هوش مصنوعی در علم؛ سرعت بیشتر، خلاقیت کمتر
تحلیل جدیدی نشان داده است که هوش مصنوعی (AI) میتواند روند تحقیقات علمی را سریعتر کند، اما همزمان دامنه ایدههایی را که پژوهشگران دنبال میکنند محدود سازد.
این فشار ممکن است باعث شود علم روی کاغذ پربازدهتر به نظر برسد، اما در عمل آمادگی کمتری برای حل مشکلاتی داشته باشد که به قضاوت انسانی، ریسکپذیری، خلاقیت نیاز دارند.
هزینه پنهان سرعت هوش مصنوعی
در کلاسهای درس، آزمایشگاهها، خطر اصلی زمانی ظاهر میشود که حافظه ماشینی دائماً در حال گسترش است، اما درک انسانی باید بارها از نو ساخته شود.
دکتر «هیونجین شیم» از دانشگاه ایالتی کالیفرنیا در فرزنو با بررسی این شکاف نشان داد که هوش مصنوعی میتواند الگوهایی را حفظ کند که انسانها برای یادگیری دوباره آنها به سالها مطالعه، تمرین نیاز دارند.
یک سیستم هوش مصنوعی میتواند آموزشها، بهروزرسانیها، الگوهای ذخیرهشده خود را حفظ کند، اما هر انسان همچنان با ذهنی محدود، عمر کوتاه زندگی را آغاز میکند.
این ناهماهنگی، هوش مصنوعی را به دستیاری قدرتمند تبدیل میکند، اما همزمان نشان میدهد که سرعت بهتنهایی نمیتواند تعیین کند کدام مسائل علمی واقعاً ارزش توجه دارند.
بازنشانی انسانی در برابر حافظه ماشینی
از ریشههای شکلگیری هوش مصنوعی در دهه ۱۹۵۰، هدف اصلی این فناوری ساخت ماشینهایی بود که بتوانند وظایفی را انجام دهند که پیشتر مخصوص هوش انسانی بود.
سیستمهای مدرن با استفاده از حجم عظیمی از آثار انسانی آموزش میبینند، سپس الگوهایی را حفظ میکنند که میتوان بارها از آنها استفاده کرد، آنها را بهبود داد.
انسانها هنگام تولد مجموعهای از دانشهای آماده را به ارث نمیبرند، بنابراین هر نسل باید زبان، ریاضی، علوم را دوباره یاد بگیرد.
این بازسازی آهسته از درک انسانی محافظت میکند، اما زمانی که سرعت به مهمترین معیار تبدیل شود، دانش انسانی شکنندهتر میشود.
زمانی که هوش مصنوعی مفید است
مزایای واقعی هوش مصنوعی باعث میشود نادیده گرفتن این هشدارها دشوار باشد، زیرا AI تاکنون برخی فرایندهای تحقیقاتی را بهبود داده است.
در سال ۲۰۲۱، سیستم AlphaFold که یک مدل هوش مصنوعی برای پیشبینی ساختار سهبعدی پروتئینها است، در بسیاری از موارد به دقتی نزدیک به ابزارهای آزمایشگاهی رسید.
شناخت این ساختارها به دانشمندان کمک میکند عملکرد پروتئینها را بهتر درک کنند، زیرا شکل پروتئین نقش مهمی در فعالیت آن داخل سلولها دارد.
موفقیتهایی مانند این نشان میدهد چرا دانشمندان تمایل دارند هوش مصنوعی را وارد آزمایشگاهها کنند، حتی اگر این موضوع نیاز به قضاوت دقیقتر را افزایش دهد.
مشکل یکنواخت شدن ایدهها در علم
تحقیقات دیگر هشدار دادهاند که ابزارهای هوش مصنوعی میتوانند علم را پربازدهتر کنند، اما در عین حال دانشمندان را نسبت به میزان واقعی درک خود دچار تردید کنند.
شیم این خطر را «تکفرهنگهای دانشی» توصیف میکند؛ یعنی محدود شدن پرسشها، روشها، ایدهها به الگوهایی که برای ماشینها مناسبتر هستند.
هوش مصنوعی مولد میتواند بر اساس الگوهای آموختهشده، متن، تصویر، کد جدید تولید کند، بنابراین رویکردهای آشنا بارها تکرار میشوند.
خطر اصلی این نیست که رایانهها شبیه هم فکر کنند، بلکه این است که انسانها فقط پرسشهایی را مطرح کنند که رایانهها در پاسخ به آنها عملکرد خوبی دارند.
هشدار مقاومت آنتیبیوتیکی
عفونتهای باکتریایی مقاوم به دارو در سال ۲۰۱۹ مستقیماً باعث مرگ حدود ۱.۲۷ میلیون نفر شدند، همچنین با ۴.۹۵ میلیون مرگ مرتبط بودند.
مقاومت ضدمیکروبی زمانی رخ میدهد که میکروبها در برابر داروهایی که برای نابودی آنها طراحی شدهاند زنده بمانند، سپس سویههای مقاومتر در خانوادهها، بیمارستانها، مزارع گسترش پیدا کنند.
