۱۶ کارگاه عملی هوش مصنوعی برای فعالان محتوا و رسانه ثبت‌نام با ۵۰٪ تخفیف
Generic filters
Search in title
Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش خبری
پرامپت‌ نویسی
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
خطرات هوش مصنوعی
دیتاست
مدل‌های بنیادی
رویدادها
Ai Conect
جیتکس
جیتکس ترکیه
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
پیاده‌سازی هوش مصنوعی
گزارش
مصاحبه
هوش مصنوعی در عمل
یادداشت
 پژوهشگران چگونه از Claude استفاده می‌کنند؟

هوش مصنوعی در خدمت اکتشاف علمی

پژوهشگران چگونه از Claude استفاده می‌کنند؟

زمان مطالعه: 16 دقیقه

هوش مصنوعی می‌تواند سرعت اکتشافات علمی را افزایش دهد، اما میزان این تأثیر به دو عامل اساسی بستگی دارد: توانایی‌های واقعی مدل‌های هوش مصنوعی و نحوه استفاده پژوهشگران از آن‌ها در مراحل مختلف فرایند تحقیق.

آنتروپیک در گزارش AI for Scientific Discovery: How Researchers Use Claude با بررسی ۲۰۷ هزار نشست پژوهشی در Claude و Claude Code، به مطالعه الگوهای استفاده از هوش مصنوعی در رشته‌های علمی و فعالیت‌های پژوهشی مختلف می‌پردازد. هدف پژوهش، شناخت وضعیت فعلی به‌کارگیری هوش مصنوعی در علم و ارزیابی ظرفیت آن برای تسریع اکتشافات علمی در آینده است.

یافته‌های کلی

یافته‌های گزارش آنتروپیک نشان می‌دهند که استفاده از Claude در علوم صوری (Formal Science)، از جمله علوم کامپیوتر، ریاضیات و آمار در مقایسه با تعداد پژوهشگران این حوزه‌ها بیشتر است؛ درحالی‌که علوم سلامت و علوم فیزیکی آزمایشگاه‌محور سهم کمتری از استفاده را به خود اختصاص می‌دهند. پژوهشگران عمدتاً از Claude برای تحلیل داده‌ها و نگارش استفاده می‌کنند. تحلیل داده به‌تنهایی حدود یک‌سوم نشست‌های Claude و نزدیک به نیمی از نشست‌های Claude Code را شامل می‌شود. در مقابل، تولید ایده و فرضیه و گردآوری داده سهم کمتری دارند؛ باوجوداینکه پژوهشگران این فعالیت‌ها را از مهم‌ترین عوامل دستیابی به نتایج علمی ارزشمند می‌دانند.

یکی از یافته‌های مهم گزارش، ارتباط مستقیم میان توانایی نظری هوش مصنوعی در انجام یک فعالیت و میزان استفاده از آن در همان فعالیت است. پژوهشگران به طور نامتناسبی از هوش مصنوعی در کارهایی استفاده می‌کنند که مدل‌ها توانایی بیشتری برای انجام آن‌ها دارند. فعالیت‌هایی که در ۲۰ درصد بالای شاخص توانایی هوش مصنوعی قرار می‌گیرند، دو تا چهار برابر بیشتر از سهم موردانتظار بر اساس زمان صرف‌شده پژوهشگران، استفاده از Claude را به خود اختصاص می‌دهند. در مقابل، فعالیت‌های فیزیکی که هوش مصنوعی در انجام آن‌ها محدودیت دارد، سهم بسیار اندکی از کاربرد این فناوری دارند.

مدل‌سازی اقتصادی گزارش نیز نشان می‌دهد که اگر قابلیت‌های فعلی هوش مصنوعی به طور گسترده به کار گرفته شوند، در برخی رشته‌ها می‌توان انتظار داشت خروجی پژوهش تا دو برابر افزایش یابد. در سناریوهای فرضی پیشرفته‌تر که هوش مصنوعی بتواند تمام فعالیت‌های غیرفیزیکی پژوهش را خودکار کند، خروجی رشته‌هایی مانند علوم کامپیوتر و آمار ممکن است تا ۱۵ برابر افزایش پیدا کند. بااین‌حال، رشته‌های آزمایشگاه‌محور مانند شیمی و زیست‌شناسی همچنان با محدودیت فعالیت‌های فیزیکی مواجه خواهند بود و افزایش خروجی آن‌ها به حدود سه تا چهار برابر محدود می‌شود.

روش‌شناسی پژوهش

این گزارش با بررسی استفاده علمی از Claude، Claude Code و Claude Science، تفاوت‌های کاربرد هوش مصنوعی در رشته‌ها و فعالیت‌های پژوهشی را مستند می‌کند، عوامل توضیح‌دهنده این تفاوت‌ها را شناسایی می‌کند و سناریوهایی برای ارزیابی ظرفیت هوش مصنوعی در افزایش سرعت پژوهش ارائه می‌دهد.

هدف اصلی پژوهش، اندازه‌گیری شیوه‌های مختلف استفاده دانشمندان از Claude، بدون افشای جزئیات تحقیقات آن‌هاست. برای این منظور، پژوهشگران از زیرساختی با قابلیت حفظ حریم خصوصی استفاده کرده‌اند که امکان تحلیل نشست‌های علمی کاربران طرح‌های مصرف‌کننده Claude را فراهم می‌کند.

در این روش، یک مدل زبانی به‌عنوان طبقه‌بندی‌کننده، متن هر نشست را بررسی و آن را بر اساس مجموعه‌ای از دسته‌بندی‌های ازپیش‌تعریف‌شده مانند رشته علمی و فعالیت پژوهشی برچسب‌گذاری می‌کند. تنها همین برچسب‌ها برای تحلیل در اختیار تیم پژوهش قرار می‌گیرند. نتایج نیز فقط به‌صورت تجمیعی و برای گروه‌هایی با حداقل تعداد مشخصی حساب کاربری گزارش می‌شوند.

