کاربردهای هوش مصنوعی

هوش مصنوعی برای کاربردهای علمی به استدلال نیاز دارد، نه صرفاً داده

هر چند دهه یک‌بار، کسی اعلام می‌کند که علم به پایان راه خود رسیده است. در سال ۱۹۰۳، «آلبرت مایکلسون»، فیزیک‌دان برجسته و مورداحترام نوشت که «تمام واقعیت‌های علم فیزیک کشف شده‌اند». در دهه ۱۹۸۰، استیون هاوکینگ پیش‌بینی کرد که فیزیک نظری ممکن است تا پایان قرن به…

10 دقیقه مطالعه
  • پشتیبانی شبکه
  • هوش مصنوعی
  • آن‌ها
  • علمی
  • خواهد
  • AlphaFold
  • مصنوعی
  • علم
هوش مصنوعی برای کاربردهای علمی به استدلال نیاز دارد، نه صرفاً داده

خلاصه تحلیلی خبر

هر چند دهه یک‌بار، کسی اعلام می‌کند که علم به پایان راه خود رسیده است. در سال ۱۹۰۳، «آلبرت مایکلسون»، فیزیک‌دان برجسته و مورداحترام نوشت که «تمام واقعیت‌های علم فیزیک کشف شده‌اند». در دهه ۱۹۸۰، استیون هاوکینگ پیش‌بینی کرد که فیزیک نظری ممکن است تا پایان قرن به…

موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، آن‌ها، علمی، خواهد، AlphaFold

هر چند دهه یک‌بار، کسی اعلام می‌کند که علم به پایان راه خود رسیده است. در سال ۱۹۰۳، «آلبرت مایکلسون»، فیزیک‌دان برجسته و مورداحترام نوشت که «تمام واقعیت‌های علم فیزیک کشف شده‌اند». در دهه ۱۹۸۰، استیون هاوکینگ پیش‌بینی کرد که فیزیک نظری ممکن است تا پایان قرن به پایان برسد. اکنون، با ظهور انفجاری هوش مصنوعی، بار دیگر چنین احساسی در فضا شکل‌گرفته است؛ این بار اما یک جایزه نوبل نیز آن را همراهی می‌کند.

به نقل ازMIT Technology Reviewدر سال ۲۰۲۴، «دمیس هاسابیس» و «جان جامپر» از گوگل DeepMind، به‌خاطر طراحی شبکه عصبی AlphaFold که با یادگیری از هزاران ساختار اندازه‌گیری‌شده به‌صورت تجربی، ساختارهای سه‌بعدی پروتئین‌ها را پیش‌بینی می‌کند، بخشی از جایزه نوبل شیمی را دریافت کردند. این مسئله دشوار، به مدت نیم‌قرن در برابر حل‌شدن مقاومت کرده بود؛ AlphaFold ظاهراً یک‌بار برای همیشه آن را حل کرده بود و جهان شیفته وعده رویکرد آن شد. هاسابیس و تیمش AlphaFold را «الگویی برای این‌که هوش مصنوعی چگونه می‌تواند تمام علم را با سرعت دیجیتال شتاب‌دهی کند» نامیدند. موجی از استارتاپ‌هایی که مدل‌های پایه را برای زیست‌شناسی، شیمی و کشف مواد می‌ساختند، با اتکا به موفقیت DeepMind میلیاردها دلار سرمایه جذب کردند. AlphaFold نشان داده بود که ترکیب هوش مصنوعی و داده کافی می‌تواند به کشف‌های تحول‌آفرین منجر شود، حتی اگر سازوکارهای زیربنایی آن را درک نکنیم. بار دیگر به نظر می‌رسید مسیری برای عبور از باقی‌مانده مسائل علمی پیش روی ما گشوده شده است.

استراتژی DeepMind تجاری شد، تیم برنده نوبل AlphaFold منحل شد

البته هوش مصنوعی تغییرات خارق‌العاده‌ای در علم ایجاد خواهد کرد، اما به‌تدریج روشن‌تر شده است که AlphaFold و نمونه‌های مشابه آن، شاید بهترین الگو برای این دگرگونی نباشند. هرچند AlphaFold دستاوردی عمیق و مهم است؛ شرایطی که امکان خلق نمونه‌هایی مانند آن را فراهم کردند، نادر هستند و زمانی که برای فراهم‌کردن چنین شرایطی در سایر حوزه‌ها لازم است، نه در مقیاس سال‌ها، بلکه در مقیاس دهه‌ها خواهد بود. در عوض، شتاب گرفتن علم به لطف رویکرد دیگری رخ خواهد داد: عامل‌های هوش مصنوعی (AI agents).

