پروفسور راس آلتمن،عضو ارشد مرکز HAI و استاد رشته بیوشیمی : من ظرفیت مدل‌های پایه را برای گشودن افق‌های تازه در کشف و پیش‌بینی‌های علمی و پزشکی بسیار جدی می‌دانم. در حال حاضر چند مسیر متفاوت برای ساخت این مدل‌ها وجود دارد. یک رویکرد، ساخت یک مدل عظیم «ادغام زودهنگام» است که همه انواع داده را از ابتدا در خود جذب می‌کند. رویکرد دیگر، «ادغام دیرهنگام» است، یعنی ساخت مدل‌های جداگانه برای هر مدالیته و ترکیب آن‌ها در مرحله نهایی. پرسش‌های عمیقی در اینجا مطرح است؛ آیا مدل‌هایی که جداگانه آموزش‌دیده‌اند واقعاً می‌توانند به‌خوبی با یکدیگر کار کنند؟ اگر بخشی از داده‌ها مخدوش یا کم‌کیفیت باشد چه اتفاقی می‌افتد؟ در مدل‌های ادغام دیرهنگام، اگر مثلاً مدلی متشکل از DNA، RNA و پروتئین‌ها داشته باشیم، می‌توان صرفاً ماژول (پودمان) DNA را بازسازی کرد، بی‌آنکه نیازی به بازآموزی کل سامانه باشد؛ اما در مدل‌های ادغام زودهنگام، هر تغییر کوچک به معنای بازسازی کل مدل است. پیش‌بینی من این است که در سال آینده، تصویر روشن‌تری از برتری یکی از این دو رویکرد به دست خواهیم آورد. هم‌زمان، جامعه علمی بیش‌ازپیش به قدرت خیره‌کننده هوش مصنوعی در پژوهش پی برده است. اما در علم، پیش‌بینی دقیق به‌تنهایی کافی نیست؛ باید بدانیم مدل چگونه به آن پیش‌بینی رسیده. به همین دلیل، تمرکز فزاینده‌ای در آزمایشگاه‌ها نه بر خروجی نهایی، بلکه بر ساختار درونی شبکه عصبی شکل گرفته است؛ اینکه کدام داده به کدام داده «توجه» می‌کند و این توجه چگونه به عملکرد منجر می‌شود. در سال 2026 انتظار دارم توجه بیشتری به کالبدشکافی و ریشه‌یابی شبکه‌های عصبی بسیار پربازده معطوف شود. به‌تازگی مقاله‌ای در این زمینه منتشر کرده‌ایم با عنوان «توجه به توجه در پروتئین‌ها». پژوهشگران از ابزارهایی مانند خودرمزگذارهای تُنُک (sparse autoencoder) برای واکاوی شبکه‌های عمیق استفاده می‌کنند تا ویژگی‌هایی را شناسایی کنند که واقعاً موتور عملکرد مدلند. در علم، گشودن جعبه سیاه هوش مصنوعی یک الزام مطلق است و نشانه‌ها حاکی است این جعبه بالاخره در حال باز شدن است. اما اگر از علم فاصله بگیریم و به «کسب‌وکار سلامت» نگاه کنیم، سال گذشته شاهد هجوم سرمایه‌گذاری‌ها به استارتاپ‌های هوش مصنوعی پزشکی بودیم. یک بیمارستان معمولی با سیلی از پیشنهادهایی از جانب استارتاپ‌ها مواجه است که می‌خواهند راه‌حلی برای فلان مسئله به آن‌ها بفروشند. هر کدام از این راه‌حل‌ها شاید معقول به نظر برسند؛ اما در مجموع، برای مدیران ارشد چیزی جز سروصداهایی عظیم و فرساینده نیستند. پیش‌بینی من این است که در سال پیش‌رو، تمرکز تدریجاً به سمت توسعه چهارچوب‌هایی برای ارزیابی واقعی این سامانه‌ها حرکت کند؛ از ویژگی‌های فنی و جمعیت آموزشی مدل گرفته تا شیوه پیاده‌سازی، میزان اختلال یا کارآمدی برای کارکنان، بازگشت سرمایه در جریان کاری بیمارستان، رضایت بیماران و کیفیت تصمیم‌گیری بالینی. این فرایند تازه در استنفورد در حال شکل‌گیری است، با هدایت افرادی چون نیگام شاه، دانشمند ارشد داده در بیمارستان استنفورد. چالش اصلی اما مرحله بعد است؛ اینکه چگونه این چهارچوب‌ها را به بازارهایی منتقل کنیم که نه منابع فنی گسترده دارند و نه زیرساخت‌های پیشرفته.