فرایند اندازه‌گیری در دو مرحله انجام شده است. ابتدا طبقه‌بندی مشخص می‌کند که آیا یک نشست به فعالیت علمی مربوط است یا خیر. سپس نشست‌های علمی بر اساس طبقه‌بندی SciNet به رشته، زیررشته و فعالیت پژوهشی اختصاص داده می‌شوند. این نظام طبقه‌بندی شامل ۷۲۶۲ فعالیت در ۳۴ رشته و ۳۱۸ زیررشته است. برخی فعالیت‌ها، مانند نگارش مقاله علمی، در تمام رشته‌ها مشترک‌اند؛ درحالی‌که فعالیت‌های دیگر به حوزه‌های تخصصی مشخصی تعلق دارند.

نمونه اصلی پژوهش شامل ۲۰۷،۰۴۹ نشست در فاصله ۲ اوت تا ۳۰ سپتامبر ۲۰۲۶ به تفکیک زیر است:

  • ۱۲۸،۹۱۴ نشست مربوط به Claude، شامل رابط‌های Chat و Cowork
  • ۷۸،۱۳۵ نشست مربوط به Claude Code، ابزار کدنویسی عامل‌محور که مستقیماً با فایل‌های کاربر تعامل می‌کند و قادر به نوشتن و اجرای کد است.

علاوه بر این، نمونه‌ای تکمیلی از نشست‌های Claude Science نیز بررسی شده و یک گزارش ضمیمه‌ای جداگانه منتشر شده است.

تفاوت استفاده از Claude در رشته‌های علمی

میزان استفاده از Claude در رشته‌های مختلف صرفاً با تعداد پژوهشگران آن رشته توضیح داده نمی‌شود. برای بررسی دقیق‌تر، سهم هر رشته از نشست‌های پژوهشی با سهم آن از تعداد پژوهشگران جهان مقایسه شده است.

در Claude، سه رشته علوم کامپیوتر، مهندسی و پزشکی به ترتیب ۱۱.۹، ۸.۴ و ۷.۷ درصد نشست‌ها را تشکیل می‌دهند. به‌طورکلی، رشته‌هایی که سهم بیشتری از پژوهشگران جهان دارند معمولاً سهم بیشتری از نشست‌های Claude را نیز به خود اختصاص می‌دهند. همبستگی میان این دو متغیر ۰.۷۹ است.

بااین‌حال، استفاده نسبی در رشته‌ها تفاوت چشمگیری دارد. علوم صوری در مقایسه با تعداد پژوهشگران خود استفاده بیشتری از Claude دارند. علوم اجتماعی نیز در این زمینه جایگاه بالایی دارند. در مقابل، علوم فیزیکی آزمایشگاه‌محور مانند شیمی و همچنین پزشکی، استفاده نسبی کمتری نشان می‌دهند. در پزشکی، بخش قابل‌توجهی از زمان پژوهشگران صرف تعامل مستقیم با بیماران می‌شود.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

الگوی استفاده از Claude Code حتی بیشتر به سمت رشته‌های کمی و محاسباتی متمایل است. علوم کامپیوتر باوجوداینکه تنها ۴.۳ درصد پژوهشگران جهان را در بر می‌گیرد، ۳۲.۷ درصد نشست‌های Claude Code را تشکیل می‌دهد. ریاضیات و آمار نیز استفاده نسبی بالایی دارند. در مقابل، هنر، علوم‌انسانی و بیشتر علوم اجتماعی سهم کمتری دارند؛ هرچند اقتصاد به‌عنوان رشته‌ای نسبتاً کمی، از این الگو مستثناست.

در سطح زیرشاخه‌ها نیز همین الگو مشاهده می‌شود. هوش مصنوعی و یادگیری ماشین با وجود سهم ۱.۲ درصدی از پژوهشگران جهان، ۵ درصد نشست‌های Claude و ۱۵.۲ درصد نشست‌های Claude Code را به خود اختصاص داده‌اند. به‌طورکلی، زیررشته‌های محاسباتی مانند زیست‌شناسی محاسباتی، زبان‌شناسی محاسباتی و علوم اعصاب محاسباتی از پذیرندگان اصلی این ابزارها هستند. رباتیک نیز به دلیل اتکای گسترده به روش‌های محاسباتی، استفاده نسبی بالایی دارد.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

کاربرد Claude در فعالیت‌های مختلف پژوهشی

پژوهش علمی مجموعه‌ای از فعالیت‌ها، از تولید فرضیه و تحلیل داده تا نگارش مقاله، را شامل می‌شود. آنتروپیک برای بررسی کاربرد Claude در این فرایند، فعالیت‌های پژوهشی را در هشت گروه طبقه‌بندی می‌کند:

  1. تحلیل داده
  2. نگارش و ارتباطات
  3. گردآوری داده
  4. مطالعه و کسب دانش
  5. تحلیل نظری
  6. طراحی و توسعه نرم‌افزار، مواد و آثار خلاقانه
  7. ایده‌پردازی و تولید فرضیه
  8. سایر فعالیت‌ها از جمله مدیریت امور پژوهشی

برای ارزیابی میزان استفاده از هوش مصنوعی در هر گروه، سهم نشست‌های Claude و Claude Code با سهم زمانی که پژوهشگران معمولاً صرف آن فعالیت می‌کنند.

تحلیل داده بیشترین سهم استفاده را دارد. این فعالیت ۳۳.۷ درصد نشست‌های Claude و ۴۸.۱ درصد نشست‌های Claude Code را تشکیل می‌دهد؛ درحالی‌که سهم آن از زمان پژوهشگران ۲۷.۶ درصد است. بنابراین، تحلیل داده در مقایسه با زمان معمول صرف‌شده توسط پژوهشگران، بیش از اندازه در استفاده از هوش مصنوعی حضور دارد. نگارش و ارتباطات نیز سهم بالایی دارد؛ به‌ویژه در Claude که ۳۲ درصد نشست‌ها را شامل می‌شود، درحالی‌که سهم این فعالیت از زمان پژوهشگران ۱۶ درصد است.

