کار آزمایشگاهی
شرکت‌های هوش مصنوعی می‌خواهند به پژوهشگران پیشرو در علم تبدیل شوند
سید محمدجواد فیاض
- ۲۳ آبان ۱۴۰۵
دستاورد واقعی شرکت‌های توسعه‌دهنده هوش مصنوعی از انجام و توسعه پژوهش‌های علمی با هوش مصنوعی ممکن است مدل‌های هوش مصنوعی بهتر باشد.
«دمیس هسابیس» می‌گوید گوگل دیپ‌مایند (Google DeepMind) را با هدف ساخت «ابزار نهایی علم» (the ultimate tool for science) تأسیس کرده است. از آن زمان تاکنون، دستاوردهای پژوهشی دیپ‌مایند ۹ بار بر روی جلد مجله نیچر (Nature) رفته‌اند. در آغاز، این دستاوردها به پیشرفت‌های چشمگیر در خودِ هوش مصنوعی مربوط می‌شدند؛ اما موفقیت‌های جدیدتر این شرکت حاصل به‌کارگیری هوش مصنوعی در سایر حوزه‌های فعالیت علمی بوده‌اند. برای مثال، مدل پیش‌بینی ساختار پروتئین این شرکت، آلفافولد (AlphaFold)، باعث شد هاسابیس و «جان جامپیر» در سال ۲۰۲۴ به طور مشترک برنده جایزه نوبل شود.
بازآرایی مدیریت در ساختار هوش مصنوعی گوگل
استراتژی DeepMind تجاری شد، تیم برنده نوبل AlphaFold منحل شد
رقبای دیپ‌مایند نیز در حال جبران فاصله هستند. پاییز امسال، OpenAI با ادعای حل مسئله جایزه هزاره ناویر-استوکس و سپس انتشار راه‌حل بیش از ۳۰۰ مسئله حل‌نشده در یک روز، چشم‌انداز ریاضیات را دگرگون کرد. «داریو آمودی»، مدیرعامل آنتروپیک، در ماه سپتامبر اعلام کرد که این شرکت با استفاده از Claude به کشفی دست یافته است که می‌تواند جایگزینی بالقوه برای کریسپر (CRISPR)، یکی از فناوری‌های ویرایش ژن باشد. او وعده داد که زیست‌شناسی مبتنی بر هوش مصنوعی در مسیر «رشد نمایی» قرار دارد.
آیا ChatGPT واقعاً معادله ناویر-استوکس را فقط در ۸۸ ساعت حل کرده است؟
OpenAI نتایج ۷۲۲ دست‌نوشته ریاضی پاسخ‌داده‌شده توسط یک مدل داخلی منتشرنشده را منتشر کرد
شرکت‌های کوچک‌تر نیز به این عرصه پیوسته‌اند. در سال ۲۰۲۴، یک گروه پژوهشی مستقر در توکیو به نام Sakana AI از سامانه‌ای موسوم به «دانشمند هوش مصنوعی» (AI Scientist) رونمایی کرد که به گفته سازندگانش، می‌توانست تمام وظایف لازم برای نگارش یک مقاله علمی را انجام دهد. ساکانا در مقاله‌ای داوری‌شده که در ماه مارس امسال در مجله نیچر منتشر شد، گزارش داد که این سامانه مقاله‌ای نوشته است که توانسته مرحله نخست داوری همتا را برای یک کنفرانس معتبر هوش مصنوعی پشت سر بگذارد؛ مانعی که نزدیک به یک‌سوم مقالات نوشته‌شده به دست انسان‌ها از عبور از آن بازمانده بودند.
نقشه گمشده آسمان:
چگونه Claude به بازسازی نقشه فرابنفش ناقص آسمان شب کمک کرد؟
در ابتدا، چنین فعالیت‌هایی با استقبال گسترده جامعه علمی مواجه شدند؛ اما شتاب بسیار سریع و روبه‌افزایش اکتشافات مبتنی بر هوش مصنوعی، بسیاری از پژوهشگران را نگران کرده است. بخشی از نگرانی آن‌ها به این موضوع بازمی‌گردد که شرکت‌های هوش مصنوعی صرفاً ابزار اکتشاف علمی را در اختیار دیگران قرار نمی‌دهند، بلکه خودشان نیز تصمیم گرفته‌اند از این ابزارها استفاده کنند.
