آیا هوش مصنوعی قابلیت کسب جایزه نوبل را دارد؟

در سال ۲۰۱۶، هیروآکی کیتانو، زیست‌شناس و مدیرعامل شرکت هوش مصنوعی سونی، از پژوهشگران خواست تا سیستمی از هوش مصنوعی را طراحی کنند که بتواند کشفی به‌اندازه‌ای معتبر را انجام دهد که شایسته دریافت جایزه نوبل باشد. این چالش که کیتانو آن را «چالش نوبل تورینگ» نامید، به‌عنوان تلاشی مهم در زمینه هوش مصنوعی در علم مطرح شد. برای کسب این جایزه، یک ماشین باید توانایی دستیابی به کشفی که قابل مقایسه با تحقیقات پیشرفته بشری باشد را داشته باشد.

این هدف فراتر از قابلیت‌های مدل‌های کنونی است. با این حال، پیش‌بینی چالش نوبل تورینگ این است که تا سال ۲۰۵۰، سیستمی از هوش مصنوعی ایجاد خواهد شد که بدون نیاز به دخالت انسانی، توانایی تولید فرضیه، برنامه‌ریزی آزمایش و تجزیه‌وتحلیل داده‌ها را با هم ترکیب کند تا به موفقیتی درخور جایزه نوبل نایل شود.

اما ممکن است که این رویداد حتی زودتر از سال ۲۰۵۰ به وقوع بپیوندد. راس کینگ، پژوهشگر مهندسی شیمی در دانشگاه کمبریج انگلستان و یکی از برگزارکنندگان این چالش، بر این باور است که احتمال دارد که چنین هوش مصنوعی در آینده نزدیک به مقام برنده جایزه برسد. او می‌گوید: «فکر می‌کنم تقریباً قطعی است که سیستم‌های هوش مصنوعی به سطحی کافی برای برنده شدن جوایز نوبل خواهند رسید. سؤال این است که آیا این امر به ۵۰ سال زمان نیاز دارد یا به ۱۰ سال.»

اکثر پژوهشگران نمی‌توانند درک کنند که چگونه سیستم‌های هوش مصنوعی فعلی، که برای تولید متن و ایده‌ها بر پایه داده‌های موجود آموزش دیده‌اند، می‌توانند نوآوری‌های جدیدی بیافرینند. دستیابی به چنین موفقیتی ممکن است نیازمند تغییرات اساسی در نحوه توسعه هوش مصنوعی توسط پژوهشگران و تخصیص منابع مالی به این حوزه باشد. یولاندا گیل، پژوهشگر هوش مصنوعی از دانشگاه کالیفرنیای جنوبی در لس‌آنجلس، می‌گوید: «اگر فردا یک سرمایه‌گذاری دولتی یک میلیارد دلاری در تحقیقات بنیادی شکل بگیرد، تصور می‌کنم که پیشرفت‌ها بسیار سریع‌تر خواهد بود.»

اکتشافاتی شایسته جوایز

جوایز نوبل به‌منظور بزرگداشت افرادی ساخته شده‌اند که «بیشترین منفعت را به بشریت رسانده‌اند»، چنانکه آلفرد نوبل در وصیت‌نامه‌اش بیان داشته است. بنگت نوردن، شیمیدان و رئیس سابق کمیته نوبل شیمی، برای جوایز علمی سه معیار را مدنظر دارد: یک کشف نوبل باید مفید باشد، اثرگذاری زیادی داشته باشد و باب‌های جدیدی برای درک علمی بیشتر باز کند.

