هوش مصنوعي رقيبي جدي در مسير كشف‌هاي علمي
پيشرفت هوش مصنوعي در سال‌هاي اخير، مرزهاي توانايي ماشين‌ها را در حوزه‌هايي كه زماني منحصرا در اختيار انسان بود، جابه‌جا كرده است. از توليد متن و تحليل داده‌ها گرفته تا برنامه‌نويسي، حل مسائل پيچيده رياضي و بررسي الگوهاي زيستي، سامانه‌هاي هوشمند اكنون در بخش‌هاي مختلف فعاليت علمي حضور دارند.
پيشرفت هوش مصنوعي در سال‌هاي اخير، مرزهاي توانايي ماشين‌ها را در حوزه‌هايي كه زماني منحصرا در اختيار انسان بود، جابه‌جا كرده است. از توليد متن و تحليل داده‌ها گرفته تا برنامه‌نويسي، حل مسائل پيچيده رياضي و بررسي الگوهاي زيستي، سامانه‌هاي هوشمند اكنون در بخش‌هاي مختلف فعاليت علمي حضور دارند. اما در كنار اين پيشرفت‌ها، پرسشي تازه و نگران‌كننده مطرح شده است: آيا ممكن است روزي هوش مصنوعي پيش از دانشمندان به كشفيات علمي برسد و حتي اعتبار دستاوردهايي را كه پژوهشگران سال‌ها براي دستيابي به آنها تلاش كرده‌اند، از آن خود كند؟ اين پرسش ديگر صرفا موضوع داستان‌هاي علمي-تخيلي نيست. گزارش مجله نيچر از چند اتفاق در فاصله پنج هفته نشان مي‌دهد كه برخي پژوهشگران پس از مشاهده اعلام دستاوردهايي مشابه موضوع تحقيقات خود از سوي شركت‌هاي هوش مصنوعي، نسبت به آينده فعاليت علمي و امنيت اطلاعاتشان نگران شده‌اند. آنها اين احتمال را مطرح مي‌كنند كه اطلاعات منتشرنشده‌اي كه در جريان كار با ابزارهاي هوش مصنوعي به اشتراك گذاشته‌اند، به نحوي در دسترس اين شركت‌ها قرار گرفته باشد.
دو اتفاق بحث‌برانگيز وقتي هوش مصنوعي به خط پايان مي‌رسد
يكي از اتفاق‌هايي كه بحث درباره توانايي هوش مصنوعي در كشف علمي را جدي‌تر كرد، به مساله ناويه-استوكس مربوط مي‌شود؛ مساله‌اي ديرينه در حوزه ديناميك سيالات كه از جمله موضوعات پيچيده رياضيات به شمار مي‌رود. بر اساس گزارش نيچر، تريستان باك‌مستر، رياضيدان دانشگاه نيويورك هفتم سپتامبر اعلام كرد كه او و لوِنت آلپوگه، رياضيدان شركت آنتروپيك، حدود يك سال روي اين مساله كار كرده‌اند. باك‌مستر در همان روز مقاله‌اي منتشر كرد كه راه‌حلي براي نسخه ساده‌تري از مساله ارايه مي‌داد. اما تنها يك روز بعد، شركت اوپن‌اي‌آي اعلام كرد عامل‌هاي هوش مصنوعي اين شركت نيز در حل اين مساله موفق شده‌اند. همزماني اين دو اتفاق، باك‌مستر را به اين فكر انداخت كه آيا اطلاعاتي كه او و همكارش در يكي از ابزارهاي اوپن‌اي‌آي بارگذاري كرده بودند، ممكن است در عملكرد سامانه‌هاي اين شركت تاثير گذاشته باشد يا خير؟ اوپن‌اي‌آي اين احتمال را رد و اعلام كرد بررسي‌هاي داخلي نشان داده‌اند پيام‌ها و دستورهاي باك‌مستر در دو ماه پيش از اعلام دستاورد، از جمله از طريق آموزش مدل، بر عملكرد سامانه تاثيري نداشته‌اند. اين شركت همچنين تاكيد كرد كه پژوهشگران و عامل‌هايش پيش از انتشار عمومي، به آثار باك‌مستر و آلپوگه دسترسي نداشته‌اند. در اين ميان، نكته مهم آن است كه همزماني دو دستاورد مشابه، به‌تنهايي اثبات نمي‌كند كه اطلاعات پژوهشگران به‌طور غيرمجاز استفاده شده است. با اين حال، چنين اتفاقي نشان مي‌دهد كه با افزايش توانايي سامانه‌هاي هوش مصنوعي، تعيين منشا يك كشف علمي و مشخص كردن سهم هر فرد يا ابزار در دستيابي به آن مي‌تواند پيچيده‌تر شود.
