آیا دانشمندان آماده تحول علم با هوش مصنوعی هستند؟

هوش مصنوعی مهم‌ترین دستاورد علمی است که تقریبا به تمام رشته‌های دانشگاهی و تحقیقاتی نفوذ کرده و آماده است که علم را به روش خود متحول کند. از این رو، به نظر می‌رسد که دانشمندان باید آموزش‌های لازم را در مورد تاثیر این فناوری و مهار آن ببینند.

سیستم‌های هوش مصنوعی تاکنون توانسته‌اند مسائل آزار دهنده علمی مثل پیش‌بینی ساختار پروتئین‌ها را حل کنند؛ پیشرفتی که اخیرا جایزه نوبل را به خود اختصاص داد. این سیستم‌ها همچنین الگوریتم‌های ریاضی جدید را کشف کرده‌اند. با مشاهده پیشرفت‌های سریع فناوری، دلایل زیادی را می‌توانیم برشماریم که تاثیر آنها تنها در طول زمان بیشتر خواهد شد.

بیشتر بخوانید: حسگرهای بویایی مصنوعی، ربات‌ها می‌توانند حس بویایی داشته باشند!

«داشون وانگ» (Dashun Wang)، استاد مدیریت دانشگاه کلاگ در دانشگاه نرث وسترن آمریکا و همچنین رئیس مرکز علوم و نوآوری، می‌گوید: سوال اصلی امروز در مورد هوش مصنوعی این است که آیا این فناوری می‌تواند اکتشافات علمی جدیدی را انجام دهد که نقطه عطف حیاتی برای هوش مصنوعی محسوب شود؟

وانگ به همراه «جیان گائو»، استادیار پژوهشی مرکز علوم و نوآوری آمریکا، می‌خواستند متوجه شوند که هوش مصنوعی در حال حاضر چگونه به علم امروز سود می‌رساند، چگونه در آینده برای علم مفید خواهد بود و اینکه آیا سیستم آموزشی به اندازه کافی نسل بعدی دانشمندان را برای استفاده از این فرصت جدید تربیت می‌کند؟ از این رو، شروع به تجزیه و تحلیل ده‌ها میلیون مقاله تحقیقاتی کردند تا پاسخ این سوالات را دریابند.

آنها دریافتند که از سال ۲۰۱۵، هوش مصنوعی تقریباً به همه حوزه‌های علم – از زیست‌شناسی و شیمی گرفته تا زمین‌شناسی و فیزیک گسترش نفوذ کرده است. نکته اینجاست که بسیاری از محققانی که از تکنیک‌های هوش مصنوعی استفاده می‌کنند، از «استناد بیشتری» برخوردار می‌شوند؛ به این معنی که مقالات آنها در بین همتایان خود تأثیرگذارتر می‌شود و مقالات بیشتری به آنها استناد می‌کنند.

اما نکته جالب‌تر این است که گائو و وانگ دریافتند مزایای هوش مصنوعی به طور مساوی توزیع نشده است. به این معنا که در رشته‌هایی که تعداد محققان زن و همچنین اقلیت‌ها بیشتر است، هوش مصنوعی تاثیر کمتری دارد. و شاید مهم‌تر از همه، به استثنای چند رشته، شکاف قابل توجهی بین دانشمندانی که مهارت لازم و کافی را برای استفاده از هوش مصنوعی در رشته خود را دارند و آنهایی که این مهارت را ندارند وجود دارد. این شکاف میان رشته‌هایی که پتانسیل بسیار خوبی برای استفاده از هوش مصنوعی دارند و رشته‌های دیگر نیز به خوبی دیده می‌شود.

نفوذی که به سرعت در حال افزایش است

گائو و وانگ برای اندازه‌گیری استفاده و مزایای هوش مصنوعی در سراسر علوم، مجموعه‌ای از داده‌های عظیم شامل عناوین و چکیده‌های نزدیک به ۷۵ میلیون مقاله دانشگاهی از ۱۹ حوزه و ۲۹۲ رشته را که بین سال‌های ۱۹۶۰ تا ۲۰۱۹ منتشر شده‌اند، تجزیه و تحلیل کردند.

ابتدا، این ۲ محقق از داده‌ها برای ایجاد تعریف گسترده‌ای از معنای هوش مصنوعی برای دانشمندان شاغل استفاده کردند. آنها در رشته علوم کامپیوتر پنج زیرشاخه هوش مصنوعی را شناسایی کردند: یادگیری ماشین، هوش مصنوعی، بینایی کامپیوتر، پردازش زبان طبیعی و تشخیص الگو. از این زیرمجموعه مقالات هوش مصنوعی، محققان رایج‌ترین عبارات کلیدی مورد استفاده را استخراج کردند که با تکنیک‌های خاص هوش مصنوعی مطابقت داشت (مانند «یادگیری تحت نظارت»، «جاسازی کلمه» و «شبکه متخاصم مولد»).

سپس محققان مجموعه داده کامل انتشار را جست‌وجو کردند؛ یعنی تمام مقالات منتشر شده در هر رشته و حوزه تا ببینند عبارات مرتبط با هوش مصنوعی یا “n-gram” کجا و چند وقت یکبار نشان داده می‌شوند.