شرط اصلی موفقیت AlphaFold، وجود «بانک داده پروتئین» بود؛ مجموعه‌داده‌ای شامل حدود ۱۷۰ هزار ساختار پروتئینی که به‌صورت تجربی اعتبارسنجی شده بودند و تیم DeepMind می‌توانست مدل خود را بر اساس آن‌ها آموزش دهد. ایجاد بانک داده پروتئین کار ساده‌ای نبود. گردآوری آن به ۵۳ سال همکاری علمی بین‌المللی و بر اساس برآوردی که اخیراً انجام شده، حدود ۲۱ میلیارد دلار کار تجربی نیاز داشت. تأمین مالی پروژه‌هایی با چنین مقیاسی بسیار دشوار است، هماهنگ‌کردن آن‌ها تقریباً غیرممکن و اجرای آن‌ها نیز به‌شدت زمان‌بر است؛ در نتیجه، چنین تلاش‌هایی اغلب با شکست مواجه شده‌اند.

اما حتی در حوزه‌هایی که انسجام و منابع لازم وجود دارد و داده‌های مرتبط نیز تحت مالکیت تجاری قرار نگرفته‌اند و در دسترس هستند، مانع دیگری وجود دارد که کمتر درباره آن صحبت شده است. از نظر علمی، تولید داده‌هایی مشابه داده‌های AlphaFold ممکن است غیرممکن باشد. در مورد ساختار پروتئین‌ها، تکنیک آزمایشگاهی کلیدی، یعنی بلورشناسی پروتئین (protein crystallography)، ابزاری است که به طور غیرمعمول تکرارپذیر و قابل‌اتکاست؛ تاحدی‌که بیش از ۲۵ جایزه نوبل بر آن متکی بوده‌اند. اما در بیشتر حوزه‌های علوم‌تجربی، نتایج بیش از آن که ثابت باشند، تغییر می‌کنند. رده‌های سلولی به‌مرور دچار تغییر می‌شوند. مواد شیمیایی حاوی مقادیر ناچیزی از آلاینده‌ها هستند. رطوبت آزمایشگاه تغییر می‌کند. ایجاد مجموعه‌داده‌های اندازه‌گیری‌شده‌ای که به‌اندازه کافی سازگار، دقیق، با دقت اندازه‌گیری بالا و مقیاس‌پذیر باشند تا بتوان یک شبکه عصبی مدرن را در زیست‌شناسی یا بیشتر شاخه‌های شیمی با آن‌ها آموزش داد، مستلزم روش‌های جدید اندازه‌گیری و رویکردهای استانداردشده جدید خواهد بود و هیچ‌یک از این‌ها در آینده نزدیک آماده نخواهند شد.

هوش مصنوعی برای کاربردهای علمی به استدلال نیاز دارد، نه صرفاً داده

البته چند حوزه وجود دارند که این الزامات در آن‌ها برآورده شده است؛ از جمله پیش‌بینی وضعیت آب‌وهوا، بخش بزرگی از ژنومیک و حوزه‌های بسیار محدودی از شیمی. این حوزه‌ها ممکن است به‌زودی شاهد پیشرفت‌هایی در حد AlphaFold باشند، اگر تاکنون چنین پیشرفت‌هایی رخ نداده باشد. حمایت دولت‌ها از تولید و هماهنگی چنین مجموعه‌داده‌هایی نیز حیاتی خواهد بود؛ همان‌طور که کمیسیون امنیت ملی ایالات متحده در زمینه زیست‌فناوری‌های نوظهور (US National Security Commission on Emerging Biotechnology) نیز بر آن تأکید کرده است. اما برای بیشتر پرسش‌های حل‌نشده علمی، دست‌کم در کوتاه‌مدت به برنامه‌ای متفاوت نیاز خواهیم داشت. خوشبختانه، رویکردی آرام‌تر و با جاه‌طلبی کمتر نیز ظرفیت خود نشان داده است.

مدل هوش مصنوعی WeatherNext گوگل می‌تواند وقوع طوفان‌های حاره‌ای را یک روز زودتر پیش‌بینی کند

دانشمندان همواره در شرایط عدم قطعیت استدلال کرده‌اند. زیست‌شناس‌هایی که برای شناسایی اهداف دارویی جدید تلاش می‌کنند، هیچ‌گاه مجموعه‌داده‌های کاملی در اختیار نداشته‌اند. در عوض، آن‌ها محاسبات داکینگ و ساختارهای شناخته‌شده را با یکدیگر ترکیب می‌کنند، دینامیک مولکولی را در نظر می‌گیرند، تعداد محدودی آزمون اتصال انجام می‌دهند و با استفاده از قضاوت تخصصی خود، وزن هر روش را بر اساس نقاط قوت و عوامل شکست خاص آن تعیین می‌کنند. مهارت علم در هیچ ابزار واحدی خلاصه نمی‌شود؛ بلکه در ترکیب و سنتز نتایج حاصل از ابزارهای متعدد و بازبینی آن نتایج با ورود شواهد جدید است. بیشتر پژوهش‌های واقعی و روزمره در عمل به همین شکل پیش می‌روند. اما تا همین اواخر، هیچ نرم‌افزاری قادر به انجام چنین کاری نبود.

