دانشمند است و انسان نیست - گروه سرگرمی

غزال زیاری: اکتشافات علمی یکی از پیچیده ترین فعالیت های بشری به شمار می رود. در ابتدا دانشمندان باید با درک دانش موجود، شکاف ها را شناسایی نمایند. آن ها در مرحله بعد، باید یک سؤال تحقیقاتی را فرموله نموده و آزمایش هایی را برای دستیابی به پاسخ طراحی نموده و وارد عمل شوند.

در مرحله بعد، نتایج آزمایش مورد تجزیه وتحلیل و تفسیر قرار خواهد گرفت که در این فرآیند ممکن است سؤالات تحقیقاتی دیگری نیز ایجاد شود.

ایجاد دانشمند مصنوعی

دراین بین این سؤال مطرح شده که آیا می توان بخشی از این فرآیند را به صورت اتوماتیک و اتوماتیک انجام داد؟ اخیراً Sakana AI Labs از ایجاد یک دانشمند هوش مصنوعی خبر داده که درواقع یک سیستم هوش مصنوعی است که طبق ادعاهای مطرح شده، می تواند اکتشافات علمی درزمینهٔ یادگیری ماشینی را به روشی کاملاً اتوماتیک انجام دهد.

این سیستم با استفاده از مدل های زبان بزرگ (LLM) ، مثل مدل های مورداستفاده در ChatGPT و دیگر چت ربات های هوش مصنوعی، می تواند با ایجاد طوفان فکری، ایده امیدوارنماینده ای را انتخاب نموده و با کد نویسی الگوریتم های تازه، نتایج را ترسیم کند و درنهایت مقاله اش را بنویسد و آزمایش و یافته های آن را به همراه منابع تکمیل کند.

ساکانا مدعی است که این ابزار هوش مصنوعی می تواند چرخه کامل یک آزمایش علمی را با هزینه تنها 15 دلار آمریکا برای هر مقاله انجام دهد که هزینه ای کمتر از هزینه یک وعده ناهار یک دانشمند است!

البته این ها فعلاً در حد چند ادعای بزرگ هستند و باید ببینیم که آیا محقق خواهند شد و حتی اگر چنین کاری عملی شود، آیا در اختیار داشتن لشکری از دانشمندان هوش مصنوعی که با سرعتی غیرانسانی، مقالات تحقیقاتی را فراوری می نمایند، اتفاق خوبی برای علم خواهد بود؟

یک کامپیوتر چطور وارد دنیای علم می شود؟

بسیاری از علوم در فضای باز انجام می شود و تقریباً تمام دانش علمی درجایی نوشته می شود؛ چراکه در غیر این صورت راهی برای دانستن و دسترسی به آن ها نخواهیم داشت. میلیون ها مقاله علمی به صورت رایگان و آنلاین در مخازنی مثل arXiv و PubMed در دسترس هستند.

مدل های زبان بزرگ (LLM) که با این داده ها آموزش دیده اند، زبان علم و الگوهای آن را می آموزند و بنابراین تعجب آور نیست که یک LLM مولد بتواند چیزی شبیه یک مقاله علمی خوب را فراوری کند؛ اما آنچه معین نیست، این است که آیا یک سیستم هوش مصنوعی می تواند مقاله علمی جالب توجهی فراوری کند یا خیر.

این اتفاق هیجان انگیزی است؟

دانشمندان با به کارگیری این شیوه، در پی شنیدن چیزهایی که قبلاً شناخته شده اند، نیستند؛ بلکه می خواهند چیزهای تازه و متفاوتی یاد بگیرند که این مستلزم قضاوت درباره دامنه و ارزش یک مشارکت است.

سیستم ساکانا سعی می نماید به دو طریق وارد عمل شود؛ در ابتدا ایده های مقالات برای مقایسه شباهت شان به تحقیقات موجود را آنالیز می نماید و ایده هایی که بیش ازحد شبیه باشند، کنار گذاشته می شوند.

شیوه دوم این است که سیستم Sakana با استفاده از یک LLM دیگر، در خصوص کیفیت و تازگی مقاله فراوریشده مشورت و قضاوت می نماید. در اینجا نیز نمونه های زیادی در آنالیز آنلاین در سایت هایی مانند openreview.net، در نقد مقاله، یاری رسان خواهند بود.

ضعف هوش مصنوعی در قضاوت درباره خروجی ها

گفتنی است که بازخورد درباره خروجی های هوش مصنوعی Sakana فرق دارد. بعضی آن را تلاشی بی فایده می دانند و حتی آنالیز خود سیستم از خروجی های آن هم در برترین حالت، این مقالات را ضعیف ارزیابی می نماید.

