شتاب‌دهی به علم با هوش مصنوعی
سید محمدجواد فیاض
- ۲۲ مهر ۱۴۰۵
با ادغام موفق هوش مصنوعی در جریان‌های کاری پژوهشی، پژوهشگران می‌توانند بهره‌وری علمی را به طور چشمگیری افزایش دهند.
کاخ سفید در نوامبر ۲۰۲۵ مأموریت «Genesis» ایالات متحده را معرفی کرد که می‌تواند سبب آغاز گفت‌وگوهایی اساسی درباره چگونگی تحقق ظرفیت بالقوه هوش مصنوعی در پیشبرد علم باشد. این گفت‌وگوها باید بر دو مسیر موازی متمرکز باشد. نخست، ایجاد زیرساخت یکپارچه از داده و الگوریتم‌ها گرفته تا سخت‌افزار و کنترل عامل‌محور که برای به‌کارگیری هوش مصنوعی در تسریع پژوهش لازم است و دوم، تعیین سیاست‌ها و منابعی که دانشمندان را توانمند می‌سازد تا چرخه بازخورد پیشرفت علمی و نوآوری در هوش مصنوعی را تغذیه کنند.
موفقیت با طرح پرسش‌های علمی درست آغاز می‌شود؛ یعنی شناسایی مسائلی که می‌توانند به جهش‌های تحول‌آفرین بینجامد، پیشرفت در روش‌های هوش مصنوعی و همکاری انسان–هوش مصنوعی را هدایت کنند و از این رهگذر شتاب بیشتری به علم ببخشند. برای نمونه، در انرژی همجوشی این امر به معنای استفاده از هوش مصنوعی برای مهار پلاسماهایی با دمایی بالاتر از خورشید از طریق پیش‌بینی ناپایداری‌های پلاسما به‌منظور کنترل بلادرنگ است. در حوزه مولکول‌ها و مواد، به معنای توسعه مدل‌های پیش‌بینی‌کننده پویایی و کارکرد برای اکتشافات جدید است و در مرزهای علم کوانتوم، به معنای شتاب‌دهی به توسعه الگوریتم‌ها برای شبیه‌سازی طبیعت و حل مسائلی است که در حال حاضر غیرقابل‌حل هستند.
موفقیت همچنین به داده‌هایی وابسته است که مدل‌های هوش مصنوعی را تغذیه می‌کنند. بانک داده پروتئین (Protein Data Bank) را در نظر بگیرید که مجموعه‌داده لازم برای پیش‌بینی ساختار پروتئین را فراهم کرد. این موفقیت حاصل دهه‌ها کار و سرمایه‌گذاری در ابزارهای آزمایشی مانند منابع نوری پیشرفته برای تولید داده و نیز ایجاد مخزن دسترسی آزاد برای به‌اشتراک‌گذاری اطلاعات بود. ابزارهای بزرگ پژوهشی مانند رصدخانه «ورا سی. روبین» منبع فوتونی پیشرفته (Advanced Photon Source) و برخورددهنده بزرگ هادرونی (Large Hadron Collider) بنیانی نیرومند با داده‌های فراوان و نسبتاً ساختار‌یافته را فراهم می‌کنند. اما چالش در جهان گسترده و آشفته داده‌های ناهمگن در سراسر بنگاه تحقیق‌وتوسعه به‌مراتب دشوارتر است؛ جایی که استانداردهای متغیر و فراداده‌های ناقص، موانعی بر سر راه اکتشاف ایجاد می‌کنند. تبدیل مجموعه‌داده‌های پراکنده به موتوری یکپارچه برای اکتشاف علمی، مستلزم تلاشی هماهنگ از سوی دانشمندان، نهادهای فدرال و دیگر ذی‌نفعان است تا داده‌های موجود برای استفاده توسط هوش مصنوعی آماده شوند و استانداردهایی وضع شود تا داده‌های آینده از بدو تولد، دسترس‌پذیر و «آماده برای هوش مصنوعی» باشند.