اکنون عامل‌ها می‌توانند این کار را انجام دهند. به بیان ساده، یک عامل، موتور استدلالی هوش مصنوعی است که به ابزارهایی ــ دیجیتال یا فیزیکی ــ دسترسی دارد و توانایی استفاده از آن‌ها را نیز در اختیار گرفته است. طی چند سال گذشته، یک تغییر بنیادین در معماری هوش مصنوعی، امکان گسترش سریع این برنامه‌ها را فراهم کرده است؛ برنامه‌هایی که با مدل‌های زبانی بزرگ قدرت می‌گیرند و نیاز به مجموعه‌داده‌های تخصصی علمی را به‌شدت کاهش می‌دهند. برای علم، این پیشرفت فناورانه یک تغییر بنیادی محسوب می‌شود: این فناوری به ما اجازه داده است ابزارهای دیجیتالی ایجاد کنیم که می‌توانند فرایند تکرارشونده و به‌شدت وابسته به شرایط پژوهش واقعی را شبیه‌سازی کنند. ابزارهایی مانند AlphaFold یک رویکرد قدرتمند را برای حل مسئله‌ای محدود به کار می‌گیرند، اما عامل‌ها ذاتاً عمومی‌گرا هستند. آن‌ها روش جدیدی برای انجام علم ارائه نمی‌کنند؛ در عوض، فرایند انسانی کشف را به‌صورت دیجیتال مدل‌سازی می‌کنند.

Claude Science، یک میز کار هوش مصنوعی برای دانشمندان

برای نمونه، «همکار علمی هوش مصنوعی گوگل» (Google’s AI Co-Scientist) را در نظر بگیرید که در ماه مه معرفی شد. پژوهشگران یک خلاصه یک‌صفحه‌ای و یک هدف به آن دادند: «مشخص کن مقاومت آنتی‌بیوتیکی چگونه میان گونه‌های باکتریایی گسترش پیدا می‌کند؟»؛ مسئله‌ای که یکی از عوامل اصلی عفونت‌های مقاوم به دارو محسوب می‌شود. سیستم چند زیرعامل (sub-agent) ایجاد کرد. یکی از آن‌ها بر اساس مطالعات موجود در ادبیات علمی، فرضیه‌هایی را تدوین کرد. دیگری مانند یک داور همتا، این فرضیه‌ها را موشکافانه بررسی و نقد کرد. عامل سوم رقابت‌هایی را برای رتبه‌بندی قوی‌ترین گزینه‌ها اجرا کرد. عامل چهارم فرضیه برنده را اصلاح کرد. عامل در نهایت به این نتیجه رسید که ژن‌های مقاومت با سوارشدن بر ویروس‌های باکتریایی جابه‌جا می‌شوند و از هر ویروسی که بتواند آن‌ها را به میزبان جدید منتقل کند، استفاده می‌کنند. این فرضیه درست بود. پژوهشگران کالج سلطنتی لندن (Imperial College London) یک دهه برای رسیدن به همین نتیجه از طریق کار طاقت‌فرسای آزمایشگاهی زمان صرف کرده بودند؛ مقاله آن‌ها که Co-Scientist پیش‌تر آن را ندیده بود، همچنان در فرایند داوری همتا قرار داشت.

جمنای برای علم

ابزار هوش مصنوعی چندعاملی گوگل برای تسریع پژوهش علمی

مروری بر دستاوردهای علمی AlphaEvolve؛ عامل کدنویسی مبتنی بر Gemini گوگل

گوگل مدل AlphaEvolve را برای کاربران Google Cloud عرضه کرد

عامل‌هایی مانند Co-Scientist هنوز ابزارهایی نوظهور هستند و پیش از آن که به بخشی فراگیر از فرایند علمی تبدیل شوند، چالش‌های واقعی متعددی باید برطرف شود؛ آن‌ها همچنان مستعد توهم‌زایی (hallucination) هستند، قضاوتشان ثبات ندارد و محدودیت‌هایی در حافظه و ورودی دارند که مدت زمانی را که می‌توانند به‌صورت خودمختار فعالیت کنند، محدود می‌کند. اما این موانع فنی به‌تدریج برطرف خواهند شد و با این اتفاق، آثار تجمعی عامل‌های علمی را بر قابلیت اطمینان، سازگاری و سرعت انجام علم بیشتر و بیشتر مشاهده خواهیم کرد.

