تاثیر هوش مصنوعی بر تحول پژوهش‌های علمی

شاید روزی برسد که بتوان با هوش مصنوعی و تکیه بر داده‌های انبوه به اکتشافات بزرگ علمی رسید. دانشمندان مدلسازی مولد را راهگشا می‌دانند. به گزارش زومیت، آخرین الگوریتم‌های هوش مصنوعی به بررسی تکامل کهکشان‌ها، محاسبه توابع موج کوانتومی، کشف ترکیب‌های شیمیایی جدید و بسیاری از موارد دیگر می‌پردازند. اما آیا کاری وجود دارد که نتوان به خودکارسازی آن پرداخت؟ هیچ انسان یا گروهی از انسان‌ها نمی‌توانند پابه‌پای انبوه اطلاعات تولید‌شده در آزمایش‌های کنونی فیزیک و ستاره‌شناسی به پژوهش بپردازند، زیرا گاهی حجم روزانه اطلاعات به چندین ترابایت می‌رسد و بشر با سیلابی از اطلاعات روبرو است که به‌صورت پیوسته ادامه دارد و رشد می‌کند. این توفان اطلاعاتی باعث شده است بسیاری از دانشمندان برای پژوهش از هوش مصنوعی کمک بگیرند. سیستم‌های AI از جمله شبکه‌های عصبی مصنوعی (شبکه‌های کامپیوتری که براساس نورون‌ها شبیه‌سازی شده‌اند و به تقلید از عملکرد مغز می‌پردازند) می‌توانند به کوهی از داده‌ها نفوذ کنند، ناهنجاری‌ها را مشخص و الگوهایی غیرقابل تشخیص برای انسان را شناسایی کنند.

البته، قدمت استفاده از کامپیوتر برای پژوهش‌های علمی به ۷۵ سال پیش و روش دستی بررسی داده‌ها برای جست‌وجوی الگوهای بامفهوم به هزاران سال پیش بازمی‌گردد؛ امروز هم به اعتقاد بعضی دانشمندان، از طریق جدیدترین فناوری‌های یادگیری ماشین و هوش مصنوعی می‌توان به روش جدیدی برای پژوهش علمی رسید. روش جدید که مدل‌سازی مولد نام گرفته است، می‌تواند بدون هیچ‌گونه دانش برنامه‌ریزی‌شده از فرآیندهای فیزیکی و صرفا براساس داده‌ها، قابل‌قبول‌ترین نظریه را از میان توضیحات رقیب پیدا کند. طرفداران مدل مولد، این مدل را روش سوم یادگیری معرفی کرده‌اند. انسان از دیرباز از طریق مشاهده به یادگیری و کسب اطلاعات در مورد جهان پرداخته است. برای مثال یوهانس کپلر ستاره‌شناس با بررسی جدول‌های تیکو براهه در مورد موقعیت سیاره‌ها سعی می‌کرد الگوهای اصلی آنها را تشخیص دهد. او در نهایت به این نتیجه رسید که سیاره‌ها در مدارهای بیضی‌شکل حرکت می‌کنند. علم هم ازطریق شبیه‌سازی پیشرفت کرده است. ستاره‌شناسان می‌توانند با مدل‌سازی حرکت کهکشان راه‌شیری و کهکشان همسایه آن، آندرومدا، برخورد این دو کهکشان در چند میلیون سال آینده را پیش‌بینی کنند. دانشمندان با شبیه‌سازی و مشاهده پدیده‌ها می‌توانند فرضیه تولید کنند و سپس با مشاهدات بعدی به تست همان فرضیه‌ها بپردازند؛ اما مدل‌سازی مولد متفاوت است. برخی دانشمندان مدل‌سازی مولد و روش‌های جدید دیگر را به‌مثابه ابزار قدرتمندی برای پژوهش سنتی در نظر می‌گیرند؛ اغلب آنها بر سر تأثیرهای غیرقابل‌انکار هوش مصنوعی بر علم و نقش روزافزون آن توافق دارند.

