ندا اظهری، مترجم: هوش مصنوعی در هر حوزه و مرحله‌ای از علم از فرضیه‌سازی گرفته تا طراحی آزمایش، نظارت و شبیه‌سازی تا انتشار علمی و ارتباطات در حال استفاده است. در آینده هوش مصنوعی ممکن است فرآیند جمع‌آوری داده‌ها تا تحلیل‌های آماری نهایی را بهبود بخشد. اما باوجود این، محققان بر این باورند که تاثیر بالقوه هوش مصنوعی بر علم فاصله زیادی تا تحقق دارد. تفسیر مدل‌های معمولی یادگیری ماشینی دشوار است. در عین حال هوش مصنوعی مولد می‌تواند به شبیه‌سازی، حذف ویژگی‌های ناخواسته از داده‌ها و تبدیل تصاویر با وضوح پایین به تصاویری با وضوح بالا کمک کند. به‌عنوان مثال هوش مصنوعی در علم داده می‌تواند به درستی تصاویر میکروسکوپی الکترونی ارزان‌تر و با وضوح پایین‌تر را به تصاویری با وضوح بالا و گران‌قیمت‌تر تبدیل کند.
محدودیت‌های اقتصادی پیش روی توسعه هوش مصنوعی
دانشمندان بر این باورند که هوش مصنوعی می‌تواند برخی از زمینه‌های تحقیق و توسعه خصوصی را تشویق به فعالیت بیشتر کند و از این رو، این فناوری قادر به پیشرفت در حوزه‌های علمی با سرعت بیشتری بوده و بهتر می‌تواند با افق‌های سرمایه‌گذاری تجاری هماهنگ شود. هوش مصنوعی همچنین باعث ایجاد شرکت‌های متخصص در انجام علوم پایه و تبدیل آنها به شرکت‌های بزرگ‌تر شده است. هوش مصنوعی در علم نیز با محدودیت‌های اقتصادی در فرآیند اکتشافات مرتبط است؛ چراکه می‌تواند هزینه‌ها را در برخی از مراحل توسعه علم، به‌ویژه آزمایش‌های آزمایشگاهی کاهش دهد. علاوه‌براین، صرفه‌جویی در زمان دانشمندان می‌تواند ماحصل فشرده‌سازی مدت پروژه‌های تحقیقاتی به‌عنوان مثال، استفاده از دستیاران پژوهشی مبتنی‌بر هوش مصنوعی باشد.
جمع‌آوری داده‌ها اولویت هوش مصنوعی
داده‌هایی که ساختار مشخصی ندارند مانند تصاویر ماهواره‌ای و داده‌های آب و هوای جهانی به‌طور سنتی یک چالش به شمار می‌روند چراکه الگوریتم‌های اختصاصی برای مدیریت آنها نیاز به توسعه دارند. یادگیری عمیق که بخشی از یادگیری ماشینی(ML) محسوب می‌شود، در مدیریت چنین داده‌هایی برای حل کارهای غیرمعمول بسیار موثر عمل می‌کند. نوآوری‌ها در توسعه برخی مدل‌ها نیز در حوزه پزشکی و اجتماعی مزیت‌های زیادی به همراه دارد. هوش مصنوعی همچنین می‌تواند ابهامات متعددی را که مدت‌هاست در حوزه‌های مختلف علمی تلنبار شده، پیگیری کند. یکی از مزایای این کار، این است که با اولویت‌بندی جمع‌آوری داده‌ها، آن را کارآمدتر می‌کند. به‌عنوان مثال شرکت DeepMind در سال 2022 اعلام کرد که از روشی به نام یادگیری تقویتی برای کشف چگونگی ضرب سریع‌تر ماتریس‌ها استفاده کرده است. هوش مصنوعی فراتر از مراحل اصلی تحقیقاتی، در کلیت علم مفید واقع می‌شود. به‌عنوان مثال برخی از مدل‌های هوش مصنوعی برای خلاصه کردن مقالات تحقیقاتی ایجاد شده‌اند و چند ربات محبوب توییتر نیز به‌طور مرتب این خلاصه‌سازی‌ها را توییت می‌کنند. محققان مدل‌های هوش مصنوعی خطرات احتمالی ناشی از این فناوری را در علم توصیف کرده‌اند. مدل‌های هوش مصنوعی گاهی نسبت به الگوریتم‌های سنتی به روش‌های متفاوتی دچار اختلال می‌شوند. مدل‌های یادگیری عمیق، الگوهای ظریفی را در داده‌های آموزشی ازجمله سوگیری‌ها در شبیه‌سازی، انتخاب می‌کنند؛ همچنین برخی روش‌ها قادرند منجر به آسیب‌های ناخواسته بیشتری شوند. علاوه‌براین، روند توسعه مدل‌های هوش مصنوعی مستلزم منابع محاسباتی عظیمی است. همان‌طور که محققان عنوان کرده‌اند، این امر می‌تواند برای گروه‌های تحقیقاتی با بودجه کمتر مشکلاتی ایجاد کند.
