دانشمندان در قامت پیشگو: آموزش مغزهای مصنوعی برای پیش‌بینی آینده

به گزارش وبسایت اخبار جهان به نقل از فارس، گروهی از دانشمندان در حال توسعه هوش مصنوعی با قابلیت پیش‌بینی آینده هستند. با تبدیل شدن هوش مصنوعی به ابزاری قدرتمند برای پیش‌بینی و تصمیم‌گیری، پروژه‌های جدیدی با هدف شبیه‌سازی آینده در حال اجرا است. پژوهشگران در دانشگاه‌های استنفورد و آکسفورد و شرکت‌های فناوری مانند دیپ‌مایند و اوپن‌ای‌آی، الگوریتم‌هایی طراحی می‌کنند که با استفاده از داده‌های بزرگ و شبیه‌سازی‌های پیچیده، سناریوهای احتمالی آینده را تخمین می‌زنند. این پیش‌بینی‌ها مواردی چون تغییرات اقلیمی یا بحران‌های اجتماعی و اقتصادی را در بر می‌گیرد.

دکتر جیسون متیوز، محقق علوم داده در مؤسسه فناوری ماساچوست، در گفتگو با نشریه طبیعت اظهار داشت که هدف علم دیگر تحلیل گذشته نیست، بلکه پیش‌بینی آینده و تلاش برای تغییر آن پیش از وقوع است. به گفته او، مدل‌های جدیدی مانند «مدل‌سازان جهان» که در دانشگاه جانز هاپکینز با حمایت دارپا توسعه یافته، نسل جدیدی از هوش مصنوعی را به عنوان «ماشین‌های پیش‌بینی آینده» شکل می‌دهند. این سیستم‌ها با بازسازی روابط علت و معلولی رویدادها، سناریوهای آینده مانند شیوع بیماری‌ها یا الگوهای مهاجرت را با دقت بیشتری ارزیابی می‌کنند. این گزارش به بررسی پروژه‌ها، چالش‌های علمی و اخلاقی این فناوری و جایگاه تصمیم‌گیری انسان در برابر پیش‌بینی‌های ماشینی می‌پردازد.

شبیه‌سازی آینده توسط پژوهشگران

در مراکز تحقیقاتی، متخصصان رشته‌های مختلف بر این سؤال متمرکز شده‌اند که آیا مدل‌های هوش مصنوعی می‌توانند آینده را با دقت کافی شبیه‌سازی کنند تا به تصمیم‌گیران برای واکنش به بحران‌ها کمک کنند. پاسخ قطعی به این پرسش هنوز منفی است، اما در حوزه‌هایی با داده‌های فراوان و قوانین فیزیکی مشخص، پیشرفت‌های چشمگیری به دست آمده است. برای مثال، پروژه‌های «جِن‌کَست» و «گراف‌کَست» نشان داده‌اند که مدل‌های یادگیری عمیق می‌توانند پیش‌بینی‌های آب‌وهوا را سریع‌تر و گاهی دقیق‌تر از روش‌های سنتی انجام دهند. به گفته شرکت دیپ‌مایند، مدل «جِن‌کَست» می‌تواند سناریوهای پانزده روزه را در چند دقیقه تولید کند و عملکرد بهتری نسبت به سیستم‌های موجود داشته است. مدل‌هایی مانند «فُورکَست‌نِت» و «جِن‌کَست» با استفاده از فناوری‌های نوین، نتایجی بهتر از روش‌های عددی سنتی ارائه داده‌اند که یک پیشرفت مهم محسوب می‌شود.

کاربردهای موفق: هواشناسی و همه‌گیری‌ها

دو حوزه هواشناسی و همه‌گیرشناسی از سرمایه‌گذاری بر هوش مصنوعی نتایج ملموسی گرفته‌اند. در زمینه هواشناسی، گزارش‌ها نشان می‌دهد که مدل‌های یادگیری ماشینی در برخی موارد سریع‌تر و بهتر از سیستم‌های سنتی عمل می‌کنند. این پیشرفت به صدور هشدارهای سریع‌تر برای پدیده‌هایی مانند موج گرما و طوفان کمک کرده است. دیپ‌مایند و مراکز دانشگاهی معتقدند این سیستم‌ها می‌توانند ردیابی طوفان‌های چرخندی (سیکلون) را بهبود بخشند. در حوزه همه‌گیرشناسی، ابزارهایی مانند «نکست‌استرین» برای ردیابی جهش‌های ویروسی مؤثر بوده‌اند. همچنین، شرکت‌هایی مانند «بلو دات» و «هِلت مَپ» با تحلیل اخبار و داده‌های حمل‌ونقل، توانستند شیوع اولیه بیماری‌ها را شناسایی کنند. برای مثال، شرکت «بلو دات» پیش از اعلام رسمی، درباره شیوع اولیه کووید-۱۹ هشدار داده بود. این سیستم‌ها پیش‌گو نیستند، اما به عنوان ابزارهای هشداردهنده، زمان بیشتری برای واکنش در اختیار سازمان‌ها قرار می‌دهند.

