
هر چند دهه یکبار، ادعایی مطرح میشود مبنی بر اینکه علم به انتهای مسیر خود رسیده است. در سال ۱۹۰۳، آلبرت مایکلسون، فیزیکدان سرشناس، نوشت که «تمام حقایق بنیادین علم فیزیک کشف شدهاند.» در دهه ۱۹۸۰ نیز استیون هاوکینگ پیشبینی کرد که فیزیک نظری ممکن است تا پیش از پایان قرن به سرانجام برسد. اکنون با ظهور شتابان هوش مصنوعی، این احساس دوباره در فضای علمی زنده شده است؛ حسی که اینبار با دستاوردهای بزرگ و جوایز جهانی همراه است.
در سال ۲۰۲۴، دمیس حسابیس و جان جامپر از شرکت گوگل دیپمایند بخشی از جایزه نوبل شیمی را برای توسعه شبکه عصبی آلفافولد (AlphaFold) دریافت کردند؛ سیستمی که با یادگیری از هزاران ساختار آزمایشگاهی، قادر است ساختار سه بعدی پروتئینها را پیشبینی کند. این مسئله پیچیده که نیم قرن در برابر روشهای سنتی مقاومت کرده بود، با آلفافولد حل شد و توجه جهانیان را به خود جلب کرد. تیم دیپمایند آلفافولد را الگویی برای شتاببخشی دیجیتال به تمامی حوزههای علم نامید. بهدنبال این موفقیت، موجی از استارتآپها در زمینههای زیستشناسی، شیمی و کشف مواد، سرمایههای میلیاردی جذب کردند. آلفافولد نشان داد که ترکیب هوش مصنوعی و دادههای انبوه میتواند به کشفیات جریانساز منجر شود، حتی اگر مکانیسمهای بنیادی پشت آن بهطور کامل درک نشوند.
اگرچه هوش مصنوعی تحولات شگرفی در عرصه پژوهش ایجاد خواهد کرد، اما بهمرور مشخص میشود که آلفافولد و ابزارهای مشابه، شاید مناسبترین الگوی تعمیمپذیر برای تمام حوزههای علمی نباشند. دستاورد آلفافولد عمیق و بینظیر است، اما شرایطی که امکان پیدایش آن را فراهم کرد، بسیار نادرند و بازآفرینی آنها در سایر رشتهها سالها یا حتی دههها زمان خواهد برد. شتاب واقعی علم نه از طریق بازتولید الگوی آلفافولد، بلکه از مسیر دیگری تحقق خواهد یافت: عاملهای هوش مصنوعی (AI Agents).
شرط اصلی موفقیت آلفافولد، وجود بانک داده پروتئین (Protein Data Bank) بود؛ مجموعهای شامل حدود ۱۷۰ هزار ساختار پروتئینی که طی ۵۳ سال همکاری بینالمللی و با صرف هزینهای تخمینی بالغ بر ۲۱ میلیارد دلار کارهای آزمایشگاهی گردآوری شده بود. تامین مالی و هماهنگی پروژههایی در این مقیاس فوقالعاده دشوار است و به همین دلیل، اغلب پروژههای مشابه به سرانجام نمیرسند.
علاوه بر چالشهای مالی و سازمانی، موانع بنیادیتری نیز در علوم تجربی وجود دارد. فرآیند کشف ساختار پروتئین به ابزاری بسامدپذیر و قابل اعتماد به نام بلورشناسی اشعه ایکس متکی بود. اما در بیشتر شاخههای علوم تجربی، نتایج آزمایشگاهی نوسان زیادی دارند. تغییر در خطوط سلولی، وجود ناخالصیهای جزئی در مواد شیمیایی و حتی تغییرات رطوبت آزمایشگاه، همگی بر نتایج تاثیر میگذارند. برای آموزش شبکههای عصبی عمیق در زیستشناسی یا شیمی، به دادههایی دقیق، استاندارد و مقیاسپذیر نیاز است که تولید آنها نیازمند ابزارهای سنجش کاملاً جدیدی است که در آینده نزدیک در دسترس نخواهند بود.
دانشمندان همواره در شرایط عدم قطعیت دست به استدلال میزنند. برای مثال، زیستشناسانی که روی شناسایی اهداف دارویی جدید کار میکنند، هرگز دادههای کامل و بینقصی در اختیار ندارند؛ بلکه محاسبات اتصال مولکولی، ساختارهای شناختهشده و دینامیک مولکولی را ترکیب کرده و با ارزیابی نقاط قوت و ضعف هر روش، تصمیمگیری میکنند. ماهیت پژوهش علمی در یک ابزار خاص خلاصه نمیشود، بلکه در ترکیب دادههای حاصل از ابزارهای مختلف و اصلاح فرآیند با دریافت شواهد جدید نهفته است.
عاملهای هوش مصنوعی بر پایه مدلهای زبانی بزرگ توسعه یافتهاند و به ابزارهای دیجیتال یا فیزیکی دسترسی دارند. این سیستمها برخلاف مدلهایی مانند آلفافولد که مسئلهای خاص را حل میکنند، ساختاری عمومی دارند و فرآیند تکرارپذیر و تدریجی کشف علمی توسط انسان را شبیهسازی میکنند.
نمونه بارز این رویکرد، ابزار AI Co-Scientist گوگل است. پژوهشگران مسئله چگونگی انتشار مقاومت آنتیبیوتیکی میان گونههای باکتریایی را به این سیستم سپردند. این هوش مصنوعی با ایجاد چند عامل فرعی، فرضیههای مختلف را از ادبیات علمی استخراج کرد، آنها را مانند یک داور علمی به چالش کشید و در نهایت فرضیه برتر را بهینهسازی نمود. نتیجهگیری سیستم نشان داد که ژنهای مقاومت از طریق ویروسهای باکتریایی منتقل میشوند. پژوهشگران امپریال کالج لندن پیشتر یک دهه از زمان خود را صرف آزمایشهای پیچیده کرده بودند تا دقیقاً به همین نتیجه برسند.
اگرچه عاملهای هوش مصنوعی هنوز با چالشهایی مانند توهم (Hallucination) یا محدودیت حافظه مواجه هستند، اما رفع این موانع فنی، تاثیرات بنیادینی بر روند توسعه علم خواهد داشت:
در نهایت، عاملهای هوشمند همانند محاسبات دیفرانسیل، آمار یا رایانهها، ابزارهایی عمومی هستند که میتوانند تمام عرصههای علم را بهطور همزمان دگرگون سازند و درهای جدیدی را به روی پرسشهای پیچیده علمی بگشایند.
این مطلب بر اساس خبر MIT Technology Review بازنویسی و ترجمه شده است.
دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.