پیشرفت ریاضی اوپن‌ای‌آی می‌تواند به زیست‌فناوری و داروسازی برسد
یک مدل منتشرنشده از اوپن‌ای‌آی، طبق گزارش‌ها، توانسته حدود ۹۰ مورد از ۵۰۰ مورد از دشوارترین مسائل باز ریاضی جهان را حل کند؛ مسائلی که حل هرکدام از آن‌ها حدود سه ساعت زمان برده است. مجری برنامه «In The Loop» توضیح می‌دهد چرا متخصصان در همه حوزه‌ها ممکن است به‌زودی احساسی مشابه ریاضی‌دانان امروز نسبت به این پیشرفت داشته باشند.
اوپن‌ای‌آی به‌تازگی یکی از بزرگ‌ترین دستاوردهای خود را معرفی کرده است؛ نه یک مدل هوش مصنوعی جدید، بلکه اعلام حل حدود ۹۰ مسئله از سخت‌ترین مسائل تاریخ ریاضیات. اهمیت این اتفاق فقط در حل این مسائل نیست، بلکه در این است که چنین توانایی‌ای می‌تواند به‌سرعت به حوزه‌هایی مانند شیمی، مهندسی، فیزیک و هر زمینه‌ای که به استدلال پیچیده نیاز دارد، سرایت کند.
سه سال پیش، هوش مصنوعی در انجام ریاضیات ساده هم مشکل داشت. مدل‌های زبانی بزرگ آن‌قدر توانمند نبودند و حتی برخی نمونه‌های ساده را اشتباه پاسخ می‌دادند. ترنس تائو، یکی از برجسته‌ترین ریاضی‌دانان جهان، در آن زمان گفته بود که تلاش‌های هوش مصنوعی قابل قبول است، اما مشخص نیست چگونه توانایی استدلال بتواند در نهایت به حل مسائل ریاضی منجر شود.
در آن دوره، هوش مصنوعی هنوز در ابتدای مسیر یادگیری استدلال بود. اما چند هفته پیش، اوپن‌ای‌آی اعلام کرد یک مدل داخلی که تنها ۱۱ روز عمر داشت، توانسته یکی از مسائل جایزه هزاره را حل کند.
هفت مسئله جایزه هزاره در حوزه ریاضیات وجود دارد و حل هرکدام یک میلیون دلار جایزه دارد. این مسائل حدود ۲۰۰ سال است که مطرح هستند و با وجود پیشرفت‌های فراوان، تعداد محدود ریاضی‌دانان و ظرفیت شناختی انسان، سرعت حل آن‌ها را محدود کرده بود.
اوپن‌ای‌آی بدون تجربه قبلی در ریاضیات و بدون کمک پژوهشگران این حوزه، یک مدل قدرتمند را در اختیار تعداد زیادی عامل هوش مصنوعی قرار داد تا به‌صورت گسترده روی این مسائل کار کنند. این آزمایش با استفاده از حدود ۱۰ هزار عامل هوش مصنوعی، ۸۸ ساعت زمان و بیش از ۱۰ میلیون دلار هزینه انجام شد.
یکی از نکات مهم این آزمایش آن بود که برای نخستین بار نشان داد یک مدل هوش مصنوعی صرفاً در حال تقلید از هوش انسانی نیست. پیش از این، بسیاری معتقد بودند مدل‌های هوش مصنوعی فقط بر اساس داده‌های انسانی آموزش دیده‌اند و سقف توانایی آن‌ها همان سطح دانش موجود بشر است.
حل مسئله ناویر–استوکس نخستین نشانه‌ای بود که نشان داد هوش مصنوعی ممکن است بتواند از سطح دانش ثبت‌شده انسانی فراتر رود. با این حال، واکنش بسیاری از ریاضی‌دانان به این نتیجه هیجان‌زده نبود؛ آن‌ها بیشتر سردرگم بودند، زیرا نمی‌توانستند راه‌حل ارائه‌شده توسط هوش مصنوعی را به‌طور کامل درک کنند.
اکنون گزارش جدید می‌گوید مدل داخلی جدید اوپن‌ای‌آی نه یک یا دو، بلکه ۹۰ مورد از ۵۰۰ دشوارترین مسئله باز ریاضی جهان را حل کرده است؛ یعنی حدود ۲۰ درصد از سخت‌ترین مسائل ریاضی که دهه‌ها ذهن دانشمندان را درگیر کرده‌اند.
تفاوت مهم این بار، سرعت و هزینه است. هر مسئله به‌طور میانگین در حدود سه ساعت حل شده و هزینه آن تنها چند ده هزار دلار بوده است. این موضوع نشان می‌دهد در آینده مدل‌های هوش مصنوعی می‌توانند سریع‌تر و ارزان‌تر شوند؛ تا جایی که حل مسائلی که انسان‌ها دهه‌ها برای آن تلاش کرده‌اند، به گزینه‌ای طبیعی برای استفاده از هوش مصنوعی تبدیل شود.