بیشتر بخوانید: ساخت مدل‌های ویدیویی اخلاقی‌تر با Moonvalley

تجزیه و تحلیل آنها نشان داد که در حالی که استفاده از هوش مصنوعی در علم در ۲ دهه گذشته به طور پیوسته در حال افزایش بوده است، یک خیزش جدی در بسیاری از رشته‌ها در حدود سال ۲۰۱۵ آغاز شده است. شاید تصادفی نباشد، در آن سال بود که مجله «نیچر» ۲ مقاله تاثیرگذار با عناوین «مروری بر مورد یادگیری عمیق» توسط سه محقق پیشگام هوش مصنوعی و «الگوریتم‌های هوش مصنوعی که در رده‌بندی ImageNet از عملکرد سطح انسانی پیشی گرفتند».

از سال ۲۰۱۵ تا ۲۰۱۹، نمرات استفاده مستقیم از هوش مصنوعی در مقالات فیزیک، مهندسی، زمین‌شناسی و روانشناسی هر کدام ۲۴ درصد در مقایسه با یک کنترل فرضی افزایش یافته است. سایر رشته‌ها، از زیست‌شناسی و اقتصاد گرفته تا علم مواد و جامعه‌شناسی نیز شاهد افزایشی بین ۱۰ تا ۳۰ درصد بودند. محققان همچنین دریافتند که مقالاتی که n-gram‌های هوش مصنوعی را ذکر می‌کنند، تقریباً ۲ برابر بیشتر احتمال دارد که در زمینه‌های مربوطه خود موفق باشند. این موفقیت براساس تعاریف مقالاتی هستند که پنج درصد کل استنادها را در میان مقالات آن حوزه و همان سال به دست می‌آورد.

هوش مصنوعی و علم فردا

در مرحله بعد، گائو و وانگ می‌خواستند مزایای بالقوه هوش مصنوعی را برای رشته‌های علمی در آینده تخمین بزنند.

برای انجام این کار، تجزیه و تحلیل عبارت کلیدی متفاوتی را روی مقالات علمی انجام دادند تا «جزئیات کارهای حوزه» را استخراج کنند که منظور از آن افعال و اسم‌هایی است که توصیف می‌کنند دانشمندان در هر رشته چه می‌کنند. برای زیست‌شناسان، یکی از این کارهای حوزه ممکن است «شناسایی ژن» باشد. برای شیمیدانان، می‌تواند «واکنش کاتالیزور» باشد.

گائو و وانگ همچنین افعال و اسامی مشابهی را از مقالات مرتبط با هوش مصنوعی و همچنین پتنت‌های هوش مصنوعی شناسایی شده از ۷/۱ میلیون پتنت اعطا شده توسط اداره ثبت اختراع و علائم تجاری آمریکا بین سال‌های ۱۹۷۶ تا ۲۰۱۹ جمع‌آوری کردند تا مجموعه‌ای از «قابلیت‌های هوش مصنوعی» را ایجاد کنند. در نهایت، ۲ مجموعه عبارات کلیدی (یعنی جفت‌های فعل و اسم) را مقایسه کردند و به دنبال همپوشانی‌ها بودند. اگر یک «قابلیت هوش مصنوعی» نیز به عنوان یک «کار حوزه» در یک رشته خاص ظاهر شود، احتمال بیشتری وجود دارد که آن رشته در آینده از هوش مصنوعی بهره‌مند شود.

بیشتر بخوانید: استفاده از فناوری‌های هوش مصنوعی برای مدیریت دارایی آینده

با استفاده از این معیار، گائو و وانگ دریافتند که هوش مصنوعی این پتانسیل را دارد که تقریباً برای هر رشته علمی مفید باشد.

آنها تفاوت‌های قابل توجهی را بین زیرشاخه‌های یک رشته خاص پیدا کردند. به عنوان مثال، وظایف درون زیرشاخه سیستم‌های بیولوژیکی (که به دنبال مدل‌سازی محاسباتی فعل و انفعالات پیچیده درون ارگانیسم‌ها است) چهار برابر بیشتر از وظایف در زیرشاخه‌های دیگر زیست‌شناسی، مانند باغبانی یا علوم غذایی، تحت تاثیر هوش مصنوعی قرار می‌گیرد. اما در کل، گائو می‌گوید: هوش مصنوعی تأثیر و مزایای گسترده‌ای برای علم در سراسر رشته‌ها دارد.

راهپیمایی ناهموار

با این حال، گائو و وانگ همچنین دریافتند که رشته‌هایی با نسبت بالاتری از زنان و اقلیت‌ها، کمتر از هوش مصنوعی بهره می‌برند – هم از نظر استفاده مستقیم از هوش مصنوعی امروز و هم از نظر مزایای بالقوه هوش مصنوعی در فردا. به عنوان مثال، در جامعه شناسی که در آن تقریباً نیمی از محققان دارای مدرک دکتری زن هستند و ۱۶ درصد آنها را با یک دسته نژادی که کمتر معرفی شده است شناسایی می‌کنند مزایای فعلی هوش مصنوعی برای این رشته تقریباً نیمی از مزایای فیزیک است که در آن تعداد پژوهشگران مرد و نژاد آسیایی به نسبت بسیارتر است. تحلیل‌های سطح شغلی همچنین نشان داد که دانشمندانی که در تحقیقات مرتبط با هوش مصنوعی شرکت می‌کنند، نسبت به سایر دانشمندان، افزایش کمتری در میزان استناد مشاهده می‌کنند.