در مقابل، گردآوری داده با وجود اختصاص ۲۸.۶ درصد از زمان پژوهشگران، تنها ۱۱.۵ درصد نشست‌های Claude و ۱۱.۹ درصد نشست‌های Claude Code را تشکیل می‌دهد. این اختلاف در فعالیت‌هایی که به فرایندهای فیزیکی وابسته‌اند، مانند جمع‌آوری داده‌های بالینی یا بیوشیمیایی، مشهود است. فعالیت‌هایی که از روش‌های دیجیتال استفاده می‌کنند، مانند بازیابی اسناد آرشیوی یا جمع‌آوری اطلاعات آنلاین، محدودیت کمتری دارند و حتی ممکن است سهم بالاتری از کاربرد هوش مصنوعی داشته باشند.

ایده‌پردازی و تولید فرضیه نیز سهم اندکی از استفاده را به خود اختصاص می‌دهد: ۴.۲ درصد در Claude و ۲.۱ درصد در Claude Code، درحالی‌که پژوهشگران حدود ۷.۱ درصد از زمان خود را صرف این فعالیت‌ها می‌کنند.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

مقایسه با دیدگاه پژوهشگران

برای اعتبارسنجی الگوهای مشاهده‌شده، پژوهشگران نظرسنجی‌ای با مشارکت ۵۲۸ دانشمند انجام داده‌اند. شرکت‌کنندگان عمدتاً از حوزه‌های علوم زیستی و سلامت بوده‌اند و از پذیرندگان فعال هوش مصنوعی محسوب می‌شوند. نتایج خوداظهاری آن‌ها با داده‌های نشست‌های Claude همخوانی دارد؛ به‌طوری‌که بیشترین استفاده از هوش مصنوعی مربوط به تحلیل داده و نگارش است و ایده‌پردازی و گردآوری داده در رتبه‌های پایین‌تری قرار دارند.

اما نکته مهم این است که شرکت‌کنندگان، ایده‌پردازی و تولید فرضیه را مهم‌ترین فعالیت برای دستیابی به نتایج علمی ارزشمند می‌دانند و گردآوری داده را در رتبه دوم قرار می‌دهند. این تفاوت میان اهمیت و میزان استفاده، نشان‌دهنده شکاف میان فعالیت‌هایی است که هوش مصنوعی اکنون در آن‌ها به کار گرفته می‌شود و فعالیت‌هایی که پژوهشگران برای پیشرفت علمی ضروری می‌دانند.

دلایل این شکاف یکسان نیست. گردآوری داده اغلب به فعالیت‌های فیزیکی وابسته است؛ اما ایده‌پردازی چنین محدودیتی ندارد. ممکن است دانشمندان ترجیح دهند ایده‌های خود را مستقلاً تولید کنند یا توانایی هوش مصنوعی را در این زمینه محدود بدانند. همچنین، ازآنجاکه ایده‌پردازی در بسیاری از فعالیت‌های پژوهشی جریان دارد، ممکن است طبقه‌بندی نشست‌ها نتواند تمام موارد آن را شناسایی کند. بااین‌حال، احتمال دارد هوش مصنوعی واقعاً در ایده‌پردازی سطح بالا، مانند انتخاب پرسش پژوهشی و طراحی مطالعه مناسب برای پاسخ به آن، ضعیف‌تر عمل کند.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

نقش ابزارهای تخصصی  Claude Science

در کنار رابط‌های عمومی Claude و Claude Code، ابزارهای تخصصی هوش مصنوعی برای فعالیت‌های علمی نیز در حال گسترش‌اند. آنتروپیک برای بررسی ظرفیت این ابزارها، استفاده از Claude Science را با دو رابط عمومی دیگر در حوزه‌های زیست‌شناسی و علوم زیست‌پزشکی مقایسه می‌کند.

بیش از نیمی از نشست‌های Claude Science به دو حوزه علوم زیست‌پزشکی و زیست‌شناسی تعلق دارند. بررسی فعالیت‌ها نشان می‌دهد که این ابزار بیشتر برای کارهای تخصصی استفاده می‌شود. در مقابل، فعالیت‌های عمومی مانند نگارش مقاله یا هماهنگی با همکاران سهم کمتری در استفاده از Claude Science دارند. همچنین، ایده‌پردازی و تولید فرضیه حدود ۸ درصد نشست‌های این ابزار را تشکیل می‌دهد؛ سهمی که تقریباً با میزان زمانی که پژوهشگران صرف این فعالیت می‌کنند برابر است. این یافته نشان می‌دهد ابزارهای تخصصی علمی ممکن است امکان استفاده از هوش مصنوعی در فعالیت‌های پیچیده‌تر و خلاقانه‌تر را افزایش دهند.

مقایسه ویژگی‌های نشست‌ها در زیست‌شناسی و علوم زیست‌پزشکی نیز تفاوت معناداری میان Claude Science و رابط‌های عمومی نشان می‌دهد. فعالیت‌های انجام‌شده با Claude Science بدون کمک هوش مصنوعی تقریباً به دو برابر ساعات کاری انسانی بیشتری نیاز داشتند. بیش از ۸۰ درصد استفاده از این ابزار به محتوایی مربوط می‌شود که انجام آن به سطح آموزش دکتری، معادل حدود ۲۰ سال تحصیل، نیاز دارد؛ درحالی‌که این نسبت در رابط‌های دیگر حدود ۵۰ تا ۷۰ درصد است.