با این حال، این دستاورد پرسش مهمی ایجاد می‌کند: این مسائل چگونه می‌توانند در دنیای واقعی برای مردم مفید باشند؟
برخی از این مسائل کاربردهای بالقوه گسترده‌ای دارند. برای نمونه، حل مسئله‌ای موسوم به «Vlav Maxwell» می‌تواند به پژوهش‌هایی برای ایجاد انرژی پاک تقریباً نامحدود کمک کند. همچنین حل مسئله «معکوس الاستیسیته» می‌تواند امکان تصویربرداری و نقشه‌برداری از سختی بافت‌ها را فراهم کند؛ موضوعی که در ارزیابی و درمان پزشکی کاربرد دارد.
مسئله دیگری مربوط به ضرب ماتریسی است؛ مفهومی که پایه عملکرد مدل‌های هوش مصنوعی و پردازش داده‌ها در آن‌هاست و همچنین در عملکرد پردازنده‌های گرافیکی و فناوری‌های محاسباتی مدرن نقش اساسی دارد. حل یکی از دشوارترین مسائل این حوزه می‌تواند به هوش مصنوعی ارزان‌تر و شبیه‌سازی‌های علمی بزرگ‌تر برای طراحی پروتئین‌ها منجر شود؛ موضوعی که شاید در آینده به درمان بیماری‌هایی مانند سرطان کمک کند.
این مسائل مجموعه‌ای از معماهای انتزاعی و بی‌ارتباط با جهان واقعی نیستند؛ آن‌ها موانعی بوده‌اند که دانشمندان، مهندسان و سازندگان را از دستیابی به نوآوری‌های جدید باز داشته‌اند. پیشرفت بشر همواره به توانایی افراد برجسته در حل سخت‌ترین مشکلات زمان خود وابسته بوده است.
برخی تحلیلگران تلاش کرده‌اند اهمیت این دستاوردها را در مقایسه با کشفیات بزرگ تاریخ بررسی کنند. بر اساس یکی از این ارزیابی‌ها، بخش بزرگی از کشفیات مدل داخلی اوپن‌ای‌آی از نظر اهمیت بنیادی در همان روز انتشار این دستاوردها قرار گرفته‌اند.
این موضوع این پرسش را مطرح می‌کند که آیا دانشمند بزرگ بعدی مانند آلبرت اینشتین یا گالیله ممکن است انسان نباشد، بلکه یک رایانه یا هوش مصنوعی باشد؛ سامانه‌ای که می‌تواند بدون توقف کار کند، هزینه کمتری داشته باشد و اکنون نشانه‌هایی از توانایی فراتر رفتن از انسان نشان داده است.
یکی از پژوهشگران درباره حل یکی از این مسائل گفته است اگر یک انسان چنین کاری انجام می‌داد، احتمالاً بلافاصله شایسته دریافت مدال فیلدز بود؛ جایزه‌ای که یکی از بالاترین افتخارات در ریاضیات محسوب می‌شود.
طبیعی است که واکنش بسیاری از ریاضی‌دانان به این اتفاق همراه با نگرانی باشد. آن‌ها سال‌ها تحصیل کرده‌اند، مدرک کارشناسی، کارشناسی ارشد و دکترا گرفته‌اند و هدف اصلی‌شان تولید دانش جدید بوده است. حالا این احساس ایجاد شده که کاری که بخش بزرگی از زندگی خود را برای آن صرف کرده‌اند، ممکن است به‌سرعت خودکار شود.
اما از سوی دیگر، هدف اصلی پژوهشگران و دانشمندان همیشه پیشبرد بشریت بوده است. اگر هوش مصنوعی بتواند بخشی از این مسیر را سریع‌تر طی کند، این پرسش مطرح می‌شود که چرا نباید از آن استقبال کرد.
محدودیت انسان در این مسیر، ظرفیت شناختی، نیاز به خواب، احساسات، خطاهای ذهنی و محدودیت در پردازش هم‌زمان اطلاعات است. در مقابل، هوش مصنوعی می‌تواند به شکل بهینه و بدون این محدودیت‌ها کار کند.
اما این داستان فقط درباره ریاضی‌دانان نیست. وضعیت امروز آن‌ها ممکن است در آینده نزدیک برای متخصصان بسیاری از حوزه‌های دیگر تکرار شود.
اگر هوش مصنوعی می‌تواند یکی از پیچیده‌ترین حوزه‌های علمی یعنی ریاضیات را با استدلال حل کند، منطقی است که بتواند در دیگر حوزه‌های نیازمند استدلال عمیق نیز کاربرد پیدا کند. نخستین حوزه‌هایی که به ذهن می‌رسند، فیزیک، شیمی و زیست‌شناسی هستند؛ حوزه‌هایی که به‌شدت به محاسبات و مدل‌سازی ریاضی وابسته‌اند.