هرچند که در حال حاضر تنها افراد زنده، سازمان‌ها و مؤسسات می‌توانند جوایز را دریافت کنند، اما هوش مصنوعی قبلاً نیز با کمیته نوبل روبرو شده است. در سال ۲۰۲۴، جایزه نوبل فیزیک به پیشگامان یادگیری ماشینی که پایه‌گذار شبکه‌های عصبی مصنوعی بودند، اهدا شد. همچنین در همان سال، نیمی از جایزه شیمی به پژوهشگران مرتبط با هوش مصنوعی آلفافولد (AlphaFold) تعلق گرفت، که در آن گوگل دیپ‌مایند در لندن ساختارهای سه‌بعدی پروتئین‌ها را از توالی‌های اسید آمینه پیش‌بینی می‌کند. اما این جوایز به دلیل مراحل علمی پشت سیستم‌های هوش مصنوعی تعلق گرفت و نه به خود سیستم‌ها.

بر اساس چالش نوبل تورینگ، برای اینکه یک دانشمند هوش مصنوعی ادعای کشفی کند، تحقیق باید به‌طور کامل یا تا حد زیادی به‌صورت خودکار انجام شود. به نقل از گیل، دانشمند هوش مصنوعی باید از ابتدا تا انتهای فرآیند علمی بر آن نظارت کرده و در مورد سؤالات، آزمایش‌ها و داده‌های تحلیلی تصمیم‌گیری کند.

گیل اشاره می‌کند که او قبلاً ابزارهای هوش مصنوعی را دیده است که تقریباً در هر مرحله از روند کشف به پژوهشگران یاری می‌رسانند، که این امر حوزه را بسیار امیدوارکننده می‌سازد. پژوهشگران نشان داده‌اند که هوش مصنوعی می‌تواند در رمزگشایی گفتار حیوانات، فرضیه‌سازی درباره منشأ حیات در جهان و پیش‌بینی زمان برخورد ستاره‌های مارپیچی به کمک کند. همچنین می‌تواند طوفان‌های گرد و غبار مرگبار را پیش‌بینی کرده و به بهینه‌سازی ساخت کامپیوترهای کوانتومی آینده کمک کند.

هوش مصنوعی همچنین به‌تدریج آزمایش‌ها را به‌تنهایی انجام می‌دهد. گیب گومز، شیمیدان دانشگاه کارنگی ملون در پیتسبورگ، پنسیلوانیا و همکارانش سیستمی به نام «Coscientist» طراحی کرده‌اند که برای برنامه‌ریزی و اجرای واکنش‌های شیمیایی پیچیده از مدل‌های زبانی بزرگ (LLM) استفاده می‌کند. گومز می‌گوید نسخه‌ای از Coscientist که هنوز منتشر نشده، قادر به انجام شیمی محاسباتی با سرعت قابل توجهی است.

یکی از دانشجویان تحت نظر گومز ابراز نارضایتی کرد که محاسبه حالت گذار یک واکنش نیم ساعت طول می‌کشد. او می‌گوید: این مسأله بیش از یک سال از زمان من به‌عنوان دانشجوی کارشناسی ارشد را هدر داد.

شرکت «ساکانا ای‌آی» مستقر در توکیو از مدل‌های زبان بزرگ (LLM) برای خودکارسازی تحقیقات یادگیری ماشینی استفاده می‌کند. در همین هنگام، پژوهشگران گوگل و دیگر شرکت‌ها در حال بررسی گروه‌ها برای تولید ایده‌های علمی هستند.

اکثر دانشمندانی که به هوش مصنوعی اعتماد می‌کنند، به‌عنوان دستیار یا همکار به آن نزدیک می‌شوند و معمولاً برای انجام وظایف خاص انتخاب می‌شوند. سم رودریگز، مدیر اجرایی «FutureHouse» – یک آزمایشگاه تحقیقاتی در سانفرانسیسکو، کالیفرنیا، اوایل امسال از مدل زبان بزرگی رونمایی کرد که برای وظایف شیمی طراحی شده بود. او می‌گوید: «این نخستین موج از سه موج هوش مصنوعی در علم است.» این مدل و سایر «مدل‌های استدلالی» می‌آموزند که با استفاده از یک فرآیند آزمون و خطا بر اساس مثال‌های صحیح، تفکر منطقی گام به گام را شبیه‌سازی کنند.

