این روز‌ها هر حوزه‌ای را که نگاه می‌کنید، خبری از هوش مصنوعی هم وجود دارد و به این واسطه، بسیاری از حوزه‌ها از جمله حوزه‌های علمی و فناوری توانسته‌اند توسعه چشمگیری داشته باشند که در نهایت به سود بشریت تمام می‌شود. تحولی که هوش مصنوعی تنها در چند سال گذشته ایجاد کرده قابل‌مقایسه با سال‌های دور نیست، به طوری که نه‌تنها کارآمدی تمام حوزه‌ها را افزایش می‌دهد، بلکه گام محققان و پژوهشگران را در R&D سرعت بخشیده و سالانه ارزشی بالغ بر 500 هزار میلیارد دلار ارزش در بخش تحقیق و توسعه ایجاد کرده است.
اهمیت استفاده از هوش مصنوعی تا جایی است که به‌تازگی خبر پیشتازی غول‌های فناوری در این حوزه منتشر شده است. در این راستا، مایکروسافت با عبور از ارزش 4 هزار میلیارد دلاری، نام خود را به عنوان دومین شرکت باارزش جهان ثبت کرده؛ جهشی که به نظر می‌رسد در سه سال گذشته به لطف عملکرد بخش رایانش ابری این شرکت حاصل شده است. این در حالی است که انویدیا در ماه گذشته اولین شرکتی شد که ارزش آن از مرز 4 هزار میلیارد دلار گذشت. در این میان، شرکت متا هم با رشد 11 درصدی ارزش سهام روبه‌رو شده و میلیارد‌ها دلار نیز روی دستیابی به «فراهوش مصنوعی» سرمایه‌گذاری کرده است. مکنزی به عنوان یک شرکت چندملیتی آمریکایی با برجسته‌ترین رهبران جهانی مشارکت می‌کند تا استراتژی خاصی را برای نقشه راه نوآوری و فناوری در آینده دنیا مشخص کند. این شرکت به‌تازگی گزارشی را از تحول نوآوری به واسطه هوش مصنوعی منتشر کرده است.

نوآوری، عامل محرک بسیاری از پیشرفت‌های چشمگیر و شگرفی است که بشریت قریب دو قرن است از آن بهره می‌برد اما همین نوآوری‌ها با خطرات و تهدیداتی نیز روبه‌روست، به طوری که به مرور زمان، نوآوری سخت‌تر و پرهزینه‌تر می‌شود. در تاریخ بشر، بهبود رفاه انسان از نسلی به نسل دیگر محدود بوده است، به عنوان مثال، سرانه تولید ناخالص داخلی را معیاری برای رفاه اقتصادی در نظر بگیرید. در بیشتر تاریخ بشر، تقریباً تا اوایل دهه 1800، این معیار به سختی به 1200 دلار می‌رسید. اما از آن زمان، این سرانه بیش از 14 برابر رشد و سلامت انسان نیز مسیر مشابهی را طی کرده، به طوری که قرن‌ها این سرانه پایین بوده و تنها در نسل‌های اخیر به شکل قابل‌توجهی بهبود یافته، به عنوان مثال، در سال 1900، میانگین امید به زندگی یک نوزاد 32 سال بود اما تا سال 2021، این میزان بیش از دو برابر شده و به 71 سال رسیده است.

افزایش عملکرد در بسیاری از حوزه‌ها به قیمت افزایش هزینه‌های تحقیق و توسعه تمام شده که در بخش‌های مختلفی قابل‌مشاهده است، به عنوان مثال، براساس مقالاتی که در سال 2020 منتشر شده، هزینه‌های R&D شرکت‌های تولید نیمه‌رسانا و تولید تجهیزات بین سال‌های 1971 تا 2014 حدود 18 برابر رشد داشته اما این رشد تنها محدود به نیمه‌رسانا‌ها نمی‌شود، بلکه صنعت دارویی زیستی نیز محصولات نوآورانه‌ای تولید کرده است که در نهایت به نفع مردم تمام می‌شود.

