ویژهنامه هوش مصنوعی ساینتیفیک امریکن
هوش مصنوعی به اکتشافات علمی پایان نخواهد داد
سید محمدجواد فیاض- ۵ اسفند ۱۴۰۴
علم پر از ابزارهایی است که زمانی انقلابی به نظر میرسیدند و اکنون فقط بخشی از جعبهابزار پژوهش هستند. چنین زمانی ممکن است برای هوش مصنوعی نیز فرارسیده باشد.
در ۸ اکتبر ۲۰۲۴، جایزه نوبل فیزیک برای توسعه یادگیری ماشین و روز بعد نیز نوبل شیمی به پیشبینی ساختار پروتئین از طریق هوش مصنوعی اعطا شد.
برخی استدلال کردند که برنده فیزیک، در اصل اصلاً فیزیک نبوده است. New York Times نتیجه گرفت: «هوش مصنوعی به سراغ علم هم میآید.» مفسران کمتر میانهرو فراتر رفتند و یکی از ناظران در X نوشت: «فیزیک اکنون رسماً تمام شد.» یک فیزیکدان به شوخی گفت که جوایز آینده فیزیک و شیمی، ناگزیر به پیشرفتهای یادگیری ماشین اعطا خواهد شد. «جفری هینتون» (Geoffrey Hinton)، برنده نوبل فیزیک موردبحث و پیشگام هوش مصنوعی در ایمیلی موجز به آسوشیتدپرس، پیشبینی خود را اذعان کرد: «شبکههای عصبی آینده هستند.»
پژوهش در هوش مصنوعی برای دههها قلمرویی نسبتاً حاشیهای از علوم کامپیوتر بود. طرفداران آن اغلب پیشبینیهای پیامبرگونهای را ردوبدل میکردند مبنی بر اینکه هوش مصنوعی در نهایت سپیدهدم هوش فوقبشری را به ارمغان خواهد آورد. ناگهان در طی چند سال گذشته، آن رؤیاها زنده و روشن شدند. ظهور مدلهای زبانی
بزرگ با قابلیتهای مولد قدرتمند منجر به گمانهزنیهایی درباره ورود به تمام شاخههای دستاوردهای بشری شده است. هوش مصنوعی میتواند پرامپت دریافت کند و تصاویر، مقالات، راهحلهایی برای مسائل پیچیده ریاضی و اکنون، اکتشافات برنده نوبل را خروجی دهد. آیا هوش مصنوعی جوایز نوبل علم و احتمالاً خود علم را تصاحب کرده است؟
نه به این سرعت. قبل از اینکه یا با خوشحالی سوگند وفاداری به اربابان کامپیوتری خیرخواه آیندهمان بخوریم یا از هر فناوری بعد از ماشینحساب جیبی که اتفاقاً «جک کیلبی» (Jack Kilby)، مخترع مشترک آن برنده بخشی از نوبل فیزیک سال ۲۰۰۰ شد، دوری کنیم، شاید کمی احتیاط لازم باشد.
برای شروع، جوایز نوبل واقعاً برای چه چیزی اعطا شدند؟ جایزه فیزیک به هینتون و «جان هاپفیلد» (John Hopfield) اعطا شد، فیزیکدانی (و رئیس سابق انجمن فیزیک آمریکا) که کشف کرد چگونه دینامیک فیزیکی یک شبکه میتواند حافظه را کدگذاری کند. هاپفیلد قیاسی شهودی ارائه کرد؛ توپی که در عرض یک چشمانداز ناهموار میغلتد، اغلب «به یاد میآورد» که به همان پایینترین دره بازگردد. هینتون مدل هاپفیلد را با نشاندادن اینکه چگونه شبکههای عصبی پیچیده با «لایههای» پنهان نورونهای مصنوعی میتوانند بهتر از شبکههای سادهتر یاد بگیرند، گسترش داد. در اصل نوبل فیزیک برای پژوهش بنیادی درباره اصول فیزیکی اطلاعات اعطا شد، نه مقوله گسترده «هوش مصنوعی» و کاربردهای آن.
در همین حال نیمی از جایزه نوبل شیمی به «دیوید بیکر» (David Baker)، زیستشیمیدان و نیمی دیگر به دو پژوهشگر DeepMind رسید: «دمیس هاسابیس» (Demis Hassabis) دانشمند کامپیوتر و مدیرعامل DeepMind و «جان جامپر» (John Jumper) شیمیدان و مدیر اجرایی DeepMind. فُرم پروتئینها در واقع همان کارکرد آنهاست؛ کلافهای درهمپیچیده آنها به شکلهای پیچیدهای ساخته میشوند که مانند کلیدهایی عمل میکنند تا در قفلهای مولکولی بیشماری جای بگیرند. اما پیشبینی ساختار نوظهور یک پروتئین از روی توالی اسیدآمینه آن بسیار دشوار است. تصور کنید سعی میکنید حدس بزنید که طول یک زنجیر چگونه تا خواهد شد. ابتدا بیکر نرمافزاری برای حل این مشکل توسعه داد، از جمله برنامهای برای طراحی ساختارهای پروتئینی جدید از صفر. بااینحال تا سال ۲۰۱۸، از حدود ۲۰۰ میلیون پروتئین فهرستشده در تمام پایگاههای داده ژنتیکی، تنها حدود ۱۵۰ هزار مورد؛ یعنی کمتر از ۰.۱ درصد ساختارهای تأییدشده داشتند. پس از مدتی هاسابیس و جامپر از مدل هوش مصنوعی AlphaFold در یک چالش پیشبینی تاخوردگی پروتئین رونمایی کردند. نمونه اول آن با اختلاف زیادی رقبا را شکست داد و نسخه دوم محاسبات بسیار دقیقی از ساختارهای تاخوردگی برای ۲۰۰ میلیون پروتئین باقیمانده ارائه کرد.