از نظر میزان خودمختاری نیز بیش از ۷۰ درصد نشست‌های Claude Science با سطح بالایی از استقلال هوش مصنوعی انجام شده‌اند. این رقم در Claude برابر با ۲۳.۷ درصد و در Claude Code معادل ۶۴.۱ درصد است. بنابراین، ابزارهای تخصصی نه‌تنها برای فعالیت‌های پیچیده‌تر استفاده می‌شوند، بلکه امکان واگذاری بخش بیشتری از کار به هوش مصنوعی را نیز فراهم می‌کنند.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

تفاوت خروجی‌های تولیدشده

نوع خروجی‌هایی که با Claude تولید می‌شوند نیز میان رشته‌ها متفاوت است. در علوم اجتماعی و علوم‌انسانی، اسناد، گزارش‌ها و مقالات علمی سهم بیشتری دارند؛ درحالی‌که در علوم طبیعی و علوم صوری، خروجی‌های فنی مانند کد، نرم‌افزار و داده رایج‌ترند. علوم سلامت از نظر نوع خروجی، به علوم اجتماعی شباهت بیشتری دارند. همچنین، خروجی‌های فنی در Claude Code تقریباً دو برابر Claude هستند، هرچند الگوی کلی تفاوت میان رشته‌ها در هر دو ابزار مشابه است.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

ارتباط میزان استفاده از هوش مصنوعی با توانایی‌های آن

یکی از پرسش‌های اصلی گزارش این است که آیا میزان استفاده پژوهشگران از هوش مصنوعی با توانایی واقعی این فناوری در انجام فعالیت‌های مختلف ارتباط دارد؟

برای پاسخ به این پرسش، پژوهشگران شاخصی با عنوان «توانایی نظری هوش مصنوعی» (Theoretical AI capability) طراحی کرده‌اند. در این روش، هر فعالیت پژوهشی به مراحل اجرایی کوچک‌تری تقسیم می‌شود. سپس یک طبقه‌بندی‌کننده مبتنی بر مدل زبانی، مراحل مختلف را به‌صورت دوتایی مقایسه می‌کند و مشخص می‌کند هوش مصنوعی در انجام کدام‌یک توانمندتر است.

برای سنجش ارتباط این شاخص با میزان استفاده، نسبت استفاده از هوش مصنوعی محاسبه می‌شود. این نسبت، سهم یک فعالیت از نشست‌های پژوهشی را بر سهم آن از زمان پژوهشگران تقسیم می‌کند. برای مثال، اگر فعالیتی ۵ درصد زمان پژوهشگران را بگیرد اما ۱۰ درصد نشست‌های Claude را تشکیل دهد، نسبت استفاده آن ۲ خواهد بود. نسبت ۱ نشان‌دهنده استفاده متناسب با زمان پژوهشگران و مقادیر کمتر از ۱ بیانگر استفاده کمتر از حد انتظار است.

نتایج نشان می‌دهد نسبت استفاده از Claude با افزایش امتیاز توانایی هوش مصنوعی به‌شدت افزایش می‌یابد. در ۲۰ درصد پایین فعالیت‌ها از نظر توانایی هوش مصنوعی، استفاده از Claude تقریباً ناچیز است. در فعالیت‌هایی با امتیاز متوسط، نسبت استفاده تقریباً برابر با ۱ است. اما فعالیت‌های واقع در ۲۰ درصد بالای این شاخص، مانند مصورسازی داده و اجرای آزمون‌های آماری، حدود دو برابر در Claude و چهار برابر در Claude Code بیش از سهم موردانتظار بر اساس زمان پژوهشگران مورداستفاده قرار می‌گیرند.

این رابطه در Claude Code قوی‌تر است؛ زیرا این ابزار عمدتاً برای فعالیت‌های محاسباتی استفاده می‌شود که امتیاز توانایی بالاتری دارند. در مجموع، پژوهشگران بیشتر در حوزه‌هایی از هوش مصنوعی استفاده می‌کنند که عملکرد بهتری در آن‌ها دارد.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

چه ویژگی‌هایی توانایی هوش مصنوعی را تعیین می‌کنند؟

گزارش سه دسته ویژگی را برای توضیح تفاوت توانایی هوش مصنوعی میان فعالیت‌های پژوهشی بررسی می‌کند:

  1. تناسب فعالیت با یادگیری تقویتی
  2. ماهیت شناختی یا فیزیکی یا بین‌فردی کار
  3. محدودیت‌های مقرراتی

یادگیری تقویتی فرایندی است که در آن مدل هوش مصنوعی یک فعالیت را بارها انجام می‌دهد و در صورت موفقیت پاداش دریافت می‌کند. فعالیت‌هایی برای این روش مناسب‌ترند که موفقیت در آن‌ها به‌سادگی قابل‌راستی‌آزمایی باشد، نمونه‌های متعددی از آن‌ها در محیط محاسباتی قابل‌شبیه‌سازی باشند و بازخورد به‌سرعت ارائه شود. شاخص تناسب فعالیت‌ها با یادگیری تقویتی با امتیاز توانایی نظری هوش مصنوعی همبستگی ۰.۷۸ دارد. این رابطه نشان می‌دهد هوش مصنوعی در فعالیت‌هایی توانمندتر است که فرایند یادگیری تقویتی در آن‌ها آسان‌تر انجام می‌شود.

ماهیت فعالیت نیز اهمیت دارد. فعالیت‌های شناختی معمولاً امتیاز توانایی بالاتری دارند و همبستگی آن‌ها با این شاخص ۰.۶۹ است. در مقابل، فعالیت‌های فیزیکی با همبستگی منفی ۰.۵۷، فعالیت‌های بین‌فردی با همبستگی منفی ۰.۳۱ و فعالیت‌های دارای محدودیت‌های مقرراتی با همبستگی منفی ۰.۳۸ همراه‌اند.

همین ویژگی‌ها میزان استفاده از Claude را نیز پیش‌بینی می‌کنند. استفاده از هوش مصنوعی در فعالیت‌های شناختی بیشتر و در فعالیت‌های فیزیکی و بین‌فردی کمتر است. محدودیت‌های مقرراتی نیز استفاده از Claude را کاهش می‌دهند. در فعالیت‌هایی که بیشترین تناسب را با یادگیری تقویتی دارند، استفاده از Claude دو برابر و استفاده از Claude Code چهار برابر سهم موردانتظار بر اساس زمان پژوهشگران است.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

تفاوت میان رشته‌ها و میزان خودمختاری

ارتباط میان توانایی هوش مصنوعی و استفاده از آن فقط در سطح فعالیت‌های جزئی مشاهده نمی‌شود؛ بلکه در سطح رشته‌ها و زیررشته‌ها نیز وجود دارد. میانگین امتیاز توانایی هوش مصنوعی در فعالیت‌های هر زیررشته با میزان استفاده از Claude به‌ازای تعداد پژوهشگران آن ارتباط مثبت دارد. همبستگی این رابطه برای Claude برابر با ۰.۴۵ و برای Claude Code معادل ۰.۵۷ است.