هرچند که انتظار می رود که با پیشرفت فناوری، این مسئله بهبود بیابد، اما سؤالی که مطرح است این است که آیا این مقالات علمی که به صورت اتوماتیک تهیه می شوند، ارزشمند هستند یا خیر.

توانایی LLM برای قضاوت در خصوص کیفیت تحقیق نیز یک سؤال بزرگ است. آنالیز ها حاکی از آن است که LLM ها در قضاوت درباره خطر سوگیری در مطالعات و تحقیقات پزشکی عالی نیستند؛ هرچند که احتمالاً با گذر زمان، اوضاع بهبود خواهد یافت.

سیستم ساکانا، اکتشافات در تحقیقات محاسباتی را به صورت اتوماتیک انجام می دهند که این بسیار ساده تر از سایر انواع علومی است که به آزمایش های فیزیکی احتیاج دارند. آزمایش های ساکانا با کد انجام می شود که شامل متون ساختاری است که LLMها می توانند برای فراوری آن ها آموزش ببینند.

حمایت از دانشمندان، نه جایگزین کردن آن ها

محققان هوش مصنوعی چندین دهه است که درحال توسعه سیستم هایی برای حمایت از علم بوده اند. با توجه به حجم بزرگ تحقیقات منتشرشده، حتی یافتن مقالات مرتبط با یک سؤال علمی خاص هم چالش برانگیز به نظر می رسد.

ابزارهای جستجوی تخصصی از هوش مصنوعی برای یاری به دانشمندان در یافتن و ترکیب کارهای موجود استفاده می نمایند. این ها شامل Semantic Scholar و البته سیستم های تازهتری مانند Elicit، Research Rabbit، scite و Consensus هستند.

ابزارهای متن کاوی مثل PubTator به صورت عمیق تری به آنالیز مقاله ها می پردازند تا نقاط کلیدی تمرکز مثل جهش ها و بیماری های ژنتیکی خاص و روابط تثبیت شده آن ها را بیابند؛ این موضوع بیش از هر چیز، در مدیریت و سازمان دهی اطلاعات علمی مفید است.

یادگیری ماشین درعین حال برای پشتیبانی از سنتز و تجزیه وتحلیل شواهد پزشکی در ابزارهایی مثل Robot Reviewer هم مورداستفاده قرار می گیرد. هدف بهره گیری از همه این ابزارها، یاری به دانشمندان در راستای انجام مؤثرتر کارهایشان است و نه جایگزین کردن دانشمندان با هوش مصنوعی.

احتمال تشدید مسائل موجود

گرچه هوش مصنوعی ساکانا مدعی است که نقش دانشمندان انسانی را کاهش نخواهد داد، اما درهرحال، منظره این شرکت از ایجاد یک زیست بوم علمی کاملاً مبتنی بر هوش مصنوعی، پیامدهای متعددی در دنیای علم خواهد داشت. یکی از نگرانی های موجود این است که درصورتی که سیلی از مقالات فراوریی به وسیله هوش مصنوعی وارد دنیای علم شوند، ممکن است سیستم های هوش مصنوعی آینده برروی خروجی های هوش مصنوعی متمرکزشده و همین باعث فروپاشی مدل شود؛ بدین معنا که هوش مصنوعی درنهایت در نوآوری، بی اثر شود.

هرچند که این پیامدهای احتمالی در دنیای علم به مراتب فراتر از تأثیرگذاری آن بر خود سیستم های علمی هوش مصنوعی خواهد بود.

در حال حاضر دنیای علم درگیر بازی های بدی شده و این مشکل زمانی بدتر می شود که بتوان یک مقاله علمی را با پرداخت تنها 15 دلار و ارائه یک درخواست اولیه مبهم، فراوری کرد.

احتیاج به آنالیز خطاها در کوهی از تحقیقات فراوریشده اتوماتیک، می تواند بر توانایی دانشمندان واقعی غلبه کند. البته در اختیار داشتن حجمی از تحقیقات بیشتر با کیفیت مشکوک، نه تنها مسائل را حل نمی نماید، بلکه آن ها را بیشتر هم خواهد نمود.

علم اصولاً بر پایه اعتماد راسخ است و دانشمندان بر یکپارچگی فرآیند علمی تأکید دارند تا بدین ترتیب بتوانیم اطمینان حاصل کنیم که درک ما از دنیا و دنیای ماشینی، معتبر و رو به بهبود است.

حالا یک زیست بوم علمی که در آن سیستم های هوش مصنوعی بازیگران کلیدی هستند، باعث ایجاد سؤالاتی اساسی در خصوص معنا و ارزش این فرآیند خواهد شد و این سؤال مطرح می شود که تا چه سطحی می توان به دانشمندان هوش مصنوعی اعتماد کرد. آیا این همان زیست بوم علمی است که ما می خواهیم؟

منبع: sciencealert

58321