كشف مشابه در زيست‌شناسي نگراني پژوهشگري كه سال‌ها تحقيق كرده بود
حدود دو هفته پس از ماجراي رياضي، اتفاق ديگري در حوزه زيست‌شناسي نگراني‌ها را افزايش داد. آنتروپيك اعلام كرد: عامل‌هاي مبتني بر مدل زباني بزرگ كلود به كشفي درباره الگوهاي تكرارشونده دي‌ان‌اي در برخي ويروس‌ها رسيده‌اند؛ الگويي كه شباهت‌هايي با الگوهاي مشاهده‌شده در سامانه‌هاي ويرايش ژن كريسپر دارد. پس از انتشار اين خبر، ماريو رودريگز مستره، دانشجوي دكتري زيست‌شناسي محاسباتي در دانشگاه كپنهاگ، به روزنامه نيويورك‌تايمز گفت كه چندين سال است همين الگوهاي دي‌ان‌اي را بررسي مي‌كند و در بخش‌هايي از پژوهش خود نيز از كلود كمك گرفته است، اما هنوز يافته‌هايش را منتشر نكرده بود. مستره نيز اين احتمال را مطرح كرد كه اطلاعات بارگذاري‌شده از سوي گروه پژوهشي او در ابزارهاي آنتروپيك، شايد در داده‌هاي آموزشي مدل قرار گرفته باشد. آنتروپيك در پاسخ اعلام كرد مدل اين شركت با متن گفت‌وگوهاي كاربران آموزش داده نشده است.
مالكيت فكري در عصر هوش مصنوعي زير سوال مي‌رود
يكي از مهم‌ترين نگراني‌هاي مطرح‌شده در اين ماجراها، احتمال از دست رفتن مالكيت فكري است. پژوهش علمي معمولا نتيجه ماه‌ها يا سال‌ها كار، صرف هزينه، آزمايش، تحليل داده و آزمودن فرضيه‌هاي مختلف است. در بسياري از موارد، انتشار يافته‌ها آخرين مرحله از فرآيندي طولاني است كه ارزش علمي و اقتصادي قابل توجهي دارد. اكنون تصور كنيد پژوهشگري براي حل يك مساله دشوار، بخشي از داده‌هاي آزمايشگاهي، كدهاي برنامه‌نويسي، فرضيه‌هاي اوليه يا نتايج منتشرنشده خود را در اختيار يك سامانه هوش مصنوعي قرار دهد. اگر آن سامانه بتواند در ادامه به نتيجه‌اي مشابه برسد و شركت سازنده زودتر از پژوهشگر آن را اعلام كند، پرسش‌هايي درباره سهم واقعي هر طرف در كشف علمي مطرح خواهد شد. البته بايد ميان چند موضوع تفاوت قائل شد: استفاده از اطلاعات كاربران براي آموزش مدل، دسترسي مستقيم به گفت‌وگوهاي آنها، پردازش اطلاعات در جريان يك درخواست و دستيابي مستقل مدل به نتيجه‌اي مشابه، يكسان نيستند. هر كدام از اين موارد سازوكار و پيامدهاي متفاوتي دارند و نمي‌توان صرفا بر اساس شباهت دو كشف، درباره وقوع تخلف نتيجه‌گيري كرد.
چرا برخي دانشمندان اعتماد خود را از دست داده‌اند؟
افزايش اين نگراني‌ها باعث شده است شماري از پژوهشگران در شيوه استفاده از هوش مصنوعي تجديدنظر كنند. براي آنها، مساله ديگر فقط دقت پاسخ‌هاي مدل يا احتمال توليد اطلاعات نادرست نيست؛ بلكه امنيت داده‌ها و حفظ محرمانگي پژوهش نيز اهميت پيدا كرده است. ساندرا لورنتينو، متخصص اپي‌ژنتيك توليدمثل در دانشگاه مونستر آلمان مي‌گويد اكنون استفاده خود از هوش مصنوعي را به موارد محدودي مانند بررسي خطاهاي كدنويسي كاهش داده است. او پيش از وارد كردن اطلاعات در سامانه‌ها، نام پارامترها و متغيرها را تغيير مي‌دهد تا جزييات مربوط به آزمايش‌هايش در اختيار ابزار قرار نگيرد. اين روش نشان مي‌دهد كه برخي پژوهشگران در حال اتخاذ رويكردي محتاطانه‌تر هستند: استفاده از مزاياي هوش مصنوعي در بخش‌هايي كه خطر افشاي اطلاعات كمتر است، بدون آنكه داده‌هاي حساس و نتايج منتشرنشده خود را در اختيار آن قرار دهند. ساموئل مِر، دانشمند حوزه شناخت شنوايي در دانشگاه اوكلند نيوزيلند، نيز براي آزمايشگاه خود دستورالعملي درباره استفاده از هوش مصنوعي تدوين كرده است. بر اساس اين دستورالعمل، دانشجويان نبايد اطلاعات حفاظت‌شده را در اختيار مدل‌هاي زباني بزرگ تجاري قرار دهند. همچنين استفاده از اين مدل‌ها در مراحل مختلف فرآيند پژوهش با احتياط همراه است.