این رویکرد غیرمعمول است. شرکت‌های هوش مصنوعی با فروش خدمات خود به طیف گسترده‌ای از مشتریان، از مؤسسات حسابداری گرفته تا رسانه‌ها، مشکلی ندارند؛ بی‌آنکه خودشان در این صنایع فعالیت کنند. پس چرا وضعیت در حوزه علم تا این اندازه متفاوت است؟
اظهارات آزمایشگاه‌های هوش مصنوعی نشان می‌دهد که آن‌ها پیشبرد مرزهای دانش علمی را به‌خودی‌خود اقدامی ارزشمند می‌دانند یا با نگاهی بدبینانه‌تر، دست‌کم معتقدند چنین فعالیتی باید اقدامی ارزشمند به نظر برسد. بخش بزرگی از فعالیت‌های علمی در بزرگ‌ترین شرکت‌های هوش مصنوعی، به‌عنوان پژوهش‌هایی با هدف پیشبرد خودِ علم معرفی می‌شوند. هاسابیس به اکونومیست گفت که اهداف بلندپروازانه‌اش از این خواسته ناشی می‌شد که می‌خواست «فهمد در این جهان چه می‌گذرد.» کاربردهای عملی، همانند آنچه برای هر دانشمند خوبی انتظار می‌رود، تقریباً در اولویت دوم قرار داشتند.
رقبای دیپ‌مایند نیز همین پیام را تکرار می‌کنند. «مارک چن»، مدیر ارشد پژوهش OpenAI می‌گوید: «ما واقعاً و از صمیم قلب به این اقدامات علاقه‌مندیم.» او اتهاماتی را که تلاش‌های علمی این شرکت را نوعی نیکوکاری شرکتی می‌دانند، رد می‌کند. به گفته چن، بسیاری از پژوهشگران OpenAI پیش از ورود به بخش سازمانی، دانشمند یا ریاضی‌دان بوده‌اند و همچنان اشتیاق خود را برای تجربه زیباییِ یک کشف جدید حفظ کرده‌اند.
البته، چشم‌انداز کسب سود نیز بی‌تأثیر نیست. ایزومورفیک لبز (Isomorphic Labs)، شرکت منشعب‌شده از دیپ‌مایند که هاسابیس آن را تأسیس کرده است، نمونه بارز این رویکرد به شمار می‌رود. این شرکت قصد دارد با استفاده از فناوری دیپ‌مایند، درمان‌های نوینی برای سرطان‌ها و همچنین بیماری‌های قلبی و عروقی و اختلالات سیستم ایمنی توسعه دهد. ایزومورفیک فناوری اختصاصی خود را نیز توسعه داده است؛ نسخه‌ای به‌روزشده از AlphaFold 3 که می‌تواند همان کاری را برای واکنش‌های بیوشیمیایی انجام دهد که نسخه پیشین برای پیش‌بینی ساختار پروتئین انجام می‌داد. اگر این راهبرد موفقیت‌آمیز باشد، ایزومورفیک به‌تدریج به بازده مالی دست خواهد یافت؛ زیرا مولکول‌های مدنظر این شرکت که در حال حاضر ۱۷ مورد از آن‌ها در دست توسعه هستند، به دست شرکت‌های داروسازی سراسر جهان به داروهای واقعی تبدیل خواهند شد.
تحسین و سود مالی، هرچند انگیزه‌هایی قدرتمند هستند، تنها بخشی از ماجرا را توضیح می‌دهند. دلیل اصلی اشتیاق آزمایشگاه‌های هوش مصنوعی به سرمایه‌گذاری در علم، احتمالاً این است که پژوهش علمی بهترین راه برای بهبود مدل‌های آن‌هاست.
در سال‌های نخست توسعه مدل‌های زبانی بزرگ (LLM)، توانایی علمی یکی از معیارهایی بود که برای سنجش میزان پیشرفت مدل‌های جدید نسبت به نسل‌های پیشین به کار می‌رفت. بااین‌حال، این آزمون دشوارتر از یک آزمون علمی در سطح دبیرستان نبود. در مقابل، بهترین مدل‌های امروزی قادرند به پرسش‌هایی در سطح تحصیلات تکمیلی پاسخ دهند و در آزمونی موسوم به «آخرین امتحان بشریت» (Humanity’s Last Exam)، اندکی بیش از ۵۰ درصد امتیاز کسب کنند. این آزمون حوزه‌های مختلف دانش را در بر می‌گیرد و به‌گونه‌ای طراحی شده است که دشواری آن، در مقام یک آزمون دانش‌محور، تا حد ممکن بالا باشد (نمودار).
