تحقیقات علمی هوش مصنوعی: هدف واقعی یادگیری ماشینی

• نویسنده:
• نام نویسنده

  آینده نگاری کوانتوم ران
• ممکن است 11، 2023

توسعه فرضیه ها به طور سنتی یک فعالیت صرفاً انسانی در نظر گرفته می شود، زیرا به خلاقیت، شهود و تفکر انتقادی نیاز دارد. با این حال، با پیشرفت های فناوری، دانشمندان به طور فزاینده ای به یادگیری ماشین (ML) روی می آورند تا اکتشافات جدیدی را ایجاد کنند. الگوریتم‌ها می‌توانند حجم زیادی از داده‌ها را به سرعت تجزیه و تحلیل کنند و الگوهایی را شناسایی کنند که ممکن است انسان قادر به دیدن آنها نباشد.

زمینه

به جای وابستگی به پیش فرض های انسانی، محققان الگوریتم های شبکه عصبی ML را با طرحی الهام گرفته از مغز انسان ساخته اند و فرضیه های جدیدی را بر اساس الگوهای داده پیشنهاد می کنند. در نتیجه، بسیاری از مناطق ممکن است به زودی برای تسریع کشف علمی و کاهش تعصبات انسانی به ML روی آورند. در مورد مواد باتری ناشناخته، دانشمندان به طور سنتی بر تکنیک های جستجوی پایگاه داده، مدل سازی و حس شیمیایی آنها برای شناسایی مولکول های قابل دوام تکیه می کردند. تیمی از دانشگاه لیورپول مستقر در بریتانیا از ML برای ساده‌سازی فرآیند خلاقیت استفاده کردند. 

ابتدا، محققان یک شبکه عصبی ایجاد کردند که ترکیبات شیمیایی را بر اساس احتمال تولید یک ماده جدید ارزشمند اولویت بندی می کرد. سپس دانشمندان از این رتبه بندی ها برای هدایت مطالعات آزمایشگاهی خود استفاده کردند. در نتیجه، آن‌ها چهار گزینه مناسب برای مواد باتری را بدون آزمایش همه چیز در لیست خود پیدا کردند و ماه‌ها از آزمون و خطا صرف‌نظر کردند. مواد جدید تنها زمینه ای نیستند که ML ممکن است به تحقیق کمک کند. محققان همچنین از شبکه‌های عصبی برای حل نگرانی‌های مهم‌تر فنی و نظری استفاده می‌کنند. به عنوان مثال، رناتو رنر، فیزیکدان مؤسسه فیزیک نظری زوریخ، امیدوار است که توضیحی منسجم از نحوه عملکرد جهان با استفاده از ML ارائه دهد. 

علاوه بر این، مدل‌های پیچیده‌تر هوش مصنوعی مولد مانند ChatGPT OpenAI به محققان اجازه می‌دهد تا داده‌ها، مدل‌ها و فرضیه‌های جدید را به‌طور خودکار تولید کنند. این شاهکار از طریق تکنیک‌هایی مانند شبکه‌های متخاصم مولد (GAN)، رمزگذارهای خودکار متغیر (VAE) و مدل‌های زبان مبتنی بر ترانسفورماتور (مانند ترانسفورماتور از پیش آموزش‌دیده مولد-3 یا GPT-3) به دست می‌آید. این مدل‌های هوش مصنوعی می‌توانند برای تولید مجموعه‌های داده مصنوعی، طراحی و بهینه‌سازی معماری‌های جدید ML، و توسعه فرضیه‌های علمی جدید با شناسایی الگوها و روابط در داده‌هایی که قبلاً ناشناخته بودند، استفاده شوند.

تاثیر مخرب

دانشمندان ممکن است به طور فزاینده ای از هوش مصنوعی مولد برای کمک به تحقیقات استفاده کنند. با توانایی تجزیه و تحلیل الگوها و پیش بینی نتایج بر اساس آن دانش، این مدل ها ممکن است نظریه های پیچیده علم را که توسط بشر حل نشده باقی مانده اند، حل کنند. این نه تنها باعث صرفه جویی در زمان و هزینه می شود، بلکه به درک انسان از علم کمک می کند تا بسیار فراتر از مرزهای فعلی خود گسترش یابد. 

سرمایه گذاری تحقیق و توسعه (R&D) احتمالاً جمع آوری بودجه مناسب را آسان تر خواهد کرد زیرا ML می تواند داده ها را سریعتر پردازش کند. در نتیجه، دانشمندان با استخدام کارمندان جدید یا همکاری با کسب و کارها و شرکت‌های معروف برای دستیابی به نتایج بهتر، به دنبال کمک بیشتری خواهند بود. تأثیر کلی این علاقه نه تنها برای پیشرفت های علمی بلکه برای متخصصان در زمینه های علمی نیز مثبت خواهد بود. 

با این حال، یک مانع احتمالی این است که راه‌حل‌های این مدل‌های تطبیقی ​​اغلب برای انسان چالش‌برانگیز است، به‌ویژه استدلال درگیر. با توجه به اینکه ماشین‌ها فقط پاسخ می‌دهند و دلیل راه‌حل را توضیح نمی‌دهند، دانشمندان ممکن است در مورد فرآیند و نتیجه‌گیری نامطمئن باقی بمانند. این مبهم اعتماد به نتایج را تضعیف می کند و تعداد شبکه های عصبی را که می توانند به تجزیه و تحلیل کمک کنند، کاهش می دهد. بنابراین، برای محققین ضروری است که مدلی ایجاد کنند که بتواند خود را توضیح دهد.

پیامدهای تحقیقات علمی هوش مصنوعی

پیامدهای گسترده تر تحقیقات علمی هوش مصنوعی ممکن است شامل موارد زیر باشد:

• تغییرات در استانداردهای تألیف برای مقالات تحقیقاتی، از جمله اعطای اعتبار مالکیت معنوی به هوش مصنوعی. به طور مشابه، سیستم‌های هوش مصنوعی روزی به‌عنوان دریافت‌کنندگان بالقوه جایزه نوبل اعطا می‌شوند، که می‌تواند بحث‌های شدیدی را در مورد اینکه آیا این الگوریتم‌ها باید به عنوان مخترع شناخته شوند یا خیر، ایجاد کند.
• تحقیقات تولید شده توسط هوش مصنوعی ممکن است به اشکال جدیدی از مسئولیت و سوالات حقوقی و اخلاقی بیشتر مرتبط با استفاده از هوش مصنوعی و سیستم‌های مستقل در اکتشافات علمی منجر شود.
• دانشمندانی که با ابزارهای مختلف هوش مصنوعی مولد برای ردیابی سریع پیشرفت‌ها و آزمایش‌های پزشکی کار می‌کنند.
• افزایش مصرف انرژی ناشی از قدرت محاسباتی بالای مورد نیاز برای اجرای این الگوریتم‌های پیچیده.
• دانشمندان آینده برای استفاده از هوش مصنوعی و سایر ابزارهای ML در جریان کاری خود آموزش می بینند.
• دولت ها استانداردهای جهانی را در مورد محدودیت ها و الزامات انجام آزمایش های علمی تولید شده توسط هوش مصنوعی ایجاد می کنند.

سوالاتی که باید در نظر گرفته شود

• اگر شما یک دانشمند هستید، موسسه یا آزمایشگاه شما چگونه برنامه ریزی می کند تا تحقیقات به کمک هوش مصنوعی را ترکیب کند؟
• به نظر شما تحقیقات تولید شده توسط هوش مصنوعی چه تاثیری بر بازار کار دانشمندان و محققان خواهد داشت؟