آيا غيرفعال كردن استفاده از داده‌ها كافي است؟
بسياري از ابزارهاي هوش مصنوعي امكان غيرفعال كردن استفاده از گفت‌وگوهاي كاربران براي بهبود مدل‌ها را فراهم كرده‌اند. اوپن‌اي‌آي نيز اعلام كرده است كه غيرفعال كردن گزينه «بهبود مدل براي همه» مانع از استفاده از گفت‌وگوهاي جديد كاربران براي بهبود مدل‌هاي اين شركت مي‌شود. با اين حال، برخي پژوهشگران معتقدند كه صرف وجود چنين گزينه‌اي براي ايجاد اعتماد كافي نيست. آنها مي‌خواهند بدانند داده‌ها چگونه پردازش مي‌شوند، چه مدت نگهداري مي‌شوند، چه كساني به آنها دسترسي دارند و در صورت بروز اختلاف، چه سازوكارهايي براي پيگيري وجود دارد؟
آيا هوش مصنوعي مي‌تواند دانشمندان را كنار بزند؟
مهم‌ترين پرسش اين است كه آيا پيشرفت عامل‌هاي هوش مصنوعي در حل مسائل پيچيده، به معناي پايان نقش دانشمندان انساني خواهد بود؟ جفري ايروينگ معتقد است توانايي استدلال عامل‌هاي هوش مصنوعي همچنان افزايش خواهد يافت. از نگاه او، حجم گسترده دانش توليدشده توسط انسان‌ها، حتي بدون دسترسي به اطلاعات خصوصي پژوهشگران، مي‌تواند به سامانه‌هاي هوشمند كمك كند كه در بسياري از موارد زودتر از دانشمندان به نتايج برسند. اين ديدگاه به يك تغيير اساسي در ماهيت رقابت علمي اشاره دارد. در گذشته، توانايي حل يك مساله دشوار، دسترسي به منابع تخصصي و صرف زمان براي بررسي فرضيه‌ها، از عوامل مهم برتري پژوهشگران بود. اما اكنون سامانه‌هاي هوش مصنوعي مي‌توانند حجم بزرگي از اطلاعات را در زماني كوتاه تحليل كنند، ارتباط‌هاي كمتر ديده‌شده ميان داده‌ها را شناسايي كنند و براي حل مساله راه‌حل‌هاي مختلفي پيشنهاد دهند.
نقش پرسشگري و خلاقيت انساني همچنان مهم است
در برابر ديدگاه‌هاي نگران‌كننده، برخي متخصصان معتقدند كه هوش مصنوعي بيشتر از آنكه جايگزين دانشمندان شود، شيوه فعاليت آنها را تغيير خواهد داد.
سارا هوكر، پژوهشگر هوش مصنوعي و از بنيانگذاران شركت نوپاي اداپشن در سان‌فرانسيسكو، مي‌گويد عامل‌هاي هوش مصنوعي هنوز در طرح پرسش‌هايي كه براي پيشبرد اكتشافات علمي ضروري‌اند، عملكرد چندان خوبي ندارند. از نگاه او، توانايي انسان در شكل دادن به فرضيه‌هاي غني و ارزشمند همچنان نقشي اساسي دارد. اين تمايز اهميت زيادي دارد. بخش مهمي از علم فقط به حل مسائل موجود محدود نمي‌شود؛ دانشمندان بايد بتوانند مساله‌اي را شناسايي كنند كه پيش‌تر كسي به آن توجه نكرده است، فرضيه‌اي تازه بسازند، آزمايش مناسبي طراحي كنند و نتايج را در چارچوب دانش موجود تفسير كنند.
آينده علم رقابت بر سر پاسخ يا همكاري براي كشف؟
آنچه از اتفاق‌هاي اخير مي‌توان نتيجه گرفت، اين نيست كه عصر دانشمندان به پايان رسيده است، بلكه علم وارد مرحله‌اي شده كه در آن مرز ميان ابزار پژوهش و عامل توليدكننده دانش، هر روز كمرنگ‌تر مي‌شود. اين تحول، هم فرصت ايجاد مي‌كند و هم خطر. از يك سو، هوش مصنوعي مي‌تواند تحليل داده‌ها را سريع‌تر كند، به شناسايي الگوهاي پنهان كمك كند و زمان موردنياز براي حل برخي مسائل پيچيده را كاهش دهد. از سوي ديگر، نبود شفافيت كافي درباره نحوه پردازش داده‌ها، ابهام در تعيين سهم افراد و سامانه‌ها در كشف علمي و رقابت شركت‌هاي فناوري با پژوهشگران، مي‌تواند اعتماد به فرآيند توليد علم را تضعيف كند. براي جلوگيري از اين پيامدها، مراكز پژوهشي بايد مقررات روشني درباره ورود داده‌هاي محرمانه به ابزارهاي تجاري تدوين كنند. شركت‌هاي هوش مصنوعي نيز بايد درباره شيوه استفاده از اطلاعات كاربران، محدوديت‌هاي سامانه‌ها و سازوكارهاي حفاظت از مالكيت فكري شفاف‌تر عمل كنند. در كنار اين اقدامات، دانشگاه‌ها و نهادهاي علمي بايد راهكارهايي براي ثبت سهم واقعي پژوهشگران و ابزارهاي هوش مصنوعي در دستاوردهاي مشترك ارايه دهند.