این پیشرفت سریع به آن معناست که آزمایشگاه‌های هوش مصنوعی در حال تمام‌کردن داده‌هایی هستند که می‌توانند برای آزمودن مدل‌های خود به کار بگیرند. گام منطقی بعدی آن است که مدل‌های هوش مصنوعی خودشان پژوهش‌های جدید انجام دهند. «پوشمیت کولی»، رئیس تیم علوم در گوگل دیپ‌مایند می‌گوید: «علم و ریاضیات نقش زمین بازی را ایفا می‌کنند؛ چالش‌های بزرگی که در اختیار هوش مصنوعی قرار می‌دهیم تا نوآوری را پیش ببریم.»
مسائل حل‌نشده ریاضیات از ارزش ویژه‌ای برخوردارند؛ زیرا پاسخ‌هایی که مدل‌ها برای آن‌ها پیدا می‌کنند، قابلیت اثبات و راستی‌آزمایی رسمی دارند. پیشبرد مرزهای توسعه هوش مصنوعی به روشی وابسته است که «یادگیری تقویتی با پاداش‌های قابل راستی‌آزمایی» (Reinforcement Learning with Verifiable Rewards) نامیده می‌شود. در این روش، آزمایشگاه‌ها مدل‌های هوش مصنوعی را با واگذاری وظایفی در حوزه‌هایی آموزش می‌دهند که پاسخ‌های درست و عینی دارند و در صورت موفقیت به آن‌ها پاداش می‌دهند. برخی گمانه‌زنی کرده‌اند که انتشار مجموعه اخیر مقالات ریاضی OpenAI ممکن است محصول جانبی یکی از همین مراحل آموزش بوده باشد «برای این مسئله حل‌نشده یک اثبات رسمی ارائه کن» شاید دشوارترین چالش قابل راستی‌آزمایی باشد که بشر می‌تواند پیش روی هوش مصنوعی قرار دهد.
بااین‌حال، سوق‌دادن مدل‌ها به‌سوی کسب جایگاهی پیشرو در ریاضیات جهان لزوماً به این معنا نیست که آن‌ها در انجام سایر وظایف نیز توانمندتر خواهند شد. پرداختن گسترده به مسائل علمی ممکن است هوش سامانه‌های هوش مصنوعی را از آنچه هست نیز «ناهموارتر» (Jagged) کند. به‌طورکلی مفهوم «هوش مصنوعی ناهموار» یا Jagged AI به این معناست که سامانه‌ها و مدل‌های هوش مصنوعی در برخی حوزه‌ها توانایی‌هایی فراتر از سطح انسان نشان دهند، اما در حوزه‌های دیگر همچنان مرتکب اشتباهاتی خنده‌دار شوند؛ هرچند که چنین خطاهایی در مقایسه با گذشته کمتر شده‌اند. به گفته یکی از افراد آگاه در داخل یکی از این شرکت‌ها، اینکه آیا مدل‌های هوش مصنوعی با توانایی‌های فوق‌العاده علمی در نهایت به شایستگی عمومی دست خواهند یافت یا خیر، پرسشی «وجودی» است که پیامدهایی برای آینده بشریت دارد.
بااین‌حال، دلایلی وجود دارد که نشان می‌دهد ناهمواری هوش مدل‌هایی که به این شیوه آموزش می‌بینند، ممکن است کمتر از حد انتظار باشد. مارک چن به «درس تلخ» (The Bitter Lesson) در پژوهش هوش مصنوعی اشاره می‌کند:
این واقعیت که سامانه‌های بزرگ‌تر و از نظر معماری ساده‌تر، در نهایت عملکرد بهتری از سامانه‌هایی دارند که با اجزای پیچیده و پرزرق‌وبرق برای کمک به تخصصی‌شدن در وظایف خاص طراحی شده‌اند.
«ریچ ساتن»، پژوهشگر هوش مصنوعی که نخستین‌بار این عبارت را به کار برد توضیح می‌دهد که سامانه‌های هوش مصنوعی در حوزه‌هایی از شطرنج گرفته تا تشخیص گفتار، زمانی عملکرد بهتری پیدا کردند که پژوهشگران تلاش برای دیکته‌کردن شیوه انجام وظایف به مدل‌ها را کنار گذاشتند.