تمرکز بر آزمایشهای پرسرعت و خودکار تعداد زیادی ترکیب شیمیایی میتواند سرعت تحقیقات را افزایش دهد، اما الزاماً توضیح نمیدهد چرا باکتریها همچنان از داروهای رایج پیشی میگیرند.
این الگو برای شیم نگرانکننده بود، زیرا آنتیبیوتیکهای مولکول کوچک که داروهای سنتی مبتنی بر ترکیبات شیمیایی کوچک هستند، ممکن است در برابر تکامل سریع دفاع باکتریها شکست بخورند.
فشار هوش مصنوعی بر آموزش
در آموزش نیز همین مشکل سرعت هوش مصنوعی از آزمایشگاه وارد تکالیف، مقالهها، امتحانها شده است.
دانشجویان اکنون میتوانند از هوش مصنوعی بخواهند متون را بنویسد، ویرایش کند، خلاصه کند، توضیح دهد؛ آن هم سریعتر از سرعت واکنش بسیاری از دورههای آموزشی.
از آنجا که یک پزشک معمولاً بیش از دو دهه آموزش میبیند، شیم از آموزش پزشکی برای نشان دادن زمان طولانی شکلگیری تخصص انسانی استفاده میکند.
کارایی بهتنهایی نمیتواند جایگزین این فرایند طولانی شود؛ فرایندی که قضاوت را از طریق اشتباه، بازخورد، ارتباط با بیماران، گفتگوهای دشوار آموزش میدهد.
یادگیری واقعی، حفظ صداقت علمی
آژانس کیفیت و استانداردهای آموزش عالی استرالیا (TEQSA) از دانشگاهها خواسته است روشهای ارزیابی را برای دنیای مبتنی بر هوش مصنوعی بازطراحی کنند.
روشهای پیشنهادی شامل ارائههای شفاهی، نمایشهای عملی تحت نظارت هستند.
این شیوهها استفاده از هوش مصنوعی را رد نمیکنند، بلکه دانشجویان را وادار میکنند درک واقعی خود را نشان دهند؛ زمانی که ابزار دیگر نمیتواند تمام پاسخ را ارائه کند.
این مرز به معلمان کمک میکند از صداقت علمی محافظت کنند؛ یعنی شفافیت درباره اینکه چه کسی کار را انجام داده، چه چیزی واقعاً آموخته شده است.
مهارتهایی که ماشینها ندارند
وقتی شیوه ارزیابی تغییر میکند، آموزش نیز باید فراتر از انتقال ساده اطلاعات حرکت کند.
واقعیتهای پایه همچنان مهم هستند، اما دانشجویان باید تمرین کنند چگونه مسئله انتخاب کنند، پاسخهای ساده را به چالش بکشند، با دیگران همکاری کنند.
شیم مینویسد: «آموزش عالی مسئولیت دارد اطمینان حاصل کند که هوش انسانی همچنان از هوش مصنوعی متمایز باقی میماند و هر دو در خدمت منافع بلندمدت رفاه انسانی قرار میگیرند.»
برای مخاطبانی خارج از محیط دانشگاه، پیام روشن است: دانستن اینکه چه زمانی نباید فکر کردن را برونسپاری کرد، ممکن است به مهارتی حیاتی تبدیل شود.
قوانین محافظ برای آینده علم
قوانین بهتر زمانی شکل میگیرند که میان کمک مفید هوش مصنوعی، تصمیمهایی که به ارزشهای انسانی، زمینه اجتماعی، شجاعت نیاز دارند تفاوت قائل شویم.
یک مدل هوش مصنوعی میتواند گزینهها را رتبهبندی کند، اما همچنان این انسانها هستند که تصمیم میگیرند کدام ریسک ارزش پذیرفتن دارد.
دانشگاهها، نهادهای تأمین مالی میتوانند از تحقیقات کندتر، پرریسکتر حمایت کنند؛ بهویژه زمانی که هدف حل مشکلاتی باشد که سرعت بهتنهایی قادر به رفع آنها نیست.
بدون چنین فشاری، هوش مصنوعی ممکن است استعدادها را به سمت افزایش صرفِ خروجی سوق دهد؛ یعنی بیشتر بودن کار مساوی بهتر بودن تلقی شود، در حالی که پرسشهایی که به تخیل سرسختانه نیاز دارند کنار گذاشته شوند.
علم زمانی بیشترین سود را میبرد که هوش مصنوعی جستجوها را گسترش دهد، ایدهها را سریع آزمایش کند، در عین حال برای قضاوت آرام انسانی نیز فضا باقی بگذارد.
پژوهشگران، معلمان، دانشجویان فقط زمانی میتوانند بهدرستی از این ابزار استفاده کنند که از مهارتهای پیچیده انسانی محافظت کنند؛ مهارتهایی که دانش را ارزشمند میسازند.
این مطالعه در نشریه Journal of Medical Internet Research منتشر شده است.
جمعبندی
هوش مصنوعی میتواند سرعت علم را افزایش دهد، اما بدون حفظ خلاقیت، قضاوت انسانی، تنوع فکری ممکن است آینده پژوهش را محدود کند.
نظر شما چیست؟ آیا هوش مصنوعی آینده علم را متحول میکند یا خلاقیت انسانی را محدود خواهد کرد؟ دیدگاه خود را با ما به اشتراک بگذارید.