بااین‌حال، تفاوت‌های حوزه‌ای نشان می‌دهد توانایی فنی به‌تنهایی تعیین‌کننده میزان استفاده نیست. پژوهشگران علوم سلامت در مقایسه با امتیاز توانایی فعالیت‌هایشان، استفاده کمتری از Claude دارند. محدودیت‌های مرتبط با داده‌های پزشکی و تحقیقات سلامت یا دشواری یکپارچه‌سازی ابزارهای هوش مصنوعی ممکن است در این زمینه نقش داشته باشند.

در مقابل، علوم صوری، علوم اجتماعی، هنر و علوم‌انسانی بیش از آنچه امتیاز توانایی هوش مصنوعی پیش‌بینی می‌کند از Claude استفاده می‌کنند. بخش زیادی از فعالیت‌های این حوزه‌ها از طریق متن و کد انجام می‌شود و همین موضوع احتمالاً پذیرش ابزارهای هوش مصنوعی را تسهیل می‌کند. در علوم فیزیکی و علوم زیستی، میزان استفاده عموماً با امتیاز توانایی هوش مصنوعی هماهنگی بیشتری دارد.

میزان خودمختاری هوش مصنوعی نیز با توانایی نظری آن در زیررشته‌ها ارتباط مثبت دارد. به بیان دیگر، حوزه‌هایی که فعالیت‌هایشان از ظرفیت بیشتری برای انجام با هوش مصنوعی برخوردار است، نه‌تنها بیشتر از این فناوری استفاده می‌کنند، بلکه بخش بیشتری از فعالیت‌ها را نیز به‌صورت خودمختار به آن واگذار می‌کنند.

پژوهشگران چگونه از Claude استفاده می‌کنند؟

سناریوهای افزایش سرعت پژوهش علمی با هوش مصنوعی

سرعت پیشرفت علم‌وفناوری به ایده‌های مناسب و توانایی اجرای آن‌ها وابسته است. از نظر تاریخی، هر دو عامل با محدودیت ظرفیت انسانی مواجه بوده‌اند: تعداد پژوهشگران محدود است و هر پژوهشگر نیز زمان مشخصی برای تدوین فرضیه، طراحی آزمایش، تحلیل داده و ترکیب یافته‌ها در اختیار دارد.

هوش مصنوعی می‌تواند از دو مسیر این محدودیت‌ها را کاهش دهد:

  1. نخست، بخشی از فعالیت‌هایی را که اکنون پژوهشگران انجام می‌دهند بر عهده بگیرد تا آن‌ها بتوانند ایده‌های بیشتری را دنبال کنند.
  2. دوم، ایده‌هایی ارائه دهد که ممکن است پژوهشگران به‌تنهایی به آن‌ها دست پیدا نکنند.

مسیر دوم احتمالاً در بلندمدت اهمیت بیشتری دارد، اما اندازه‌گیری آن دشوارتر است. به همین دلیل، تحلیل گزارش عمدتاً بر خودکارسازی فعالیت‌های موجود و تأثیر آن بر ظرفیت تولید پژوهش متمرکز است.

چارچوب مدل‌سازی

پژوهشگران سه سناریو برای افزایش سرعت پژوهش طراحی کرده‌اند:

  • سناریوی اول: پذیرش گسترده قابلیت‌های فعلی هوش مصنوعی، بر اساس نظرسنجی پژوهشگران و شاخص توانایی هوش مصنوعی.
  • سناریوی دوم: خودکارسازی ۷۵ درصد مراحل غیرفیزیکی فعالیت‌های پژوهشی با هوش مصنوعی.
  • سناریوی سوم: خودکارسازی کامل، یعنی ۱۰۰ درصد مراحل غیرفیزیکی پژوهش.

در سناریوهای دوم و سوم، هوش مصنوعی ابتدا مراحلی را خودکار می‌کند که بالاترین امتیاز توانایی را دارند. در هر سه سناریو، پژوهشگران همچنان مسئول انجام مراحل فیزیکی خواهند بود. این سناریوها پیش‌بینی قطعی آینده نیستند، بلکه مدل‌هایی فرضی برای بررسی تأثیر توانایی هوش مصنوعی، محدودیت‌های فیزیکی و هزینه استفاده از آن هستند.

گزارش برای ارزیابی هر سناریو از دو شاخص استفاده می‌کند:

  1. سهم هوش مصنوعی (AI Share): بخشی از زمان پژوهشگر که هوش مصنوعی می‌تواند به عهده بگیرد. این شاخص نشان می‌دهد چه میزان از زمان انسانی برای انجام فعالیت‌های دیگر آزاد می‌شود.
  2. شتاب پژوهش (Research Acceleration): میزان افزایش خروجی پژوهش با بودجه ثابت، در مقایسه با شرایط بدون هوش مصنوعی. این شاخص مشخص می‌کند با منابع مالی یکسان، چه تعداد نتیجه پژوهشی بیشتر می‌توان تولید کرد.

برای محاسبه سناریوی اول، پنج سطح استفاده از هوش مصنوعی در نظرسنجی مبنا قرار گرفته‌اند: بدون استفاده، کمک‌کننده، مشترک، واگذارشده و خودمختار. پژوهشگران به ترتیب فرض کرده‌اند که این سطوح معادل واگذاری صفر، ۲۵، ۵۰، ۷۵ و ۱۰۰ درصد زمان انجام یک مرحله به هوش مصنوعی هستند. سپس مراحل فعالیت‌های پژوهشی بر اساس امتیاز توانایی هوش مصنوعی مرتب شده‌اند و سطوح بالاتر استفاده به مراحل دارای امتیاز بالاتر اختصاص یافته‌اند.