شاید مهم‌ترین نکته این باشد که عامل‌ها راه‌حلی ساختاری برای «بحران بازتولیدپذیری» (reproducibility crisis) علم ارائه می‌کنند؛ مشکلی گسترده که در آن پژوهشگران قادر نیستند نتایج یکدیگر را تکرار کنند. جامعه علمی طی دهه‌ها از پژوهشگران خواسته است داده‌های خام و کد دقیق خود را به اشتراک بگذارند تا فرایندهای آزمایشی استاندارد شوند. اما پژوهشگران مدت‌ها در برابر این کار اداری خسته‌کننده مقاومت کرده‌اند؛ کاری که پس از پایان‌یافتن بخش جذاب پژوهش انجام می‌شود. در مقابل، عامل‌ها به‌صورت خودکار تمام اقداماتی را که انجام می‌دهند ثبت می‌کنند و در نتیجه، سابقه‌ای دقیق از روشی که به نتایج آن‌ها منجر شده ایجاد می‌شود و امکان بازتولید دقیق نتایج را فراهم می‌کند.

هوش مصنوعی برای کاربردهای علمی به استدلال نیاز دارد، نه صرفاً داده

پیامد دوم، تقویت حافظه علمی خواهد بود. انتقال دانش میان پژوهشگران فرایندی است که مبهم و نامشخص است؛ اگر این انتقال طی سال‌ها آموزش و مشاهده انجام نشود، دانشجویان تحصیلات تکمیلی ناچارند ساعت‌ها در دفترچه‌های آزمایشگاهی نامنظمی که دهه‌ها پیش توسط پژوهشگران قبلی نوشته شده‌اند جست‌وجو کنند تا جزئیاتی را بیابند که می‌توانند موفقیت یا شکست پروتکل آزمایشگاهی آن‌ها را رقم بزنند. اما هرچه عامل‌ها به بخش بزرگ‌تری از فرایند علمی تبدیل شوند، کل تاریخچه علمی یک آزمایشگاه در یک مخزن مرکزی و استانداردشده از دانش سازمانی ثبت خواهد شد.

بااین‌حال، مهم‌ترین تأثیر عامل‌ها سرعت خواهد بود. در هر حوزه‌ای، وقتی آزمایش‌کردن یک ایده زمان کمتری از بحث‌کردن درباره آن در یک جلسه می‌گیرد، افراد دیگر درباره آن بحث نمی‌کنند و مستقیماً آزمایش را انجام می‌دهند. عاملی که بتواند در یک ساعت هزار مقاله را بخواند، ۵۰۰ مولکول طراحی کند و تا صبح از آزمایش‌های ناموفق خود یاد بگیرد، هزینه آزمایش را کاهش خواهد داد و از اساس سرعت انجام کار علمی را تغییر خواهد داد. این فناوری همچنین به پژوهشگران آزادی خواهد داد تا به سراغ پرسش‌های جسورانه و عجیب‌وغریبی بروند که پیش‌تر حاضر نبودند زمان خود را صرف آن‌ها کنند؛ و درهای علمی‌ای را به روی ما خواهد گشود که هنوز حتی تصورشان را هم نکرده‌ایم.

الگوی AlphaFold بدون تردید برای دستیابی به کشف‌های شگفت‌انگیز اهمیت خواهد داشت، اما این الگو به‌تنهایی ما را به پایان علم نخواهد رساند. در عوض، حرکت به سمت هوش مصنوعی عامل‌محور نشان‌دهنده سطحی بسیار کمیاب‌تر از پیشرفت است؛ یعنی ابزاری که تمام حوزه‌های علم را به طور هم‌زمان در برمی‌گیرد. در طول تاریخ، ابزارهایی با چنین دامنه‌ای تنها چند بار ظهور کرده‌اند؛ از جمله حساب دیفرانسیل و انتگرال، استنباط آماری، طیف‌سنجی و رایانه. هر یک از این ابزارها جهانی از مسائل را آشکار کردند که پیش از آن هیچ‌کس حتی به صورت‌بندی آن‌ها فکر نکرده بود و همان مسائل نیز به نوبه خود، حوزه‌های علمی مربوطه را از نو تعریف کردند. اکنون با ظهور عامل‌ها، تحول دیگری از همین جنس در برابر ما قرار گرفته است.

هوش مصنوعی برای کاربردهای علمی به استدلال نیاز دارد، نه صرفاً داده

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