به گزارش اخبار جهان به نقل از ایسنا، پیشرفت‌های شگفت‌انگیز هوش مصنوعی در سال‌های اخیر، این امید را ایجاد کرده است که به‌زودی شاهد ظهور هوش مصنوعی دانشمندی باشیم که می‌تواند نظریات دانشمندان از دست رفته را احیا و حتی نظریات جدیدی ارائه دهد. اما این مسیر، مملو از چالش‌ها و موانع است. افزایش چشمگیر تعداد مقالات علمی وابسته به هوش مصنوعی – که در بازه زمانی 2012 تا 2022 چهار برابر شده و به حدود 9 درصد رسیده است – نشان از نفوذ روزافزون این فناوری در کلیه شاخه‌های علمی دارد. هوش مصنوعی مدرن، ثمره دهه‌ها تحقیق و تلاش علمی است و اکنون با تسریع پیشرفت‌ها در دانشگاه‌های سراسر جهان، در حال جبران این تلاش‌هاست.
از آغاز پیدایش هوش مصنوعی به‌عنوان یک حوزه مطالعاتی، پژوهشگران در آرزوی خلق فناوری‌هایی فوق هوشمند بودند که بتوانند به جستجوی بی‌وقفه بشر برای کسب دانش جدید سرعت ببخشند. با ظهور یادگیری عمیق در دهه 2010، این رویا به واقعیت نزدیک‌تر شد. امروزه، پژوهشگران از شبکه‌های عصبی برای تجزیه و تحلیل داده‌ها، بررسی متون، و مدل‌سازی فرآیندهای پیچیده در هر رشته علمی استفاده می‌کنند. با پیشرفت مداوم این فناوری، دامنه‌ی مسائل قابل حل با هوش مصنوعی به طور پیوسته در حال گسترش است.
نمونه بارز موفقیت هوش مصنوعی در علم، برنامه‌ی “آلفافولد” شرکت دیپ‌مایند (زیرمجموعه‌ی گوگل) است که مخترعان آن در سال 2024 موفق به کسب جایزه نوبل شیمی شدند. این برنامه با بهره‌گیری از پیشرفت‌های صورت گرفته در ترانسفورماتورها (ساختاری که مدل‌های زبانی بزرگ را پشتیبانی می‌کند)، موفق به حل مسئله‌ی پیچیده تاخوردگی پروتئین شد – مساله‌ای که دهه‌ها دانشمندان را به خود مشغول کرده بود. علاوه بر این، هوش مصنوعی در حوزه‌های مختلفی مانند نقشه‌برداری دقیق از اتصالات مغز انسان (در همکاری با دانشگاه هاروارد)، علم مواد (با پیش‌بینی میلیون‌ها ساختار کریستالی معدنی جدید توسط GnoME)، و حتی پیش‌بینی آب و هوا و مدل‌سازی اقلیمی نیز نقش‌آفرینی می‌کند. شرکت‌های بزرگ فناوری مانند گوگل، متا و مایکروسافت با انتشار مدل‌ها و مجموعه داده‌های خود، به توسعه‌ی این فناوری در حوزه‌های مختلف کمک شایانی کرده‌اند.
یکی از مهم‌ترین توانایی‌های هوش مصنوعی، مدل‌سازی سیستم‌های بسیار پیچیده‌ای است که برای روش‌های محاسباتی سنتی، غیرقابل حل هستند. این قابلیت، هوش مصنوعی را به ابزاری قدرتمند برای پژوهش در حوزه‌هایی مانند فیزیک ذرات (تجزیه و تحلیل داده‌های برخورددهنده هادرونی بزرگ) نیز تبدیل کرده است.
با این حال، آیا روزی هوش مصنوعی می‌تواند به تنهایی به عنوان یک دانشمند عمل کند و نظریات جدیدی را ارائه دهد؟ این سوالی است که در حال حاضر پاسخ قطعی ندارد. اگرچه سیستم‌هایی مانند Coscientist (دانشگاه کارنگی ملون) و سیستم چند عاملی گوگل با استفاده از Gemini 2.0، در برنامه‌ریزی و طراحی آزمایش‌ها و تولید فرضیه‌ها موفق عمل کرده‌اند، اما هنوز موانع قابل توجهی وجود دارد. اولاً، شبکه‌های عصبی مانند جعبه‌های سیاه عمل می‌کنند و تفسیر نتایج آنها دشوار است. دوم، هوش مصنوعی هنوز قادر به خلق دانش جدید و به‌راستی نوآورانه نیست و بیشتر به تکمیل و گسترش دانش موجود می‌پردازد. به گفته‌ی توماس ولف از شرکت هاگینگ فیس، هوش مصنوعی در پیروی از دستورالعمل‌ها بسیار خوب عمل می‌کند، اما در ایجاد دانش جدید مشکل دارد. او معتقد است هوش مصنوعی باید داده‌های آموزشی خود را زیر سوال ببرد و رویکردهای خلاف شهود را در پیش بگیرد تا بتواند به مرزهای دانش نفوذ کند.
در نهایت، اگرچه هوش مصنوعی پتانسیل شگفت‌انگیزی برای سرعت بخشیدن به پیشرفت‌های علمی دارد، اما جایگزینی برای خلاقیت و شهود انسانی نیست. به‌کارگیری هوشمندانه‌ی این فناوری می‌تواند به پیشرفت علمی شتاب قابل‌توجهی بخشد، اما نباید فراموش کنیم که هوش مصنوعی یک ابزار است، نه یک جانشین.
منبع: ایسنا