نسل بعدی دانشمندان به زیرساخت محاسباتی نیاز خواهد داشت که ابرمحاسبات در مقیاس اگزاسکیل، ابررایانه‌های تخصصی هوش مصنوعی و کوانتومی، شبکه‌های امن، توان محاسباتی ابری و ذخیره‌سازی برای مجموعه‌داده‌های عظیم را در هم می‌آمیزد. اتصال به دستگاه‌هایی مانند حسگرها و کنترل‌کننده‌ها و به‌کارگیری الگوریتم‌های تخصصی هوش مصنوعی بر روی چنین دستگاه‌هایی، امکان گردآوری بلادرنگ داده و کنترل آزمایش‌های زنده را فراهم می‌کند. فراتر از هوش مصنوعی عمومیِ مبتنی بر زبان، مدل‌های تخصصی قابلیت‌های یادگیری هوش مصنوعی را با توان پیش‌بینی فیزیکی شبیه‌سازی‌های سنتی ریشه‌دار در قوانین طبیعی فیزیک و شیمی ترکیب خواهند کرد. نکته کلیدی آن است که این مدل‌ها، مدل‌های علمیِ مورداعتماد را تقویت می‌کنند، نه اینکه جایگزینی برای آن‌ها باشند. همچنین این مدل‌ها شامل نقاط وارسی برای اعتبارسنجی یا اصلاح نتایج تولیدشده توسط هوش مصنوعی در برابر مدل‌های فیزیکیِ شناخته‌شده و داده‌های دنیای واقعی هستند. پیونددادن مدل‌های هیبریدی با عامل‌های علمی (سامانه‌های هوش مصنوعی که به طور خودمختار برخی گام‌های پژوهش را تحت هدایت انسان هماهنگ می‌کنند) نویدبخش کوتاه‌شدن بازه زمانی اکتشافات علمی است؛ زیرا داده‌های حاصل از هر تحلیلِ هوش مصنوعی، چرخه‌ای خودتقویت‌شونده از بهبود را تغذیه می‌کند.
برای آن که هوش مصنوعی به شریکی واقعی در علم تبدیل شود، دانشمندان باید از آن برای تولید نتایج قابل‌راستی‌آزمایی استفاده کنند؛ به‌گونه‌ای که داده‌ها، روش‌ها، کُد و خروجی‌ها برای نظارت و داوری عمومی در دسترس باشد. این امر مستلزم آن است که پژوهشگران، مؤسسات، نشریات دانشگاهی و نهادهای تأمین مالی، از مدل‌های متن‌باز، ابزارهای استانداردشده و داده‌های آماده‌به‌کار پشتیبانی کنند.
شتاب‌دهی به علم با هوش مصنوعی به هر دو منبع تأمین مالی عمومی و خصوصی وابسته است. کل سرمایه‌گذاری سالانه ایالات متحده در تحقیق‌وتوسعه حدود یک تریلیون دلار است؛ رقمی که اغلب کمتر از واقعیت برآورد می‌شود. هرچند دولت فدرال نقشی بی‌بدیل در حمایت پژوهش‌های بنیادی، پشتیبانی از آموزش مبتنی بر پژوهش و امکان‌پذیر ساختن پروژه‌های بلندمدت و پرریسک ایفا می‌کند؛ اما بیش از ۷۰ درصد از این حمایت جمعی از بخش خصوصی تأمین می‌شود. مشارکت‌های راهبردی دولتی–خصوصی می‌توانند ارزش نقش زیربنایی دولت را با منابع و ظرفیت نوآوری بخش خصوصی چندبرابر کنند. اکنون زمان آن است که اشکال تازه‌ای از مشارکت‌ها مانند سرمایه‌گذاری‌های مشترک در زیرساخت‌های محاسباتی، چارچوب‌های به‌اشتراک‌گذاری داده و همکاری‌هایی متمرکز بر مسائلی که روش‌های جدید کشفِ توانمندسازی‌شده با هوش مصنوعی را توسعه می‌دهند به‌صورت آزمایشی اجرا شود.
ارزش شتاب‌دهی به علم با هوش مصنوعی می‌تواند به کل اقتصاد تسری یابد. تحقیق‌وتوسعه که هم‌اکنون ۳.۵ درصد از تولید ناخالص داخلی ایالات متحده را تشکیل می‌دهد و موتور اقتصادی قدرتمندی است که بازدهی آن بسیار فراتر از هزینه‌اش است. با توانمندسازی پژوهشگران در همه رشته‌ها و مؤسسات برای شتاب‌دهی به علم و مهندسی، هوش مصنوعی می‌تواند بهره‌وری و اثرگذاری پژوهش را افزایش دهد، نوآوری را تقویت کند، رشد اقتصادی را برانگیزد و کیفیت زندگی مردم را بهبود بخشد. این، وعده نهایی این عصر تازه از اکتشافات است.
گزارش حاضر در نسخه 4 December 2025 نشریه Science منتشر شده است.