گائو می‌گوید: ما برای مدت طولانی می‌دانیم که تغییرات تکنولوژیکی اغلب منبع نابرابری در کار است. اگر پیش‌بینی کنیم که هوش مصنوعی در آینده به سود تحقیقات علمی ادامه خواهد داد، باید نگران نحوه توزیع این مزایا نیز باشیم.

یک شکاف آموزشی

اما بزرگ‌ترین یافته گائو و وانگ این است که بیشتر رشته‌ها چقدر برای بهره‌برداری از پیشرفت هوش مصنوعی آماده نیستند. به هر حال، هوش مصنوعی تنها زمانی می‌تواند برای یک رشته مفید باشد که دانشمندان آن مهارت‌ها و آموزش‌های لازم برای استفاده صحیح از هوش مصنوعی را داشته باشند.

محققان آمادگی سیستم آموزشی برای هوش مصنوعی را با اسکن پایگاه داده‌ای از ۴/۲ میلیون برنامه درسی دانشگاه انگلیسی زبان برای ارجاع علمی به مقالات مرتبط با هوش مصنوعی بررسی کردند. گائو توضیح می‌دهد: ما می‌خواستیم بدانیم که نسل بعدی دانشمندان چقدر برای استفاده از پیشرفت‌های هوش مصنوعی آماده هستند. با اندازه‌گیری فراوانی مراجع هوش مصنوعی در درس یک رشته، می‌توانیم سطح سرمایه‌گذاری [آن رشته] در آموزش هوش مصنوعی را تخمین بزنیم.

بیشتر بخوانید: ساخت تراشه‌های آنالوگ برای هوش مصنوعی با مصرف کم انرژی

در اینجا نتایج را فقط می‌توان ناامید کننده توصیف کرد. به استثنای سه رشته محاسباتی (علوم کامپیوتر، ریاضیات و مهندسی)، رشته‌ها به اندازه کافی برای آموزش مهارت‌های مرتبط با هوش مصنوعی به دانشجویان فارغ‌التحصیل و دانشمندان جوان سرمایه‌گذاری نمی‌کردند تا به مزایای کامل هوش مصنوعی دست یابند.

از نظر وانگ، این یافته باید برای سیاستگذاران در سراسر جهان یک روشنگری باشد: چه سازمان یا بنیادی در سیاست علمی می‌تواند به این موضوع رسیدگی کند؟

در واقع، تحقیقات آنها به یک پاسخ اشاره دارد. وقتی گائو و وانگ الگوهای همکاری را در رشته‌هایی غیر از علوم کامپیوتر (مثلاً زیست‌شناسی) تجزیه و تحلیل کردند، دریافتند که تعداد نشریات هوش مصنوعی که از طریق همکاری بین دانشمندان کامپیوتر و مثلاً زیست‌شناسان تولید می‌شود، سریع‌تر از انتشارات تولید شده توسط زیست‌شناسان به تنهایی در حال رشد است.

به عبارت دیگر، دانشمندان در طیف گسترده‌ای از رشته‌ها به طور فزاینده‌ای درمی‌یابند که نسبت به همتایان خود به دانش تخصصی‌تر هوش مصنوعی تکیه کنند. این نشان می‌دهد که استفاده کامل از هوش مصنوعی در علم نه تنها به بودجه بیشتری برای آموزش دانشمندان نیاز دارد، بلکه به فرصت‌های بیشتری برای همکاری بین رشته‌ای نیاز دارد.

گائو می‌گوید: برخی مؤسسات در حال راه‌اندازی مراکز تحقیقاتی بین‌رشته‌ای هستند که دانشکده‌های رشته‌های مختلف را تشویق می‌کنند تا درباره نحوه استفاده از ابزارها و پیشرفت‌های مختلف هوش مصنوعی گفتگو کنند. این امر باعث می‌شود که محققان با یکدیگر آشنا شوند تا به طور بالقوه از یکدیگر بیاموزند، زمانی که آنها واقعاً با هم تحقیق می‌کنند.

گائو و وانگ می‌گویند: اما برای به حداکثر رساندن پتانسیل هوش مصنوعی، همکاری متقابل باید در مقیاس بسیار بزرگ‌تری اتفاق بیفتد. برای این منظور، نتایج گائو و وانگ در گزارش بزرگ‌تری که در آکادمی ملی علوم ارائه شد، گنجانده شد که به دولت ایالات متحده در مورد سیاست‌های مرتبط با علم مشاوره می‌دهد.

منبع: ایسکانیوز

بیشتر بخوانید: هوش مصنوعی مولد آینده اقتصاد دیجیتال را تعیین خواهد کرد