برای محاسبه شتاب پژوهش، از یک تابع تولید ایده در اقتصاد استفاده شده است. در این مدل، تولید یک مقاله به مجموعه‌ای از فعالیت‌های مکمل نیاز دارد؛ بنابراین، افزایش بهره‌وری در یک فعالیت لزوماً ضعف سایر فعالیت‌ها را جبران نمی‌کند. با ارزان‌تر شدن برخی فعالیت‌ها به کمک هوش مصنوعی، پژوهشگران می‌توانند زمان بیشتری به فعالیت‌هایی اختصاص دهند که همچنان به دخالت انسانی نیاز دارند.

در محاسبات اقتصادی، هزینه یک ساعت فعالیت عامل هوش مصنوعی ۳۰ دلار و هزینه یک ساعت کار پژوهشگر ۹۵ دلار فرض شده است. همچنین، برای هر ساعت صرفه‌جویی در زمان پژوهشگر، ۰.۲ ساعت فعالیت هوش مصنوعی در نظر گرفته شده است. این ارقام فرض‌های مدل هستند و هزینه هوش مصنوعی بر اساس قیمت‌های عمومی فعلی محاسبه شده است.

سناریوی اول: قابلیت‌های فعلی هوش مصنوعی

بر اساس برآوردها، اگر قابلیت‌های فعلی هوش مصنوعی به طور گسترده به کار گرفته شوند، این فناوری می‌تواند ۲۷ تا ۵۲ درصد زمان موردنیاز برای تولید یک مطالعه جدید را بر عهده بگیرد. میانه این مقدار در رشته‌های مختلف ۳۸ درصد است. این میزان صرفه‌جویی در زمان، به افزایش ۱.۳۵ برابری خروجی پژوهش در هنر، ۱.۳۶ برابری در انسان‌شناسی و ۱.۴۱ برابری در شیمی منجر می‌شود. در مقابل، افزایش خروجی در علوم کامپیوتر به ۱.۹۶ برابر و در آمار به ۲.۰۲ برابر می‌رسد.

محدودبودن این افزایش به این دلیل است که کاربرد فعلی هوش مصنوعی عمدتاً در سطح کمک‌کننده یا همکاری مشترک قرار دارد و هنوز بخش زیادی از فعالیت‌های پژوهشی به مشارکت مستقیم انسان نیاز دارند. حتی رشته‌هایی که بیشترین آمادگی را برای پذیرش هوش مصنوعی دارند و عمدتاً شناختی هستند، در این سناریو تنها به حدود دو برابر افزایش خروجی می‌رسند. دو عامل اصلی تفاوت میان رشته‌ها را توضیح می‌دهند:

  1. عامل نخست، سهم فعالیت‌های فیزیکی است. هوش مصنوعی بدون یکپارچه‌سازی با سامانه‌های فیزیکی نمی‌تواند بسیاری از این فعالیت‌ها را انجام دهد. در رشته‌هایی مانند علوم کشاورزی، علوم زیست‌پزشکی، شیمی و علم مواد، حدود ۳۸ تا ۴۱ درصد زمان پژوهشگران صرف مراحل فیزیکی می‌شود؛ درحالی‌که میانه این سهم در رشته‌های مختلف تنها ۴ درصد است. همین تفاوت حدود یک‌سوم تغییرات سهم قابل‌واگذاری به هوش مصنوعی را توضیح می‌دهد.
  2. عامل دوم، تفاوت توانایی هوش مصنوعی در فعالیت‌های شناختی است. برای مثال، هنر و تاریخ زمان نسبتاً کمی را صرف فعالیت‌های فیزیکی می‌کنند، اما فعالیت‌های شناختی آن‌ها امتیاز توانایی پایین‌تری دارند. احتمالاً فعالیت‌های کیفی و تفسیری این رشته‌ها کمتر با یادگیری تقویتی سازگارند. در مقابل، علوم کامپیوتر و آمار به دلیل سهم بالای تحلیل داده که از بالاترین امتیازهای توانایی هوش مصنوعی برخوردار است، ظرفیت بیشتری برای افزایش خروجی دارند.
پژوهشگران چگونه از Claude استفاده می‌کنند؟

سناریوهای دوم و سوم: خودکارسازی گسترده‌تر

در سناریوی دوم که در آن هوش مصنوعی قادر است ۷۵ درصد مراحل غیرفیزیکی را انجام دهد، تفاوت میان رشته‌ها بیشتر می‌شود. افزایش خروجی پژوهش در علوم کامپیوتر به حدود ۸ برابر، در آمار و علم کتابداری و اطلاع‌رسانی به ۷ برابر و در اقتصاد به ۶ برابر می‌رسد. بیشتر رشته‌های علوم اجتماعی، ریاضیات، فیزیک و نجوم نیز افزایش چهار تا پنج برابری را تجربه می‌کنند. در مقابل، علوم آزمایشگاهی و پزشکی به حدود دو تا سه برابر افزایش خروجی محدود می‌شوند.

علوم آزمایشگاهی و هنر و علوم‌انسانی کمترین افزایش را دارند، اما دلایل این محدودیت متفاوت است. در علوم آزمایشگاهی، بخش زیادی از فعالیت‌ها فیزیکی است و همچنان باید توسط پژوهشگران انجام شود. در هنر و علوم‌انسانی فعالیت‌ها عمدتاً شناختی هستند، اما امتیاز توانایی هوش مصنوعی در آن‌ها پایین‌تر است؛ بنابراین، تعداد کمتری از مراحل پژوهش خودکار می‌شوند. در این سناریو، ۸۲ درصد زمان فعالیت‌های غیرفیزیکی در علوم کامپیوتر، اما تنها ۲۸ درصد آن در هنر، به فعالیت‌های خودکارشده اختصاص پیدا می‌کند. تاریخ، انسان‌شناسی و هنر در این مدل به افزایش خروجی حدود دو برابر یا کمتر می‌رسند.

در سناریوی سوم، با فرض خودکارسازی تمام مراحل غیرفیزیکی، وضعیت هنر و علوم‌انسانی تغییر می‌کند. در این شرایط، پایین‌بودن امتیاز توانایی هوش مصنوعی دیگر مانع خودکارسازی فعالیت‌های شناختی نیست و هوش مصنوعی می‌تواند تقریباً تمام فعالیت‌های غیرفیزیکی را بر عهده بگیرد.

