پارادوکس هوش مصنوعی در علم؛ پژوهش بیشتر، کشف کمتر
استفاده از هوش مصنوعی در علم یک تناقض ایجاد کرده است. پژوهشگران به صورت فردی بهره‌وری بیشتری پیدا کرده‌اند، اما در مجموع، جامعه علمی در حال کاوش در دامنه محدودتری از ایده‌ها است.
پژوهشگرانی که از ابزارهای هوش مصنوعی استفاده می‌کنند، حدود سه برابر بیشتر از همتایان خود مقاله منتشر می‌کنند و تقریبا پنج برابر بیشتر مورد استناد قرار می‌گیرند. با این حال، بررسی‌های انجام شده روی مقالات علمی نشان می‌دهد پژوهش‌های مبتنی بر هوش مصنوعی، در مقایسه با پژوهش‌های بدون استفاده از هوش مصنوعی، ۴.۶ درصد دامنه موضوعی محدودتری دارند؛ این الگو در بیش از ۷۰ درصد از حوزه‌های علمی بررسی‌شده نیز مشاهده شده است.
به نقل از نیچر، مشکل، فناوری نیست؛ بلکه نظام‌های نهادی و سازوکارهای تشویقی هستند. ابزارهای هوش مصنوعی ظرفیت دانشمندان برای کاوش و بررسی را افزایش داده‌اند، اما مشوق‌های موجود باعث می‌شوند پژوهشگران این ظرفیت را بیشتر صرف تمرکز عمیق‌تر بر مسائلی کنند که نهادهای علمی به راحتی می‌توانند آنها را شناسایی، ارزیابی و پاداش‌دهی کنند؛ نه اینکه به سراغ قلمروهای ناشناخته بروند.
این روند البته با ظهور هوش مصنوعی آغاز نشده است. پژوهش‌ها نشان داده‌اند که مقالات و اختراع‌ها طی ۶ دهه گذشته، به تدریج نوآوری و گسست کمتری ایجاد کرده‌اند. اما هوش مصنوعی می‌تواند این روند را سریع‌تر کند؛ زیرا سرعت بالا و توانایی شناسایی الگوها در حجم عظیمی از اطلاعات، دقیقا همان قابلیت‌هایی هستند که در یک نظام محدودشونده، بیش از همه مورد استفاده قرار می‌گیرند.
ساختار حرفه‌ای دانشگاهی نیز این اثر را تقویت می‌کند. هوش مصنوعی باعث می‌شود ادامه دادن یک مسیر پژوهشی آشنا، سریع‌تر و ارزان‌تر از ورود به قلمروهای ناشناخته باشد و نظام‌های فعلی نیز به همین سرعت و بهره‌وری پاداش می‌دهند.
برای مقابله با این نگرانی، سه پیشنهاد ارائه می‌شود.
ایجاد قلمروهای جدید و قابل‌اندازه‌گیری
نظام‌های فعلی تامین بودجه پژوهشی، عمدتا به بهره‌برداری از داده‌های موجود پاداش می‌دهند، نه ایجاد مجموعه داده‌های جدید و توسعه توانایی‌های تازه برای اندازه‌گیری و مشاهده.
پژوهشگران اکنون می‌توانند با استفاده از مدل‌های قدرتمندتر هوش مصنوعی، روی مجموعه داده‌های عمومی، با هزینه نسبتا اندک، نتایجی تولید کنند که قابلیت انتشار در قالب مقاله علمی دارند.
برای مثال، ابزار یادگیری عمیق GNoME متعلق به گوگل که برای کشف مواد جدید به کار می‌رود، ۳۸۱ هزار بلور معدنی پایدار بالقوه را شناسایی کرده و به این ترتیب، دامنه مواد شناخته شده را حدود یک مرتبه بزرگی گسترش داده است.
در همین حال، آلفافولد، سامانه پیش‌بینی ساختار پروتئین که توسط شرکت دیپ‌مایند در لندن توسعه یافته، بیش از ۲۱۴ میلیون ساختار بالقوه پروتئین تولید کرده است؛ دستاوردی که امکان بررسی برهم‌کنش‌های زیستی را در مقیاسی بی‌سابقه فراهم کرده است.
در مقابل، ایجاد یک مطالعه طولی روی یک گروه بزرگ از افراد یا راه‌اندازی یک برنامه پایش تنوع زیستی ممکن است سال‌ها سرمایه‌گذاری مستمر نیاز داشته باشد، بدون آنکه در این مدت نتایج قابل انتشار زیادی تولید شود.
این نابرابری در حال افزایش است: هزینه تولید پیش‌بینی با استفاده از مدل‌های هوش مصنوعی طی دو سال گذشته تقریبا ۱۰۰ برابر کاهش یافته است، در حالی که ایجاد زیرساخت‌های جدید برای مشاهده و جمع‌آوری داده همچنان هزینه‌های عملیاتی بلندمدت بالایی دارد.