چهارچوبی برای ارزیابی اتوماسیون علم بر پایه هوش مصنوعی
برخی محققان بر این باورند که آینده علم، به‌ویژه علوم تجربی در سیستم‌های اتوماسیون مبتنی‌بر هوش مصنوعی نهفته است. فرآیند اتوماسیون، بهره‌وری را در بسیاری از صنایع تسریع کرده و قادر است همین کار را در حوزه‌های علمی هم انجام دهد. با استناد به پیش‌بینی‌های انجام شده توسط «فرانک ویلچک»، برنده جایزه نوبل فیزیک مبنی‌بر اینکه در 100 سال آینده بهترین فیزیکدان، یک ماشین خودکار خواهد بود، بر اهمیت توسعه سیستم‌های خودکار برای بهبود رفاه انسان تاکید کردند. محققان در سال 2009 ربات دانشمندی را موسوم به «آدام» توسعه دادند که به‌عنوان یک ماشین خودکار به کشف مستقل دانش علمی و ایجاد فرضیه‌ای کمک می‌کند که با استفاده از اتوماسیون آزمایشگاهی مورد آزمایش قرار گرفته است. سیستم‌های رباتیک در حال حاضر وضعیت پیشبرد علم را در زمینه‌های مختلف ژنتیک و کشف دارو سرعت می‌بخشد. نویسندگان و محققان، آینده احتمالی را توصیف می‌کنند که در آن دانشمندان تصمیم می‌گیرند چگونه با دانشمندان هوش مصنوعی کار کنند و اینکه دامنه هوش مصنوعی برای تعریف مشکلات و ارائه راه‌حل‌های خود تا چه اندازه است. هم‌افزایی‌هایی ممکن است ایجاد شود که در آن هوش مصنوعی تحقیقاتی را در انسان‌ها شناسایی کرده که نسبت به آنها تعصب داشته‌اند یا آن دسته از حوزه‌های پژوهشی را برجسته می‌کند که دانشمندان در کشف آنها ناکام مانده‌اند.
اتوماسیون در علم همچنان می‌تازد
محققان چهارچوبی از سطوح اتوماسیون را در حوزه علم براساس کمیت و کیفیت ورودی تعیین کرده‌اند. این قیاس شامل طبقه‌بندی یک تا پنج اتوماسیون در خودروهاست که از سوی انجمن مهندسان خودرو انجام شده است. در حوزه علم، در سطح یک، افراد یک مشکل را به‌طور کامل توصیف می‌کنند اما ماشین‌ها دستکاری یا محاسبات داده را انجام می‌دهند. سطح پنج مربوط به اتوماسیون کامل است که تمام سطوح کشف را بدون دخالت انسان پوشش می‌دهد. امروزه در حوزه‌های خاصی از علوم مبتنی‌بر آزمایشگاه، برخی از سیستم‌ها به سطح چهار رسیده‌اند. این سطح، مرحله‌ای است که علم را می‌توان تا حد زیادی سرعت داد. به‌عنوان مثال، یک ربات شیمیدان که در دانشگاه لیورپول ساخته شده، در آزمایشگاه با هدایت حسگر «لیدار» و حسگرهای لمسی حرکت می‌کند. در این سیستم، یک الگوریتم طراحی شده به ربات امکان می‌دهد تقریبا 100 میلیون آزمایش ممکن را کاوش کند و براساس نتایج آزمایش قبلی، آزمایش‌های بعدی را انتخاب کند. این ربات می‌تواند روزها کار کند و فقط در زمان شارژ باتری از کار باز ایستد. برای چنین ماشین‌هایی تقریبا هیچ دخالت انسانی جز در تهیه مواد مصرفی وجود ندارد.
برای خواندن متن کامل گزارش، اینجا را بخوانید.