در نتیجه، آمار، علوم کامپیوتر، اقتصاد، ریاضیات، روان‌شناسی و بیشتر رشته‌های علوم اجتماعی و هنر و علوم‌انسانی می‌توانند به افزایش ۱۵ تا ۱۶ برابری خروجی برسند. اما رشته‌هایی مانند زیست‌شناسی، شیمی، علم مواد، علوم کشاورزی و علوم زیست‌پزشکی که به فعالیت‌های آزمایشگاهی و میدانی وابسته‌اند، همچنان به افزایش سه تا چهار برابری محدود می‌شوند.

دو نتیجه اصلی از این سناریوها به دست می‌آید.

  1. نخست، محدودیت‌های فیزیکی همچنان مانعی جدی برای افزایش سرعت پژوهش خواهند بود. بدون یکپارچه‌سازی هوش مصنوعی با تجهیزات و زیرساخت‌های فیزیکی، این فعالیت‌ها به گلوگاه اصلی زمان و بودجه پژوهش تبدیل می‌شوند.
  2. دوم، در رشته‌هایی که محدودیت فیزیکی ندارند، ظرفیت افزایش سرعت پژوهش بسیار زیاد است و هزینه هوش مصنوعی به عامل محدودکننده اصلی تبدیل می‌شود. بر اساس فرض‌های مدل، هزینه انجام یک فعالیت کاملاً خودکارشده با هوش مصنوعی حدود یک‌شانزدهم هزینه انجام همان فعالیت توسط پژوهشگر است. به همین دلیل، افزایش خروجی در حدود ۱۶ برابر متوقف می‌شود. اگر هزینه هوش مصنوعی به نصف کاهش یابد، این سقف نیز می‌تواند دو برابر شود.

البته این محاسبات محدودیت‌هایی دارند. مدل، محدودیت‌های زیرساختی در سطح یک رشته علمی را در نظر نمی‌گیرد؛ برای مثال، تعداد آزمایش‌هایی که می‌توان در تأسیساتی مانند برخورددهنده بزرگ هادرونی انجام داد، محدود است. همچنین هزینه تجهیزات و مواد آزمایشگاهی در محاسبات لحاظ نشده است. امکان جایگزینی آزمایش‌های فیزیکی با شبیه‌سازی نیز بررسی نشده است. در نهایت، کیفیت ایده‌ها در مدل وارد نشده است. اگر هوش مصنوعی بتواند فرضیه‌های بهتری با احتمال موفقیت بالاتر ارائه کند، سرعت پژوهش ممکن است بیشتر شود؛ اما اگر توانایی تشخیص ارزش پژوهشی ایده‌ها همچنان در اختیار انسان باشد، افزایش سرعت محدودتر خواهد بود.

انتظارات پژوهشگران از آینده هوش مصنوعی

نظرسنجی پژوهشگران علوم زیستی و سلامت نشان می‌دهد که بسیاری از دانشمندان انتظار دارند هوش مصنوعی در سال‌های آینده به سطح عملکرد بهترین پژوهشگران حوزه آن‌ها برسد. بیش از نیمی از پاسخ‌دهندگان انتظار دارند هوش مصنوعی تا سال ۲۰۲۷ در تحلیل داده با بهترین پژوهشگران رقابت کند. همچنین، ۳۸ درصد معتقدند این سطح از توانایی هم‌اکنون حاصل شده است. تا سال ۲۰۳۰، ۹۴ درصد انتظار دارند هوش مصنوعی در تحلیل داده، ۸۹ درصد در نگارش و ۷۲ درصد در هر یک از دو فعالیت ایده‌پردازی و گردآوری داده به سطح بهترین پژوهشگران برسد.

بااین‌حال، انتظارات درباره انجام مستقل پروژه‌های پژوهشی محتاطانه‌تر است. حدود ۴۰ درصد پاسخ‌دهندگان انتظار دارند هوش مصنوعی تا سال ۲۰۳۰ بتواند یک پروژه پژوهشی کامل را به‌تنهایی انجام دهد. این سهم تا سال ۲۰۳۵ به حدود ۶۴ درصد می‌رسد؛ هرچند ۱۶ درصد معتقدند چنین اتفاقی هرگز رخ نخواهد داد.

انتظارات درباره تولید مستقل دستاوردهای علمی بزرگ حتی محتاطانه‌تر است. حدود نیمی از پژوهشگران معتقدند هوش مصنوعی تنها پس از سال ۲۰۳۵، یا حتی هیچ‌گاه، قادر به تولید دستاوردهایی خواهد بود که در رشته آن‌ها پیشرفت بزرگی محسوب شوند.

گزارش همچنین به سابقه دست‌کم گرفتن سرعت پیشرفت هوش مصنوعی اشاره می‌کند. برای مثال، در نظرسنجی سال ۲۰۲۲، پیش‌بینی میانه متخصصان این بود که هوش مصنوعی در سال ۲۰۳۰ به عملکرد سطح طلای المپیاد جهانی ریاضی برسد. این پیش‌بینی برای ابرپیش‌بینی‌کنندگان سال ۲۰۳۵ بود؛ اما هوش مصنوعی در سال ۲۰۲۵ به این نقطه عطف دست یافت. بااین‌حال، حوزه‌هایی که به اجرای فعالیت‌ها در جهان فیزیکی نیاز دارند، از جمله فعالیت‌های آزمایشگاهی در زیست‌شناسی، از استثناهای این الگو محسوب می‌شوند.

When researchers expect AI to match the best researchers in their field

فرصت‌ها و چالش‌های پیش‌روی علم

افزایش سرعت اکتشافات علمی با کمک هوش مصنوعی می‌تواند به بهبود سطح زندگی و پیشرفت سریع‌تر درمان بیماری‌ها کمک کند. برآوردهای گزارش نیز از ظرفیت قابل‌توجه این فناوری برای افزایش خروجی پژوهش حکایت دارند. بااین‌حال، پیشرفت قابلیت‌های هوش مصنوعی به‌تنهایی تضمین‌کننده شتاب علمی نیست و تحقق این ظرفیت به نحوه مواجهه با چند محدودیت اساسی بستگی دارد.

