آیا هوش مصنوعی روزی برنده جایزه نوبل خواهد شد؟

مدل‌های هوش مصنوعی به‌تدریج در علم موفق‌تر می‌شوند. طی دو سال گذشته، این مدل‌ها نشان داده‌اند که می‌توانند داده‌ها را تحلیل کنند، آزمایش‌ها را طراحی کنند و حتی فرضیه‌های جدید ارائه دهند. سرعت این پیشرفت‌ها برخی پژوهشگران را متقاعد کرده است که هوش مصنوعی می‌تواند طی چند دهه آینده با بزرگ‌ترین دانشمندان عرصه علم رقابت کند.

چالش تورینگ نوبل

به نقل ازساینتیفیک آمریکن«هیروآکی کیتانو»، زیست‌شناس و مدیرعامل Sony AI در سال ۲۰۱۶ پژوهشگران را به تحقق دقیقاً چنین هدفی به چالش کشید؛ توسعه یک سامانه هوش مصنوعی آن‌قدر پیشرفته که بتواند کشفی در سطح دریافت جایزه نوبل انجام دهد. کیتانو این تلاش را «چالش تورینگ نوبل» (Nobel Turing Challenge) نام‌گذاری کرد و آن را به‌عنوان چالش بزرگ هوش مصنوعی در علم مطرح کرد. بر اساس این چالش، یک ماشین زمانی برنده محسوب می‌شود که بتواند به کشفی در سطح تحقیقات برتر انسانی دست یابد.

مدل‌های کنونی هنوز قادر به انجام چنین کاری نیستند. اما «چالش تورینگ نوبل» تا سال ۲۰۵۰ دستیابی به سامانه‌ای مبتنی بر هوش مصنوعی را متصور است که بدون دخالت انسان، مهارت‌های تولید فرضیه، برنامه‌ریزی آزمایش و تحلیل داده را با یکدیگر ترکیب کند و به یک دستاورد علمی درخور جایزه نوبل برسد.

حتی ممکن است نیازی به صبرکردن تا سال ۲۰۵۰ نباشد. «راس کینگ»، پژوهشگر مهندسی شیمی در دانشگاه کمبریج و یکی از سازمان‌دهندگان این چالش معتقد است چنین «دانشمند هوش مصنوعی» ممکن است حتی زودتر به جایگاه یک برنده نوبل برسد. او می‌گوید: «تقریباً مطمئنم که سامانه‌های هوش مصنوعی آن‌قدر توانمند خواهند شد که بتوانند جایزه نوبل ببرند. سؤال این است که آیا این اتفاق ۵۰ سال دیگر رخ می‌دهد یا ۱۰ سال دیگر.»

اما بسیاری از پژوهشگران نمی‌بینند که سامانه‌های هوش مصنوعی کنونی که برای تولید رشته‌هایی از کلمات و ایده‌ها بر اساس مجموعه دانش موجود بشر آموزش دیده‌اند؛ چگونه می‌توانند به بینش‌های تازه دست پیدا کنند. تحقق چنین دستاوردی ممکن است به تغییرات اساسی در نحوه توسعه هوش مصنوعی و همچنین در مسیر تخصیص بودجه‌های پژوهشی هوش مصنوعی نیاز داشته باشد. «یولاندا گیل»، پژوهشگر هوش مصنوعی در دانشگاه کالیفرنیای جنوبی در لس‌آنجلس می‌گوید: «اگر فردا شاهد بودید که یک برنامه دولتی یک میلیارد دلار در پژوهش‌های بنیادی سرمایه‌گذاری می‌کند، فکر می‌کنم پیشرفت این حوزه بسیار سریع‌تر می‌شد.» برخی دیگر هشدار می‌دهند که واردکردن هوش مصنوعی به فرایند پژوهش، خطرات قریب‌الوقوعی نیز به همراه دارد.

کشف‌هایی در سطح جایزه نوبل

جایزه نوبل برای تجلیل از کسانی ایجاد شد که به تعبیر آلفرد نوبل در وصیت‌نامه‌اش، «بزرگ‌ترین منفعت را برای بشریت به ارمغان آورده‌اند». «بنگت نوردن»، شیمی‌دان و رئیس پیشین کمیته نوبل شیمی برای جوایز علمی سه معیار در نظر می‌گیرد: یک کشف شایسته نوبل باید مفید باشد، تأثیرگذاری گسترده‌ای داشته باشد و دریچه‌ای به‌سوی درک علمی بیشتر باز کند.