مدل‌های کنونی، همکاران سودمندی هستند که قادرند بنا بر داده‌ها، پیش‌بینی‌هایی صحیح انجام دهند و انواع محاسبات پیچیده را تسریع کنند. با این حال، آنها در حداقل یک مرحله نیاز به حضور انسانی دارند.

رودریگز خاطرنشان می‌کند که در مرحله بعدی، هوش مصنوعی به‌واسطه یادگیری از متون علمی و تجزیه و تحلیل داده‌ها، در بهبود توسعه و ارزیابی فرضیه‌های خود توانمند خواهد شد. جیمز زو، دانشمند داده‌های زیست‌پزشکی در دانشگاه استنفورد در کالیفرنیا، به‌تازگی وارد این عرصه شده است. او و همکارانش نشان داده‌اند که سیستمی که بر اساس مدل‌های زبانی ساخته شده می‌تواند داده‌های زیستی را جستجو کند و به بینش‌هایی برسد که ممکن است پژوهشگران از دست داده باشند. مثلاً، وقتی یک مقاله منتشر و مجموعه‌ای از داده‌های توالی‌های آران‌ای به آن سیستم داده شد، این سیستم دریافت که سلول‌های ایمنی خاص در افرادی که به کووید-۱۹ مبتلا شده و فوت کرده بودند، دارای تورم بیشتری می‌شوند، ایده‌ای که توسط نویسندگان مقاله مورد بررسی قرار نگرفته بود. زو می‌گوید این امر نشان‌دهنده این است که عامل هوش مصنوعی به‌طور خودکار شروع به انجام کشفیات جدید کرده است.

او همچنین در حال سازماندهی یک سمپوزیوم مجازی به‌نام «Agents4Science» در اواخر این ماه است که آن را نخستین کنفرانس علمی مختص هوش مصنوعی توصیف می‌کند. تمامی مقالات این نشست توسط عوامل هوش مصنوعی به همراه همکاران انسانی نوشته و بازبینی خواهند شد و این رویداد یک روزه شامل سخنرانی‌هایی از انسان‌ها درباره آینده تحقیقات هوش مصنوعی خواهد بود. زو بیان می‌کند که امیدوار است این رویداد به پژوهشگران کمک کند تا ارزیابی کنند که هوش مصنوعی تا چه حد در انجام و رایزنی نوآوری‌های علمی توانمند است.

زو همچنین اذعان دارد که چالش‌های شناخته‌شده‌ای برای چنین کوشش‌هایی وجود دارد، از جمله توهماتی که غالباً مدل‌های زبانی بزرگ را تحت تأثیر قرار می‌دهد. اما او معتقد است که این مسائل می‌توانند اساساً با بازخورد انسانی برطرف شوند.

رودریگز ادامه می‌دهد که مرحله نهایی یک هوش مصنوعی در علم و آنچه که FutureHouse دنبالش است، مدل‌هایی هستند که بتوانند به‌طور مستقل سؤالات خود را مطرح کرده و آزمایش‌های خود را طراحی و اجرا کنند، بدون این که به انسان نیاز داشته باشند. او تصریح می‌کند که این امر اجتناب‌ناپذیر است و پیش‌بینی می‌کند که هوش مصنوعی قادر خواهد بود «حداکثر تا سال ۲۰۳۰» برای کشفی شایسته جایزه نوبل تلاش کند.

او خاطرنشان می‌کند که امیدبخش‌ترین حوزه‌ها برای دستیابی به این موفقیت، چه توسط دانشمند هوش مصنوعی و چه غیر از آن، در زمینه علم مواد یا درمان بیماری‌هایی نظیر پارکینسون و آلزایمر است، چرا که این حوزه‌ها با چالش‌های بزرگ و نیاز به درمان‌های برآورده نشده مواجه‌اند.