در نتیجه، فاصله میان چیزی که بهره‌برداری از آن ارزان است و چیزی که کاوش و کشف آن هزینه زیادی دارد، تقریبا هر چند ماه بیشتر می‌شود.
نهادهای تامین‌کننده بودجه باید به طور هدفمند از زیرساخت‌های تولید و جمع‌آوری داده حمایت مالی کنند؛ به‌ویژه در حوزه‌های نادیده گرفته شده، مانند بیماری‌هایی که از مطالعات گسترده و بزرگ جمعیتی کنار گذاشته شده‌اند.
این سرمایه‌گذاری‌ها ممکن است زمان‌بر و چندان جذاب نباشند، اما ضروری‌اند؛ زیرا اگر قرار است هوش مصنوعی با استفاده از مشاهدات علمی کار کند، باید داده‌هایی از حوزه‌هایی را در اختیار داشته باشد که تاکنون کمتر مورد توجه قرار گرفته‌اند.
پژوهشگران را برای تغییر مسیر تنبیه نکنید
دانشگاه‌ها و نهادهای تامین بودجه باید از مجازات پژوهشگرانی که با کمک هوش مصنوعی وارد حوزه‌های جدید می‌شوند، دست بردارند.
ابزارهای هوش مصنوعی هزینه اطلاعاتی تغییر مسیر پژوهشی را کاهش داده‌اند. برای مثال، یک بوم‌شناس اکنون می‌تواند با کمک هوش مصنوعی سریع‌تر از گذشته مقالات علمی حوزه ژنومیک را بررسی و درک کند.
اما نظام‌های ارزیابی همچنان تغییر مسیر به سمت زیرشاخه‌های دیگر را برای پژوهشگران دشوار می‌کنند. کمیته‌های استخدام معمولا نامزدها را بر اساس سابقه‌ای پیوسته از انتشار مقاله در یک حوزه مشخص ارزیابی می‌کنند و نهادهای تامین بودجه نیز اغلب داشتن داده‌های اولیه حاصل از کار قبلی پژوهشگر را برای حمایت مالی از پروژه جدید ضروری می‌دانند.
راه حل این است که نهادهای تامین بودجه، گرنت‌های اکتشافی با دوره ارزیابی طولانی‌تر ایجاد کنند و دانشگاه‌ها نیز بورسیه‌ها و دوره‌های پژوهشی ویژه‌ای را برای کارهای میان‌رشته‌ای و عبور از مرزهای حوزه‌های علمی در نظر بگیرند.
در همین حال، کمیته‌های داوری باید به‌جای تمرکز بر تعداد مقالات پژوهشگر در حوزه مقصد، امکان‌پذیری و اهمیت مسیر پژوهشی جدید پیشنهادی را ارزیابی کنند.
همین منطق درباره ساختار گروه‌های پژوهشی نیز صدق می‌کند. وقتی مدل‌های هوش مصنوعی به یک گروه کوچک اجازه می‌دهند کاری را انجام دهد که پیش‌تر به یک گروه بزرگ و سلسله‌مراتبی نیاز داشت، این افزایش بهره‌وری می‌تواند به گوناگونی و تنوع علمی کمک کند.
بنابراین، نهادهای تأمین بودجه و موسسات علمی نباید فقط بررسی کنند که آیا اندازه گروه‌های پژوهشی کاهش یافته است یا خیر؛ بلکه باید توجه کنند این کاهش چگونه اتفاق افتاده و چه کسانی در نتیجه آن فرصت‌های خود را از دست می‌دهند.
به نوآوری پاداش دهید، نه فقط به خروجی
نهادهای تامین بودجه، کمیته‌های استخدام و مجلات علمی باید معیارهایی را طراحی کنند که فقط میزان تولید پژوهش را نسنجند، بلکه بررسی کنند پژوهشگران روی چه موضوعاتی کار می‌کنند.
از جمله شاخص‌های پیشنهادی می‌توان به فاصله مفهومی میان کار فعلی یک پژوهشگر و پژوهش‌های قبلی او و همچنین معیارهایی برای سنجش تاثیر و نوآوری ماندگار علمی اشاره کرد؛ نه اینکه صرفا تعداد استنادهای کوتاه‌مدت به آثار او ملاک قرار گیرد.
هرچند کاستی‌های معیارهایی مانند تعداد مقالات از مدت‌ها قبل شناخته شده است، عصر هوش مصنوعی می‌تواند این مشکل را تشدید کند.
اگر اصلاحات هدفمندی انجام نشود، نظام‌هایی که بیش از هر چیز به بهره‌وری پاداش می‌دهند، ممکن است پژوهشگران را بیش از پیش به سمت کارهایی سوق دهند که به راحتی قابل توسعه، انتشار و استناد هستند.
امروز دامنه پرسش‌هایی که علم می‌تواند به آنها پاسخ دهد، از همیشه گسترده‌تر است.
اما افق گسترده‌تر، زمانی بی‌ارزش خواهد بود که همه مسیرها در نهایت به همان نقطه آشنای قبلی ختم شوند.
نظر شما