در عین حال که افزایش بهره‌وری R&D می‌تواند بسیاری از فرایند‌های تولیدی شرکت‌ها را توسعه دهد، کاهش آن به نوبه خود می‌تواند این روند را معکوس کند. درواقع چالش کاهش بهره‌وری R&D به عنوان مثال در صنعت داروسازی، بیانگر این واقعیت است که کشف دارو روند کندتر و در گذر زمان و گران قیمت‌تری را دربرمی‌گیرد. طبق مطالعات صورت گرفته، تعداد دارو‌های جدید تأیید شده به ازای هر میلیارد دلاری که صرف R&D می‌شود، بین سال‌های 1950 تا 2011 حدوداً هر 9 سال نصف شده و با احتساب تورم، حدوداً 80 برابر شده است. کاهش بهره‌وری R&D در سایر حوزه‌ها مانند کشاورزی نیز گزارش شده که در آن، بازده بالاتر برای چند نوع از غلات، سطح هزینه‌های R&D را افزایش می‌دهد. محققان با استفاده از داده‌های شرکتی در تمام بخش‌ها در آمریکا دریافته‌اند درمجموع، بهره‌وری R&D با ارزیابی خروجی‌ها شامل درآمد، ارزش بازار، استخدام، و درآمد به ازای هر کارمند کاهش یافت. در حالی که بیشتر شرکت‌ها کاهش بهره‌وری تحقیق و توسعه را تجربه کرده‌اند، 22 درصد از سازمان‌ها بهره‌وری پژوهشی خود را افزایش داده‌اند. هوش مصنوعی نه‌تنها می‌تواند منحنی رشد اقتصاد را صعودی کند، بلکه قادر است شانس حل برخی مهم‌ترین چالش‌های انسانی را بالا ببرد که از آن جمله می‌توان به جلوگیری از ابتلا به بیماری‌ها و درمان آن‌ها و نیز کاهش انتشار گاز‌های گلخانه‌ای اشاره کرد.

طی دهه‌های گذشته، محققان اذعان کرده‌اند هوش مصنوعی همراه شیوه‌های مدیریتی مکمل برای تغییر چگونگی عملکرد سازمان‌ها، قادر به ایجاد ارزش واقعی کسب‌وکار است. سازمان‌هایی که در این سال‌ها از قابلیت‌های هوش مصنوعی بهره‌مند شده‌اند، با افزایش درآمد ناشی از بازار هدفمند تا کاهش هزینه‌ها در عملیات‌های زنجیره تأمین روبه‌رو شده‌اند. از اواخر سال 2023 که ChatGPT متولد شد، درصد سازمان‌هایی که از هوش مصنوعی استفاده می‌کنند تا 20 درصد افزایش یافت. در این میان، شرکت‌هایی هم بوده‌اند که هوش مصنوعی مولد را در مواردی، از خدمات مشتری گرفته تا مهندسی نرم‌افزار استفاده می‌کردند. بیشتر این کاربرد‌های هوش مصنوعی با هدف بهبود اثربخشی وظایف و کار‌های فعلی انجام می‌شوند.

پژوهش‌ها نشان می‌دهد هوش مصنوعی همچنین می‌تواند برای تسریع نوآوری به منظور خلق خدمات و محصولات جدید مورد استفاده قرار گیرد. از این رو، هوش مصنوعی این پتانسیل را دارد که منحنی‌های بهره‌وری تحقیق و توسعه را تغییر دهد. محققان سه کانال اصلی را شناسایی کرده‌اند که از طریق آن‌ها فناوری‌های هوش مصنوعی می‌توانند نوآوری را تسریع کنند که هر کدام نوع مدل مربوط به خود را دارند؛ افزایش سرعت، حجم و تنوع تولید کاندیدا‌های طراحی؛ تسریع ارزیابی کاندیدا‌ها از طریق مدل‌های جایگزین هوش مصنوعی و تسریع عملیات تحقیقاتی.

 