در حال حاضر، تنها افراد زنده، سازمان‌ها و مؤسسات واجد شرایط دریافت جوایز نوبل هستند؛ بااین‌حال، هوش مصنوعی پیش‌ازاین نیز با کمیته نوبل مواجه شده است. در سال ۲۰۲۴، جایزه نوبل فیزیک به XNET یادگیری ماشین اعطا شد که زیرساخت‌های لازم برای شبکه‌های عصبی مصنوعی را فراهم کردند. در همان سال، نیمی از جایزه نوبل شیمی به «دمیس هابیس» و «جان جامپر» تعلق گرفت که پشت سامانه AlphaFold قرار داشتند؛ سامانه‌ای مبتنی بر هوش مصنوعی که توسط Google DeepMind در لندن توسعه یافته و ساختار سه‌بعدی پروتئین‌ها را بر اساس توالی اسیدهای آمینه آن‌ها پیش‌بینی می‌کند. بااین‌حال، این جوایز به دستاوردهای علمیِ پشت سامانه‌های هوش مصنوعی تعلق گرفتند، نه به دستاوردهایی که خود هوش مصنوعی ایجاد کرده باشد.

برای‌آنکه یک دانشمند هوش مصنوعی بتواند ادعا کند یک کشف متعلق به خودش است، پژوهش می‌بایست مطابق معیارهای چالش تورینگ نوبل، «به طور کامل یا تا حد بسیار زیادی به‌صورت خودمختار» انجام شده باشد. به گفته گیل، این دانشمند هوش مصنوعی باید از ابتدا تا انتهای فرایند علمی را بر عهده بگیرد؛ از تصمیم‌گیری درباره پرسش‌هایی که باید پاسخ داده شوند گرفته تا تعیین آزمایش‌هایی که باید انجام شوند و داده‌هایی که باید مورد تحلیل قرار گیرند.

گیل می‌گوید تاکنون شاهد بوده که ابزارهای هوش مصنوعی تقریباً در تمام مراحل فرایند کشف علمی به دانشمندان کمک می‌کنند و همین موضوع «این حوزه را بسیار هیجان‌انگیز» کرده است. پژوهشگران نشان داده‌اند که هوش مصنوعی می‌تواند به رمزگشایی از گفتار حیوانات کمک کند، درباره منشأ حیات در کیهان فرضیه‌پردازی کند و پیش‌بینی کند که چه زمانی کهکشان‌های مارپیچی ممکن است با یکدیگر برخورد کنند. این فناوری می‌تواند وقوع طوفان‌های مرگبار را پیش‌بینی کند و به بهینه‌سازی فرایند مونتاژ رایانه‌های کوانتومی آینده کمک کند.

هوش مصنوعی همچنین به‌تدریج در حال انجام آزمایش‌ها به‌صورت مستقل است. «گیب گومز»، شیمی‌دان دانشگاه کارنگی ملون و همکارانش سامانه‌ای به نام Coscientist طراحی کرده‌اند که با اتکا به مدل‌های زبانی بزرگ، واکنش‌های شیمیایی پیچیده را با استفاده از تجهیزات رباتیک آزمایشگاهی برنامه‌ریزی و اجرا می‌کند. گومز می‌گوید نسخه‌ای منتشرنشده از Coscientist نیز می‌تواند محاسبات شیمیایی را با سرعتی چشمگیر انجام دهد. یکی از دانشجویان گومز زمانی از این موضوع شکایت کرده بود که نرم‌افزار برای تعیین حالت گذار یک واکنش، نیم ساعت زمان صرف کرده است. گومز می‌گوید: «من به‌عنوان دانشجوی تحصیلات تکمیلی، برای حل این مسئله بیش از یک سال وقت گذاشتم.»

شرکت Sakana AI مستقر در توکیو نیز از مدل‌های زبانی بزرگ برای تلاش در جهت خودکارسازی پژوهش‌های یادگیری ماشین استفاده می‌کند. هم‌زمان، پژوهشگران گوگل و دیگر مراکز در حال بررسی این موضوع هستند که چت‌بات‌ها چگونه می‌توانند در قالب تیم‌هایی با یکدیگر همکاری کنند تا ایده‌های علمی تولید کنند. بیشتر دانشمندانی که از هوش مصنوعی استفاده می‌کنند، آن را نوعی دستیار یا همکار به کار می‌گیرند که اغلب مسئولیت وظایف مشخصی به آن سپرده می‌شود. «سم رودریکس»، مدیرعامل FutureHouse، یک آزمایشگاه پژوهشی در سان‌فرانسیسکو که اوایل ۲۰۲۵ از یک مدل زبانی بزرگ با قابلیت انجام وظایف شیمیایی رونمایی کرد می‌گوید این نخستین موج از سه موج هوش مصنوعی در علم است. این سامانه و سایر «مدل‌های استدلالی» (reasoning models) می‌آموزند فرایند تفکر منطقی گام‌به‌گام را تقلید کنند؛ آن هم از طریق فرایندی مبتنی بر آزمون‌وخطا که شامل آموزش با استفاده از نمونه‌های صحیح است.