یک بررسی مروری در سال ۲۰۲۳ درباره تاخوردگی پروتئین بیان کرد که: «AlphaFold کاربرد پیشگامانه هوش مصنوعی در علم است». اما حتی بااینوجود، هوش مصنوعی محدودیتهایی دارد؛ نسخه دوم آن در پیشبینی نقصها در پروتئینها شکست خورد و با «حلقهها» که نوعی ساختار حیاتی برای طراحی دارو هست به مشکل برخورد. این نوشدارویی برای تکتک مشکلات در تاخوردگی پروتئین نیست، بلکه یک ابزار عالی است؛ شبیه به بسیاری دیگر که در طول سالها برنده نوبل شدهاند، مانند دیودهای نور آبی که برنده جایزه فیزیک ۲۰۱۴ شدند و امروزه تقریباً در هر صفحهنمایش LED وجود دارند یا باتریهای لیتیوم یونی که برنده نوبل شیمی در سال ۲۰۱۹ شدند و حتی در عصر چراغقوههای گوشی هنوز ضروری هستند.
بسیاری از این ابزارها از آن زمان در کاربردهایشان ناپدید شدهاند. وقتی از وسایل الکترونیکی حاوی میلیاردها ترانزیستور استفاده میکنیم، بهندرت مکث میکنیم تا به ترانزیستورها که جایزه فیزیک ۱۹۵۶ بهخاطر آنها اعطا شد فکر کنیم. برخی از ویژگیهای قدرتمند یادگیری ماشین نیز در حال حاضر در این مسیر هستند. شبکههای عصبی که ترجمه دقیق زبان یا توصیههایی برای آهنگهای موردعلاقه را در برنامههای نرمافزاری محبوب مصرفکننده ارائه میدهند، صرفاً بخشی از خدمات هستند و الگوریتم اصلی در پسزمینه محو شده است. در علم نیز مانند بسیاری از حوزههای دیگر این روند نشان میدهد که وقتی ابزارهای هوش مصنوعی عادی و رایج شوند، آنها نیز در پسزمینه محو خواهند شد.
بااینحال، یک نگرانی معقول ممکن است این باشد که چنین اتوماسیونی، چه ظریف و چه آشکار، تهدید میکند که جایگزین تلاشهای فیزیکدانان و شیمیدانان شود یا آنها را لکهدار کند. با تبدیلشدن هوش مصنوعی به بخش جداییناپذیر پیشرفت علمی، آیا هیچ جایزهای کاری را که واقعاً عاری از هوش مصنوعی باشد به رسمیت خواهد شناخت؟ همانطور که بسیاری از بزرگان از جمله «نیلز بور» (Niels Bohr) فیزیکدان برنده نوبل و «یوگی برا» (Yogi Berra)، اسطوره بیسبال گفتهاند: «پیشبینیکردن دشوار است، بهویژه درباره آینده.»
هوش مصنوعی میتواند علم را متحول کند؛ در این شکی نیست. همین حالا هم به ما کمک کرده است تا پروتئینها را با وضوحی که قبلاً غیرقابلتصور بود ببینیم. بهزودی هوش مصنوعی ممکن است مولکولهای جدیدی را برای باتریها در رؤیاهای خود بسازد یا ذرات جدیدی که در دادههای برخورددهندهها پنهان شدهاند را پیدا کنند. به طور خلاصه، آنها ممکن است کارهای زیادی انجام دهند که برخی از آنها قبلاً غیرممکن به نظر میرسید. اما آنها محدودیت مهمی دارند که به چیزی شگفتانگیز درباره علم گرهخورده است؛ وابستگی تجربی آن به دنیای واقعی که تنها با محاسبات میتوان بر آن غلبه کرد.
یک مدل هوش مصنوعی از برخی جهات تنها میتواند بهاندازه دادههایی که به آن داده میشود خوب باشد. برای مثال، نمیتواند از منطق محض برای کشف ماهیت ماده تاریک، ماده مرموزی که حداقل ۸۰ درصد از ماده جهان را تشکیل میدهد استفاده کند. در عوض مجبور خواهد بود به مشاهدات یک آشکارساز فیزیکی با اجزایی که دائماً نیاز به تعمیر و نگهداری دستی دارند، تکیه کند. برای کشف دنیای واقعی همیشه باید با این دست مشکلات فیزیکی دستوپنجه نرم کنیم.
علم همچنان به آزمایشگران نیاز دارد؛ متخصصان انسانی که تربیت شدهاند تا جهان را مطالعه کنند و سؤالاتی بپرسند که یک هوش مصنوعی نمیتواند. همانطور که هاپفیلد در مقالهای در سال ۲۰۱۸ توضیح داد؛ فیزیک و در واقع خود علم آنقدر که «نقطهنظر» است، یک موضوع نیست و اخلاقمحوری آن این است «که جهان قابلدرک است»؛ آن هم با عبارات کمی و پیشبینانه، صرفاً به واسطه آزمایش و مشاهده دقیق.
آن دنیای واقعی، در شکوه و راز بیپایانش، هنوز برای دانشمندان آینده وجود دارد تا مطالعهاش کنند چه با کمک هوش مصنوعی و چه بدون آن.