اندیشدن در مورد اندیشیدن

بسیاری از پژوهشگران نسبت به چنین ادعاهایی احتیاط نشان می‌دهند و به موانع بزرگ‌تری اشاره می‌کنند. داگ داونی، محققی در مؤسسه هوش مصنوعی آلن در سیاتل، واشنگتن، خاطرنشان می‌کند که او و همکارانش دریافته‌اند که عوامل مدل‌های زبانی بزرگ آنها هنگام تلاش برای کامل کردن یک پروژه تحقیقاتی از ابتدا تا انتها ناکام می‌مانند. در یک مطالعه روی ۵۷ عامل هوش مصنوعی، این گروه متوجه شد که اگرچه این عوامل می‌توانند حدود ۷۰ درصد اوقات وظایف مربوط به علم را به‌طور کامل انجام دهند، این رقم هنگام تلاش برای تصور ایده، برنامه‌ریزی و اجرای یک آزمایش و تجزیه و تحلیل داده‌ها به یک درصد تقلیل می‌یابد. داونی و دیگر نویسندگان بیان می‌کنند: کشف علمی به‌طور خودکار از ابتدا تا انتها همچنان یک چالش بزرگ به شمار می‌آید.

داونی می‌افزاید که اگرچه به نظر می‌رسد هوش مصنوعی پتانسیل بالایی در تحول علم داشته باشد، اما بی‌حد و مرز نیست. او می‌گوید که مشخص نیست چه مدت طول خواهد کشید تا این محدودیت‌ها را پشت سر بگذاریم.

حتی زمانی که سیستم‌های هوش مصنوعی کنونی در یک زیرشاخه خاص پیش‌بینی‌های دقیقی ارائه می‌دهند، لزوماً به اصول اصلی‌تر نمی‌رسند. به‌عنوان مثال، یک مطالعه نوین نشان داد که اگرچه یک مدل هوش مصنوعی می‌تواند مسیر چرخش یک سیاره به دور ستاره‌اش را پیش‌بینی کند، اما نمی‌تواند قوانین بنیادی فیزیک که بر این پدیده‌ها حاکم هستند را شبیه‌سازی کند. این فرایند یادگیری در واقعی یک اصل علمی نبود، بلکه تقلیدی از نتایج آن اصل به‌حساب می‌آید. در مطالعه‌ای دیگر، یک ابزار هوش مصنوعی علی‌رغم یادگیری نحوه پیمایش در یک شهر، نتوانست نقشه دقیقی از خیابان‌های شهر نیویورک ارائه دهد.

سوبارائو کامبهامپاتی، دانشمند کامپیوتر از دانشگاه ایالتی آریزونا در تمپی، اظهار می‌دارد که چنین مشکلاتی به‌خوبی نشان‌دهنده اهمیت تجربه زیسته یک پژوهشگر انسانی در تدوین اصول علمی پایه است. برعکس، سیستم‌های هوش مصنوعی تنها از طریق مجموعه داده‌هایی که دریافت می‌کنند، نسبت به جهان آگاهی پیدا می‌کنند. برخی پژوهشگران در حال بررسی ادغام هوش مصنوعی با ربات‌ها هستند تا به این سیستم‌ها تجربه بیشتری در مواجهه با جهان ارائه دهند.

کامبهامپاتی بیان می‌دارد که فقدان تجربه در دنیای واقعی، طرح سؤالات خلاقانه و ارائه بینش‌های جدید درباره جهان انسانی را برای مدل‌های هوش مصنوعی مشکل می‌سازد. او می‌افزاید: «من به شدت از ادعاهایی که می‌گویند هوش مصنوعی می‌تواند سرعت علم را افزایش دهد، حمایت می‌کنم. اما اینکه فراموش کنیم به دانشمندان انسانی نیاز داریم و ادعا کنیم که این ماشین قادر به انجام کشفی در حد نوبل خواهد بود، بیشتر به یک بزرگ‌نمایی می‌ماند.»