مدل‌های موجود، همکارانی مفید هستند که می‌توانند بر اساس داده‌ها پیش‌بینی انجام دهند و محاسباتی را که در حالت عادی بسیار زمان‌بر و طاقت‌فرسا هستند، سرعت ببخشند. بااین‌حال، این مدل‌ها معمولاً دست‌کم در یکی از مراحل فرایند به حضور انسان در حلقه نیاز دارند. رودریکس می‌گوید در گام بعدی، هوش مصنوعی در توسعه و ارزیابی فرضیه‌های خود بهتر خواهد شد؛ آن هم از طریق جست‌وجو در متون علمی و تحلیل داده‌ها. «جیمز زو»، دانشمند داده‌های زیست‌پزشکی در دانشگاه استنفورد وارد این حوزه شده است. او و همکارانش اخیراً نشان داده‌اند که سامانه‌ای مبتنی بر مدل‌های زبانی بزرگ می‌تواند داده‌های زیستی را جست‌وجو کند و به بینش‌هایی دست یابد که پژوهشگران از آن‌ها غافل مانده‌اند.

برای مثال، زمانی که یک مقاله منتشرشده و مجموعه‌داده‌ای از توالی‌های RNA مرتبط با آن در اختیار این سامانه قرار گرفت، سامانه دریافت که برخی سلول‌های ایمنی در افراد مبتلا به کووید-۱۹، هنگام مرگ احتمال بیشتری دارد که متورم شوند؛ ایده‌ای که نویسندگان مقاله آن را بررسی نکرده بودند. زو می‌گوید این یافته نشان می‌دهد «عامل هوش مصنوعی در حال آغاز فرایند کشف مستقل چیزهای جدید است.»

او همچنین در حال کمک به سازمان‌دهی گردهمایی مجازی Agents4Science است که آن را نخستین کنفرانس علمی صرفاً مبتنی بر هوش مصنوعی توصیف می‌کند. تمام مقالات این کنفرانس توسط عامل‌های هوش مصنوعی نوشته و داوری خواهند شد و در کنار آن‌ها، همکاران انسانی نیز مشارکت خواهند داشت. این نشست یک‌روزه همچنین شامل سخنرانی‌های دعوت‌شده و میزگردهایی از سوی انسان‌ها درباره آینده پژوهش‌های تولیدشده با هوش مصنوعی خواهد بود. زو می‌گوید امیدوار است این نشست به پژوهشگران کمک کند توانایی هوش مصنوعی در انجام و داوری پژوهش‌های نوآورانه را ارزیابی کنند. زو می‌گوید چنین تلاش‌هایی با چالش‌های شناخته‌شده‌ای مواجه‌اند؛ از جمله توهم (hallucination) که اغلب گریبان‌گیر مدل‌های زبانی بزرگ می‌شود. بااین‌حال، او معتقد است این مشکلات را می‌توان تا حد زیادی با بازخورد انسانی برطرف کرد.

رودریکس می‌گوید مرحله نهایی هوش مصنوعی در علم و هدفی که FutureHouse دنبال می‌کند، توسعه مدل‌هایی است که بتوانند پرسش‌های خودشان را مطرح کنند و آزمایش‌های خود را طراحی و اجرا کنند؛ بدون آنکه به انسان نیاز داشته باشند. او این تحول را اجتناب‌ناپذیر می‌داند و می‌گوید هوش مصنوعی می‌تواند «حداکثر تا سال ۲۰۳۰» به کشفی در سطح جایزه نوبل دست پیدا کند.

به گفته او، امیدوارکننده‌ترین حوزه‌ها برای یک دستاورد بزرگ چه توسط یک دانشمند هوش مصنوعی و چه به شیوه‌های دیگر، علم مواد و درمان بیماری‌هایی مانند پارکینسون یا آلزایمر هستند؛ زیرا این حوزه‌ها با چالش‌های بزرگ حل‌نشده و نیازهای برآورده‌نشده مواجه‌اند.