نخست، پذیرش فناوری ممکن است از پیشرفت قابلیت‌های آن عقب بماند. انتشار فناوری‌های جدید معمولاً به‌کندی اتفاق می‌افتد و افزایش بهره‌وری زمانی محقق می‌شود که سازمان‌ها ساختار و فرایندهای خود را متناسب با فناوری جدید بازطراحی کنند. فرایند یادگیری افراد، اصطکاک‌های سازمانی و محدودیت‌های دسترسی به زیرساخت هوش مصنوعی نیز می‌توانند سرعت پذیرش را کاهش دهند.

دوم، برخی گلوگاه‌های پژوهش با هوش مصنوعی از بین نمی‌روند. آزمایش‌های فیزیکی همچنان می‌توانند حتی در حضور سامانه‌های بسیار پیشرفته، سرعت پژوهش را محدود کنند. انتخاب موضوع پژوهش نیز ممکن است به گلوگاهی مهم تبدیل شود. ارزش یک پروژه علمی تا حد زیادی به پرسش‌هایی بستگی دارد که دنبال می‌کند و هنوز مشخص نیست هوش مصنوعی تا چه اندازه قادر است پرسش‌های پژوهشی ارزشمند تولید کند. اگر ایده‌پردازی به محدودیت اصلی تبدیل شود، ارزان‌تر شدن پاسخ به پرسش‌های علمی لزوماً به افزایش متناسب سرعت پژوهش منجر نخواهد شد. در مقابل، اگر هوش مصنوعی بتواند فرضیه‌های باکیفیت‌تری از انسان تولید کند، ظرفیت شتاب علمی افزایش می‌یابد.

سوم، افزایش خروجی پژوهش می‌تواند کمیت یا کیفیت علم را تغییر دهد. تولید حجم زیادی از مقالات ممکن است پیشرفت علمی را سرعت ببخشد، اما هم‌زمان توانایی دانشمندان برای مطالعه، ارزیابی و تأیید نتایج را تحت‌تأثیر قرار دهد. ازسوی‌دیگر، فناوری‌های جدید در گذشته، از میکروسکوپ و تلسکوپ تا نرم‌افزارهای آماری، کیفیت بینش‌های علمی را افزایش داده‌اند. هوش مصنوعی نیز می‌تواند انجام تحلیل‌های جامع‌تر و پروژه‌های بلندپروازانه‌تر را امکان‌پذیر کند. در نهایت، اینکه بهره‌وری بیشتر به افزایش کمیت یا کیفیت پژوهش منجر شود، به انتخاب پژوهشگران و مشوق‌های مجلات، تأمین‌کنندگان مالی و مؤسسات علمی بستگی دارد.

چهارم، ساختار سازمان‌دهی پژوهش ممکن است دستخوش تغییر شود. با افزایش توانایی و خودمختاری هوش مصنوعی، سامانه‌ها می‌توانند در آینده مسئولیت‌هایی مانند راستی‌آزمایی، داوری علمی و انتقال نتایج مهم را بر عهده بگیرند. این تحول می‌تواند به مدیریت حجم روبه‌افزایش یافته‌های علمی کمک کند. در افق‌های دورتر نیز ممکن است عامل‌های پژوهشی هوش مصنوعی با استفاده از رباتیک و آزمایشگاه‌های خودکار، مستقل از انسان و در قالب جوامع پژوهشی بزرگ، مرزهای علم را گسترش دهند. چنین آینده‌ای پرسش‌های مهمی درباره توانایی انسان برای پیگیری، درک و ارزیابی دانش تولیدشده توسط سامانه‌های مستقل مطرح می‌کند.

پنجم، افزایش خودمختاری هوش مصنوعی چالش‌های ایمنی و هم‌راستایی را تشدید می‌کند. حفظ مشارکت انسان در تصمیم‌های کلیدی پژوهش، از جمله انتخاب پرسش‌ها و تعیین روش تحقیق، با افزایش توانایی و خلاقیت عامل‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند. خود اکتشافات علمی یا پیامدهای جانبی پژوهش نیز می‌توانند خطرآفرین باشند. این موضوع به‌ویژه در زیست‌شناسی اهمیت دارد؛ زیرا همان قابلیت‌هایی که به پیشرفت پزشکی کمک می‌کنند، ممکن است دانش یا مواد خطرناکی نیز تولید کنند. در چنین شرایطی، ایجاد نقاط کنترل مشخص در فرایند پژوهش و پذیرش کاهش سرعت برای محدودکردن ریسک‌ها ممکن است ضروری باشد.

ششم، ماهیت مشاغل پژوهشی و رضایت شغلی دانشمندان تغییر خواهد کرد. اگر هوش مصنوعی فعالیت‌هایی را بر عهده بگیرد که پژوهشگران از انجام آن‌ها لذت می‌برند یا برایشان ارزشمند است، رضایت شغلی ممکن است کاهش یابد و افراد کمتری به فعالیت پژوهشی علاقه‌مند شوند. در مقابل، خودکارسازی فعالیت‌های تکراری و خسته‌کننده می‌تواند رضایت شغلی را افزایش دهد.

در مجموع، تأثیر نهایی هوش مصنوعی بر تجربه شغلی پژوهشگران هنوز مشخص نیست و با تکامل قابلیت‌های این فناوری ممکن است تغییر کند. یک چشم‌انداز خوش‌بینانه این است که هوش مصنوعی فرصت‌های بیشتری برای اکتشاف فراهم کند؛ همان فعالیتی که بخش مهمی از جذابیت حرفه پژوهش را تشکیل می‌دهد. اگر علم سفری به‌سوی مرزهای بی‌پایان دانش باشد، هوش مصنوعی می‌تواند وسیله‌ای تازه برای پیمودن مسیرهای طولانی‌تر و کاوش در پرسش‌ها و اکتشافات بیشتر باشد.

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]