به‌نظر گیل، پرورش یک دانشمند هوش مصنوعی که بتواند دستاوردی در حد نوبل داشته باشد، به سرمایه‌گذاری بیشتری در ابزارهای هوش مصنوعی با قابلیت‌های متنوع‌تر، از جمله فرااستدلال نیاز دارد. پژوهشگران باید روش‌هایی برای القای توانایی ارزیابی و تنظیم فرآیندهای استدلال خود به هوش مصنوعی، یعنی تفکر در مورد تفکر، پیدا کنند. این تغییر می‌تواند به مدل‌ها اجازه دهد تا تحلیل کنند کدام آزمایش‌ها بهترین نتایج را به همراه دارند و بر اساس یافته‌های جدید نظریه‌های علمی خود را اصلاح کنند.

گیل مدت‌هاست که بر روی تحقیقات بنیادی که می‌تواند چنین مهارت‌هایی را به هوش مصنوعی ببخشد، کار کرده است، اما او اذعان دارد که مدل‌های زبانی بزرگ در حال حاضر توجه را به خود جلب کرده‌اند. اگر این روند ادامه یابد، او پیش‌بینی می‌کند که اکتشافات شایسته نوبل به هدفی دور از دسترس تبدیل شود. گیل خاطرنشان می‌کند: «نتایج جالبی وجود دارد که می‌توان با تکنیک‌های هوش مصنوعی مولد به دست آورد، اما زمینه‌های بسیار دیگری نیز وجود دارند که نیازمند توجه هستند.»

کینگ نیز با او هم‌نوا است که موانعی وجود دارد. او می‌گوید مدل‌های زبانی بزرگ شناخت خوبی از دنیای بشری یا آنچه به آن اختصاص دارند، ندارند. این سیستم حتی نمی‌داند که فعالیتی که انجام می‌دهد، علم است.

بسیاری از مباحث در جلسات چالش نوبل تورینگ بر پیشرفت‌هایی که هوش مصنوعی هنوز به آنها نرسیده و چگونگی دستیابی به آنها متمرکز است. آیا یک دانشمند هوش مصنوعی باید به اندازه یک انسان دقت و سازگاری داشته باشد؟ آیا یک دانشمند هوش مصنوعی همانند یک دانشمند انسانی رفتار خواهد کرد یا مسیر کشف متفاوتی خواهد داشت؟ پیامدهای قانونی و اخلاقی کشفیات خودکار هوش مصنوعی چه خواهند بود؟ و چگونه می‌توان منابع مالی برای دانشمندان هوش مصنوعی تأمین کرد؟

درک اینکه هوش مصنوعی به چه دستاوردهایی می‌تواند برسد، احتمالاً تنها با گذشت زمان مشخص خواهد شد. به قول گیل، «تنها راه برای رسیدن به این پاسخ‌ها، آزمایش کردن آنهاست. همان‌طور که با هر فرضیه‌ای انجام می‌دهیم.»

محققان دیگر سؤال می‌کنند که آیا جامعه علمی اساساً باید برای چنین کشفی تلاش کند یا خیر. در یک مقاله منتشر شده در سال ۲۰۲۴، «لیزا مسری» انسان‌شناس دانشگاه ییل و «مولی کراکت» روانشناس دانشگاه پرینستون، استدلال می‌کنند که وابستگی بیش از اندازه به هوش مصنوعی در علم، باعث بروز خطاهای بیشتری شده است. آنها همچنین تأکید می‌کنند که هوش مصنوعی ممکن است رویکردهای جایگزین را نادیده بگیرد و منجر به کاهش نوآوری شود، به گونه‌ای که دانشمندان بیشتر تولید کنند اما کمتر درک کنند.

ممکن است که کشفیات خودکار با چالش‌های جدی برای علم و دانشمندان همراه باشد. مسری هشدار می‌دهد که هوش مصنوعی وظایفی را انجام می‌دهد که موجب کاهش فرصت‌ها برای پژوهشگران جوان می‌شود، کسانی که ممکن است هرگز مهارت‌های لازم برای برنده شدن جوایز نوبل در آینده را پیدا نکنند. او بیان می‌کند: «با توجه به کاهش جاری بودجه‌های تحقیقاتی و دانشگاهی، ما در لحظه‌ای بحرانی برای ارزیابی مزایا و معایب این آینده قرار داریم.