شناخته‌شده‌ترین سیستم‌های مدلسازی مولد، «شبکه‌های مولد تخاصمی (GAN) » است که پس از یادگیری داده‌ها می‌تواند تصاویر خراب یا پیکسل‌های مفقود را ترمیم کند یا می‌تواند وضوح تصاویر تار را بالا ببرد. این شبکه‌ها از طریق رقابت می‌توانند به شناسایی اطلاعات مفقود بپردازند (به همین دلیل «تخاصمی» لقب گرفته‌اند.) بخشی از شبکه موسوم به مولد، به تولید داده‌های جعلی می‌پردازد درحالی که بخش دیگر یعنی تفکیک‌کننده، سعی می‌کند داده‌های جعلی را از داده‌های واقعی تشخیص دهد. هر دو بخش این برنامه به‌مرور بهبودیافته‌اند. برای مثال اخیرا GAN موفق به تولید چهره‌هایی بسیار واقعی شده است؛ تصاویری واقعی از افرادی که وجود خارجی ندارند. علاوه بر این، مدلسازی مولد مجموعه‌ای از داده‌ها را دریافت می‌کند (معمولا تصاویر) و هرکدام از آنها را به یک مجموعه از بلوک‌های سازنده انتزاعی و ابتدایی تجزیه می‌کند. دانشمندان به این بلوک‌ها «فضای پنهان» می‌گویند. فضای پنهان، فضایی است که داده‌های آن در یک لایه تنگنا قرار می‌گیرند. به‌بیان‌دیگر بخشی از داده‌ها در فضای قابل‌مشاهده قرار دارند و سپس به فضایی پنهان نگاشته می‌شوند که در این فضا نقاط داده‌ای به یکدیگر نزدیک هستند. الگوریتم، عناصر فضای پنهان را برای بررسی تأثیر آنها بر داده‌های اصلی تغییر می‌دهد و به این صورت به افشای فرآیندهای فیزیکی سیستم کمک می‌کند. فضای پنهان انتزاعی است و بصری‌سازی آن کار دشواری است. برای مثال عملکرد مغز هنگام تعیین جنسیت براساس چهره انسان را در نظر بگیرید. شاید مدل مو، شکل بینی و موارد دیگر و حتی الگوهایی را تشخیص دهید که نتوانید به‌راحتی آنها را به زبان بیاورید. برنامه کامپیوتری هم با روش مشابهی در میان داده‌ها به جست‌وجوی ویژگی‌های برجسته می‌پردازد: اگرچه نمی‌داند سبیل چیست یا جنسیت چیست، اما اگر براساس مجموعه داده‌هایی با برچسب «زن» یا «مرد» آموزش ببیند که برخی از آنها برچسب «سبیل» دارند، می‌تواند به سرعت ارتباط لازم را پیدا کند. موفقیت آشکار مدلسازی مولد در چنین بررسی‌هایی به‌معنی بیهوده بودن تلاش ستاره‌شناسان یا فارغ‌التحصیلان ستاره‌شناسی نیست. بلکه ثابت می‌کند که می‌توان ازطریق سیستم‌های هوش مصنوعی به یادگیری در مورد اجرام و فرآیندهای نجومی پرداخت. سیستمی که علاوه بر دسترسی به انبوه داده‌ها به ابزارهای دیگری هم مجهز است.

آیا در آینده‌ای قابل پیش‌بینی ممکن است ماشینی ساخت که بتواند با سخت‌افزار بیولوژیکی دست به اکتشافات فیزیک و ریاضی بزند که حتی از عهده انسان‌های نابغه هم خارج باشد؟ آیا آینده علم درنهایت تحت کنترل ماشین‌ها قرار می‌گیرد؛ ماشین‌هایی که می‌توانند از عهده کارهای غیرممکن و غیرقابل دسترسی برای انسان برآیند؟