محدودیت‌های هوش مصنوعی در پیش‌بینی رویدادهای انسانی

با این حال، هوش مصنوعی در پیش‌بینی همه حوزه‌ها موفق نیست. پیش‌بینی رویدادهای ژئوپلیتیک، بازارهای مالی و رفتارهای پیچیده انسانی برای مدل‌های مبتنی بر داده همچنان یک چالش بزرگ است. مطالعات مستقل نشان داده است که پیش‌بینی‌کنندگان ماهر انسانی گاهی بهتر از سیستم‌های ترکیبی انسان و ماشین عمل می‌کنند. یک محدودیت اساسی مدل‌های آماری این است که بر اساس داده‌های گذشته عمل می‌کنند و در برابر پدیده‌های بی‌سابقه یا «خارج از توزیع» عملکرد پایداری ندارند. به گفته محققان، هوش مصنوعی همواره به گذشته نگاه می‌کند. برخلاف هواشناسی که از قوانین ثابتی پیروی می‌کند، رویدادهایی مانند کودتا یا بحران‌های اقتصادی تحت تأثیر عواملی مانند تصمیمات سیاسی و اطلاعات نادرست هستند که در داده‌های گذشته قابل ردیابی نیستند.

راهبردهای جدید برای بهبود پیش‌بینی‌ها

برای غلبه بر محدودیت‌های آماری، محققان سه راهبرد اصلی را دنبال می‌کنند. راهبرد اول، استفاده از مدل‌های ترکیبی است که یادگیری آماری را با قوانین علت و معلولی ترکیب می‌کنند. راهبرد دوم، سیستم‌های انسان و ماشین است که قضاوت انسانی را با قدرت پردازش داده ماشین ادغام می‌کند. راهبرد سوم، ساخت «مدل‌های جهان» است که تحلیل‌های کیفی و شبیه‌سازی‌های کمی را با هم ترکیب می‌کند. این پروژه‌ها مورد حمایت نهادهای دفاعی برای حل مسائل پیچیده امنیت ملی قرار گرفته‌اند. این روش‌ها به دنبال درک عمیق‌تر دلایل وقوع رویدادها هستند، نه فقط پیش‌بینی آن‌ها. این حوزه به سرعت در حال رشد است اما همچنان با چالش‌های زیادی روبرو است.

چالش‌های اخلاقی و سیاسی

پیش‌بینی با هوش مصنوعی با چالش‌های سیاسی و اخلاقی جدی همراه است. نهادهایی مانند بانک‌های مرکزی و کارشناسان امنیتی نسبت به خطرات سیستم‌های پیش‌بینی خودکار هشدار می‌دهند. این خطرات شامل ایجاد نوسانات در بازار، تحقق یافتن پیش‌بینی‌ها به دلیل باور عمومی، و سوءاستفاده برای دستکاری اطلاعات است. تحلیلگران معتقدند که وابستگی زیاد به این الگوریتم‌ها بدون وجود قوانین شفاف، می‌تواند منجر به بحران‌های بزرگ شود. همچنین، تحقیقات نشان می‌دهد که همکاری انسان و ماشین همیشه به نتایج بهتر منجر نمی‌شود. در نهایت، پیش‌بینی دقیق‌تر به تنهایی ضامن تصمیم‌گیری بهتر نیست و به سازوکارهای قانونی، اخلاقی و انسانی نیاز دارد.

چشم‌انداز آینده: امیدواری همراه با احتیاط

هوش مصنوعی می‌تواند در حوزه‌های قانون‌مند مانند هواشناسی و ژنتیک، پیش‌بینی‌ها را بهبود دهد و زمان واکنش را کاهش دهد. با این حال، در مسائل پیچیده انسانی، مدل‌های آماری همچنان با محدودیت‌های اساسی مواجه هستند و به تحلیل و نظارت انسانی نیاز دارند. از دیدگاه سیاست‌گذاری، دو اقدام ضروری است: اول، سرمایه‌گذاری بر روی تحقیقات ترکیبی که مدل‌های آماری و علت و معلولی را با هم به کار می‌گیرند. دوم، ایجاد قوانین نظارتی شفاف برای استفاده از این فناوری در بخش‌های حساس مانند مالی، امنیتی و بهداشت عمومی. بدون این اقدامات، ممکن است وعده پیش‌بینی آینده توسط ماشین‌ها به یک هدف گمراه‌کننده تبدیل شود.

منبع: فارس