یک مدل ساده‌سازی شده از فرایند R&D شامل شناسایی مجموعه‌ای از نیاز‌های مشتری، خلق طرح‌های موردنظر و سپس ارزیابی ایده‌هایی برای تعیین آن دسته از نیاز‌هایی که بیشتر به کار مشتریان می‌آید. یکی از بزرگ‌ترین فرصت‌ها برای هوش مصنوعی به منظور ارتقای نوآوری، تولید سریع‌تر حجم و تنوع بیشتری از طرح‌هایی است که کاندیدا هستند. فناوری هوش مصنوعی مولد به شبکه‌های عصبی شبیه‌سازی شده اطلاق می‌شود که براساس مجموعه‌های وسیع داده به کسب داده‌های غیرساختاریافته می‌پردازد. مدل‌های زبانی بزرگ (LLM) هم نوع شناخته‌شده‌ای از مدل‌ها را نشان می‌دهد که زیرساخت چت‌بات‌هایی را فراهم می‌کند که هوش مصنوعی مولد را تولید کرده است. DeepMind نوعی سیستم هوش مصنوعی را موسوم به AlphaGo عرضه کرده که یکی از پیچیده‌ترین بازی‌های دنیاست. این بازی، حرکت غیرمنتظره‌ای را انجام می‌دهد که خارج از حرکات تعبیه‌شده برای بازی بود. برخی سازمان‌های R&D، هوش مصنوعی را ایجادکننده ایده‌ای نوآورانه در محیط‌های آزمایشگاهی درنظر می‌گیرند، به عنوان مثال، یکی از محققان دانشگاه واشنگتن، مدیریت تیمی را برعهده گرفته‌اند تا با بهره‌مندی از مدل‌های یادگیری عمیق، پروتئین‌های جدیدی را تولید کنند. محققان پروتئین‌های جدید با مولکول‌های عملکردی پیچیده‌ای را ایجاد کرده‌اند که تاکنون در دنیا وجود نداشته است. در میان کاربرد‌های این پروتئین‌های طراحی شده، واکسن‌ها و دارو‌ها، حسگر‌های زیستی برای مواد خطرناک و عواملی برای به دام انداختن آلاینده‌های زیست محیطی را ایجاد کرده‌اند. توانایی استفاده از هوش مصنوعی برای ایجاد خلاقانه تنوعی از کاندیدا، نه‌تنها در سطح مولکولی، بلکه در رشته‌های مهندسی فیزیک نیز کاربرد دارد. مدل‌های هوش مصنوعی مولد در حال حاضر موتور‌های موشک را با هندسه‌های جدیدی به ویژه کانال‌های خنک‌کننده طراحی می‌کند که با پرینت سه‌بعدی تولید می‌شوند.

فعالیت تکمیلی در توسعه چرخه زیستی محصول، ارزیابی طرح‌های کاندیداست. این امر در محصولات فیزیکی، به معنای ساخت نمونه‌های اولیه و سپس قرار دادن آن‌ها در معرض مجموعه‌ای از آزمایش‌های فیزیکی است. دانشمندان و مهندسان طی سال‌ها، به توسعه مدل‌های ریاضیاتی و محاسباتی برای تحریک عملکرد برای سیستم‌های فیزیکی پرداخته‌اند. بنابراین، طراحان به جای قرار دادن طراحی هواپیما در تونل باد یا قرار دادن قایق مسابقه در آب، از «دینامیک محاسباتی سیالات» (CED) برای ارزیابی عملکرد تغییرات خاص استفاده می‌کنند. مهندسان به جای ساخت یک ساختار نمونه اولیه برای تعیین چگونگی طراحی عملکرد کاندیدا، قادرند از روش «تحلیل المان محدود» (FEA) برای پیش‌بینی نوع تأثیر نیرو‌ها بر یک ساختار استفاده کنند. درحالی‌که چنین مدل‌های ریاضیاتی مبتنی بر فیزیک در مقایسه با آزمایش‌های فیزیکی ارزان قیمت‌تر هستند، این شبیه‌سازی‌ها اغلب به لحاظ محاسباتی فشرده بوده و اجرای آن ساعت‌ها یا حتی روز‌ها به طول می‌انجامد. این مدل‌های جایگزین هوش مصنوعی نوع «تفکر» آدمی را تقلید نمی‌کنند، بلکه در عوض، نتایج پدیده‌های فیزیکی را در دنیا پیش‌بینی می‌کنند. زمانی که از این مدل‌ها برای پیش‌بینی رفتار یک سیستم کامل استفاده می‌شود، این مدل‌ها شبیه به یک دوقلوی دیجیتال عمل می‌کنند. برخی چالش‌های طراحی مستلزم ارزیابی و بهینه‌سازی طرح‌ها در چند پدیده فیزیکی است که با یکدیگر تعامل می‌کنند و به آن «مسائل چند فیزیکی» اطلاق می‌شود.

علاوه بر خلق و ارزیابی طرح‌های کاندیدا، چند روش دیگر هم وجود دارد که LLM‌ها در آن، گاه با سایر فناوری‌های هوش مصنوعی ترکیب شده و به منظور تسریع فعالیت‌های مختلف در فرایند توسعه محصول به کار می‌آیند.

شناسایی و تحلیل نیاز‌ها، محصولات و ویژگی‌های کاربر: راه حل‌های نرم‌افزاری مبتنی بر LLM از سوی کاربران برای سنتز دسته‌ای از نقد و بررسی محصولات، پست‌های رسانه‌های اجتماعی، رونوشت خدمات مشتریات و سایر منابع داده برای شناسایی بخش‌های بازار و دسته‌بندی محصول به کار می‌رود که نیاز‌های مشتریان را مدنظر قرار می‌دهد.