اندیشیدن درباره اندیشیدن

بسیاری از پژوهشگران نسبت به چنین ادعاهایی محتاط‌اند و موانع بسیار بزرگ‌تری را پیش روی این مسیر می‌بینند. «داگ داونی»، پژوهشگر مؤسسه Allen می‌گوید او و همکارانش دریافته‌اند که عامل‌های مبتنی بر مدل‌های زبانی بزرگ آن‌ها هنگام تلاش برای تکمیل یک پروژه پژوهشی از ابتدا تا انتها، عملکرد ضعیفی دارند.

در یکی از مطالعات که ۵۷ عامل هوش مصنوعی را بررسی کرده بود، این تیم دریافت که عامل‌ها می‌توانند وظایف مشخص مرتبط با علم را حدود ۷۰ درصد مواقع به طور کامل انجام دهند؛ اما زمانی که از آن‌ها خواسته می‌شود یک ایده را تولید کنند، آزمایشی را طراحی و اجرا کنند و داده‌ها را برای تهیه یک گزارش کامل تحلیل کنند، این رقم به تنها ۱ درصد کاهش می‌یابد. داونی و دیگر نویسندگان مقاله می‌نویسند: «کشف علمی خودکار از ابتدا تا انتها همچنان چالشی بسیار دشوار است.» داونی می‌گوید اگرچه به نظر می‌رسد هوش مصنوعی ظرفیت بالایی برای پیشبرد علم دارد، اما محدودیت‌هایی نیز دارد. او می‌گوید: «فکر می‌کنم مشخص نیست غلبه بر این محدودیت چقدر زمان خواهد برد.»

حتی زمانی که سامانه‌های هوش مصنوعی امروزی در یک حوزه تخصصی مشخص پیش‌بینی‌های درستی ارائه می‌کنند، لزوماً اصول بنیادی زیربنایی را یاد نمی‌گیرند. برای مثال، اخیراً یک مطالعه نشان داد که اگرچه یک مدل هوش مصنوعی می‌توانست نحوه گردش یک سیاره به دور یک ستاره را پیش‌بینی کند، اما قادر نبود قوانین بنیادی فیزیکی حاکم بر این اجرام را بازتولید کند. این مدل در واقع یک اصل علمی را یاد نمی‌گرفت، بلکه نتایج حاصل از آن اصل را تقلید می‌کرد.

در مطالعه‌ای دیگر، یک ابزار هوش مصنوعی نتوانست نقشه‌ای دقیق از خیابان‌های شهر نیویورک ایجاد کند، باوجودآنکه یاد گرفته بود چگونه در این شهر مسیریابی کند.

«سوبارائو کامبهامپاتی»، دانشمند علوم رایانه در دانشگاه ایالتی آریزونا می‌گوید چنین کاستی‌هایی نشان می‌دهند که تجربه زیسته یک پژوهشگر انسانی برای کشف اصول بنیادی علمی اهمیت دارد. در مقابل، سامانه‌های هوش مصنوعی جهان را تنها به‌صورت غیرمستقیم و از طریق مجموعه‌داده‌هایی تجربه می‌کنند که در اختیارشان قرار می‌گیرد. برخی پژوهشگران در حال بررسی ترکیب هوش مصنوعی و ربات‌ها هستند تا به این سامانه‌ها تجربه بیشتری از تعامل و مسیریابی در جهان واقعی بدهند.

کامبهامپاتی می‌گوید فقدان تجربه در جهان واقعی، طرح پرسش‌های تازه و خلاقانه و ارائه بینش‌های جدید درباره جهان انسانی را برای مدل‌های هوش مصنوعی دشوار خواهد کرد. او می‌گوید: «من کاملاً از این ادعا حمایت می‌کنم که هوش مصنوعی می‌تواند علم را سرعت ببخشد.» اما «اینکه بگوییم دیگر به دانشمندان انسانی نیاز نداریم و این ماشین صرفاً یک کشف در سطح جایزه نوبل انجام خواهد داد»، چیزی جز هیاهو و اغراق به نظر نمی‌رسد.

