤال را مطرح می‌کنند که آیا جامعه علمی اصلا باید برای چنین کشفی تلاش کند یا خیر. در مقاله‌ای در سال ۲۰۲۴، «لیزا مسری» انسان‌شناس دانشگاه ییل در نیوهیون، کنتیکت و «مولی کراکت» روانشناس دانشگاه پرینستون در نیوجرسی، استدلال می‌کنند که اتکای بیش از حد به هوش مصنوعی در علم، از قبل باعث ایجاد خطا‌های بیشتری شده است. آنها همچنین خاطرنشان می‌کنند که هوش مصنوعی می‌تواند رویکرد‌های جایگزین را کنار بزند و نوآوری را کاهش دهد، به طوری که دانشمندان شروع به تولید بیشتر، اما درک کمتر کنند.

ممکن است کشف خودکار با معایب جدی برای علم و دانشمندان همراه باشد. مسری می‌گوید هوش مصنوعی وظایفی را انجام می‌دهد که فرصت‌ها را برای دانشمندان جوان کاهش می‌دهد، کسانی که ممکن است هرگز مهارت‌های لازم را برای کسب جوایز نوبل در آینده به دست نیاورند. او می‌گوید: با توجه به کاهش فعلی بودجه‌های تحقیقاتی و دانشگاهی، ما در لحظه‌ای نگران‌کننده برای ارزیابی مزایا و معایب این آینده هستیم.