پژوهش‌های اخیر نیز مؤید این دیدگاه هستند. پژوهش مقدماتی‌ای که «یونگ لیو» از دانشگاه جیائو تونگ شانگهای هدایت کرده است، نشان می‌دهد آموزش سامانه‌ها برای پیش‌بینی ساختار پروتئین‌ها، بدون مدیریت جزئی و مداخله مستقیم در فرایند یادگیری آن‌ها، ظاهراً توانایی‌هایشان را در سایر حوزه‌ها نیز بهبود می‌بخشد. نسخه‌ای از مدل هوش مصنوعی متن‌باز Qwen متعلق به علی‌بابا که با استفاده از پرسش‌ها و پاسخ‌های مرتبط با پیش‌بینی ساختار پروتئین آموزش دیده بود، قابلیت‌های بهبودیافته‌ای در حوزه‌هایی مانند استدلال فضایی، استدلال مبتنی بر گراف، استدلال علمی و استدلال عمومی نشان داد.
نتیجه این روند آن است که به گفته چن، OpenAI کاملاً تحت تأثیر درس تلخ قرار گرفته است. این شرکت سرمایه‌گذاری بزرگی روی این فرض انجام داده که بهترین راه برای ساخت مدلی جهت انجام هر وظیفه مشخص، ساخت مدلی است که بتواند از عهده تمام وظایف برآید. البته همه با این دیدگاه موافق نیستند. برای مثال، دیپ‌مایند در توسعه مدل‌های تخصصی خود به‌ویژه آلفافولد، موفقیت‌هایی به دست آورده است.
اما درس تلخ دامن دیپ‌مایند را نیز گرفته است. ابزار هوش مصنوعی چندعاملی گوگل دیپ‌مایند به نام «همکار دانشمند» (Co-Scientist) که در ماه مه عرضه شد، سامانه‌ای عمومی است که با استفاده از چندین نمونه از چت‌بات Gemini، فرضیه‌های جدید تولید می‌کند، آن‌ها را در فرایندی درونی بررسی می‌کند و سپس به بهبودشان می‌پردازد. بسیاری این اقدام را نشانه‌ای از تغییر جهت در رویکرد پیشین شرکت دانستند. این ابزار اندکی پیش از آن عرضه شد که هاسابیس در نقشی جدید، به‌عنوان دانشمند ارشد آلفابت، شرکت مادر دیپ‌مایند و گوگل فعالیت خود را آغاز کند.
Co-Scientist:
ابزار هوش مصنوعی چندعاملی گوگل برای تسریع پژوهش علمی
اگر اعتبار درس تلخ همچنان پابرجا بماند، این اصل می‌تواند تلاش‌های علمی را دگرگون کند. ساخت یک سامانه کوچک یادگیری ماشین با تمرکز بر وظیفه‌ای مشخص در توان بسیاری از پژوهشگران قرار دارد. برای مثال، به گفته «هلوئیز استوانس»، فیزیک‌دان دانشگاه آکسفورد، آموزش یک سامانه مبتنی بر هوش مصنوعی برای شناسایی ابرنواخترها، تنها به «۱۵ هزار نمونه و قدرت محاسباتی لپ‌تاپ من» نیاز داشت. اما ساخت یک مدل زبانی بزرگ پیشرو به ترابایت‌ها داده و توان محاسباتی معادل یک مزرعه سرور نیاز دارد؛ منابعی که تأمین آن‌ها را برای همه، جز معدودی از ثروتمندترین شرکت‌های جهان، عملاً غیرممکن می‌کنند.
یک مدل زبانی بزرگ برای ستارگان
هوش مصنوعی در پی کشف اسرار کیهان
نخستین تلسکوپ مبتنی بر هوش مصنوعی به رصد آسمان پرداخت
اخترفیزیک‌دانان از Codex برای کمک به شبیه‌سازی سیاه‌چاله‌ها استفاده می‌کنند
افزون بر این، ساخت مدل‌های بهتر ممکن است پاداشی به همراه داشته باشد که سرمایه‌گذاری کلان برای دستیابی به آن را توجیه کند. یک دانشمند هوش مصنوعی توانمند ممکن است در توسعه سامانه‌های هوش مصنوعی بهتر نیز مهارت داشته باشد. افزایش بهره‌وری فرایند آموزش مدل‌ها و کاهش مصرف انرژی تراشه‌های هوش مصنوعی، از جمله اهدافی هستند که شرکت‌هایی از ساکانا گرفته تا دیپ‌مایند دنبال می‌کنند. «جک کلارک»، یکی از بنیان‌گذاران آنتروپیک پیش‌بینی می‌کند که تا سال ۲۰۲۸ سامانه‌های هوش مصنوعی به طور کامل قادر خواهند بود این وظیفه را انجام دهند. آینده‌ای در پیش است که در آن دانشمندان هوش مصنوعی، دانشمندان هوش مصنوعی بیشتری می‌سازند.
گزارش حاضر در نسخه October 17th 2026 نشریه The Economist منتشر شده است.