از نظر گیل، توسعه یک دانشمند هوش مصنوعی که قادر به انجام کشفی در سطح جایزه نوبل باشد، مستلزم سرمایه‌گذاری و تلاش بیشتر برای توسعه ابزارهای هوش مصنوعی با دامنه گسترده‌تری از قابلیت‌ها، از جمله «فرااستدلال» (meta-reasoning)، خواهد بود. پژوهشگران باید راه‌هایی پیدا کنند تا توانایی ارزیابی و تنظیم فرایندهای استدلال خودِ هوش مصنوعی را در آن ایجاد کنند؛ یعنی هوش مصنوعی بتواند درباره نحوه اندیشیدن خودش بیندیشد. چنین تغییری می‌تواند به مدل‌ها امکان دهد ارزیابی کنند کدام انواع آزمایش بهترین نتایج را به همراه خواهند داشت و نظریه‌های علمی خود را بر اساس یافته‌های جدید بازنگری کنند.

گیل مدت‌هاست روی پژوهش‌های بنیادی کار می‌کند که می‌تواند چنین قابلیت‌هایی را به هوش مصنوعی اعطا کند، اما می‌گوید مدل‌های زبانی بزرگ توجهات را به خود معطوف کرده‌اند. اگر این وضعیت ادامه پیدا کند، او انتظار دارد دستیابی به کشف‌هایی در سطح جایزه نوبل همچنان چشم‌اندازی دور از دسترس باشد. گیل می‌گوید: «با استفاده از تکنیک‌های هوش مصنوعی مولد، نتایج هیجان‌انگیز بسیار زیادی می‌توانید به دست آورید. اما حوزه‌های بسیار دیگری نیز وجود دارند که باید به آن‌ها توجه شود.» کینگ نیز می‌پذیرد که موانعی در پیش است. او می‌گوید مدل‌های زبانی بزرگ درک خوبی از جهان انسانی یا حتی از نقشی که خودشان در آن ایفا می‌کنند ندارند: «این مدل حتی نمی‌داند کاری که انجام می‌دهد، علم است.»

بسیاری از بحث‌هایی که در نشست‌های «چالش تورینگ نوبل» مطرح می‌شوند، بر این موضوع تمرکز دارند که هوش مصنوعی هنوز چه پیشرفت‌هایی باید داشته باشد و چگونه می‌توان به آن‌ها دست یافت. برای مثال

• آیا یک دانشمند هوش مصنوعی باید به هوش جامع مصنوعی (AGI) دست پیدا کند و از نظر دانش و سازگاری، هم‌سطح یک انسان باشد؟
• آیا یک دانشمند هوش مصنوعی مانند یک دانشمند انسانی رفتار خواهد کرد یا مسیر رسیدن به کشف علمی برای آن متفاوت خواهد بود؟
• پیامدهای حقوقی و اخلاقی کشف‌های خودکارشده با هوش مصنوعی چه خواهند بود؟
• چگونه می‌توان بودجه جایزه‌ای برای دانشمندان هوش مصنوعی را تأمین کرد؟

ممکن است پاسخ به اینکه هوش مصنوعی واقعاً چه توانایی‌هایی دارد، تنها با گذشت زمان مشخص شود. گیل می‌گوید: «تنها راه برای یافتن پاسخ این پرسش‌ها، آزمودن آن‌هاست؛ همان‌طور که با هر فرضیه دیگری انجام می‌دهیم.»

برخی پژوهشگران حتی می‌پرسند آیا جامعه علمی اساساً باید برای دستیابی به چنین کشفی تلاش کند یا خیر. «لیزا مسری»، انسان‌شناس دانشگاه ییل و «مالی کراکت»، روان‌شناس دانشگاه پرینستون در مقاله‌ای که در سال ۲۰۲۴ منتشر کردند، استدلال کرده‌اند که اتکای بیش از حد به هوش مصنوعی در علم، همین حالا نیز موجب افزایش خطا شده است. آن‌ها همچنین اشاره می‌کنند که هوش مصنوعی می‌تواند رویکردهای جایگزین را به حاشیه براند و نوآوری را کاهش دهد؛ به‌گونه‌ای که دانشمندان به «تولید بیشتر، اما درک کمتر» روی‌آورند.

ممکن است اکتشاف خودکار با پیامدهای منفی جدی برای علم و دانشمندان همراه باشد. به گفته مسری، هوش مصنوعی در حال انجام وظایفی است که فرصت‌های پیش روی دانشمندان جوان را کاهش می‌دهد؛ افرادی که ممکن است هرگز مهارت‌های لازم برای‌آنکه در آینده خودشان به جایزه نوبل دست پیدا کنند را کسب نکنند. او می‌گوید: «اگرچه این یک بازی با حاصل‌جمع صفر نیست، اما باتوجه‌به کاهش کنونی بودجه‌های پژوهشی و دانشگاهی، در مقطعی نگران‌کننده برای ارزیابی مزایا و معایب این آینده قرار داریم.»

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.