برخی منتقدان می‌گویند هوش مصنوعی همچنان به شهود انسانی و قضاوت نیاز دارد. اما می‌توان این پرسش را مطرح کرد که آیا خودِ توانایی استدلال نمی‌تواند برای نزدیک شدن به این شهود نیز استفاده شود.
یکی از نگرانی‌های مطرح‌شده درباره این پیشرفت، حوزه رمزنگاری است. برخی متخصصان این پرسش را مطرح کرده‌اند که اگر یک آزمایشگاه داخلی مانند اوپن‌ای‌آی چنین توانایی‌هایی پیدا کرده باشد، آیا ممکن است توانایی‌های مهم دیگری مانند شکستن سامانه‌های رمزنگاری را نیز داشته باشد اما آن را عمومی نکند.
این نگرانی به مسئله دیگری اشاره می‌کند: مدل‌های بسیار توانمند ممکن است ابتدا در اختیار شرکت‌های خصوصی باشند و برای اهداف تجاری یا رقابتی استفاده شوند. در چنین شرایطی، هزینه هوش انسانی کاهش می‌یابد، اما مزیت اصلی ممکن است به شرکت‌هایی برسد که مالک این مدل‌ها هستند.
از سوی دیگر، اگر چنین مدل‌هایی در دسترس عموم قرار گیرند، هر فردی که بتواند به‌درستی از آن‌ها استفاده کند، ممکن است بتواند به دستاوردهایی نزدیک شود که پیش‌تر فقط در توان بزرگ‌ترین پژوهشگران تاریخ بود. آینده نوآوری انسانی احتمالاً نه کاملاً انسانی، بلکه ترکیبی از انسان و هوش مصنوعی خواهد بود.
اکنون مسئله اصلی این است که متخصصان ممکن است از حل‌کننده مشکلات به مانع موجود در مسیر تبدیل شوند. در ۹۰ مسئله حل‌شده، برخی راه‌حل‌ها دارای «حل‌نامه لین» هستند؛ یعنی فرمول‌هایی که توسط رایانه بررسی شده و نتیجه تأیید شده است.
با این حال، در روش‌های پژوهشی فعلی هنوز به تأیید انسان نیاز است. مشکل اینجاست که حتی ریاضی‌دانان برجسته نیز ممکن است نتوانند راه‌حل‌های تولیدشده توسط هوش مصنوعی را درک کنند؛ بنابراین فرآیند بررسی انسانی می‌تواند به مانعی برای پیشرفت تبدیل شود.
یکی از راه‌حل‌های احتمالی استفاده از هوش مصنوعی برای بررسی راه‌حل‌های هوش مصنوعی است؛ اما این پرسش را ایجاد می‌کند که نقش انسان در این چرخه چه خواهد بود.
البته این دیدگاه که انسان دیگر نقشی نخواهد داشت، بیش از حد بدبینانه است. شهود انسانی و توانایی قضاوت همچنان در بسیاری از حوزه‌ها اهمیت دارد. اما پژوهشگران در همه زمینه‌ها باید برای تغییراتی که به‌تدریج رخ می‌دهد آماده باشند.
این تغییر می‌تواند مانند موجی بزرگ و غیرمنتظره وارد حوزه‌های مختلف شود. یکی از حوزه‌هایی که احتمالاً بیشترین تأثیر را خواهد پذیرفت، زیست‌شناسی، به‌ویژه خدمات پزشکی، درمان بیماری‌ها و صنعت داروسازی است.
در ماه‌های اخیر، آزمایشگاه‌های بزرگ هوش مصنوعی حجم زیادی از داده‌های علمی و زیستی را خریداری کرده‌اند؛ از داده‌های آزمایشگاهی گرفته تا اطلاعات مربوط به DNA و توالی‌های زیستی که می‌توان آن‌ها را با مدل‌های هوش مصنوعی تحلیل کرد.
همچنین برخی شرکت‌ها در حال ساخت آزمایشگاه‌های خودکار زیستی هستند که در آن‌ها مدل‌های هوش مصنوعی می‌توانند بازوهای رباتیک را برای انجام آزمایش‌ها کنترل کنند.
یکی از انتقادهای معتبر این است که مدل‌های هوش مصنوعی هنوز در جهان فیزیکی عمل نمی‌کنند و همچنان به انسان نیاز دارند. اما اگر رباتیک طی سه تا پنج سال آینده پیشرفت کند و این مدل‌ها بتوانند مستقیماً در آزمایشگاه‌ها فعالیت کنند، ممکن است شرایط کاملاً تغییر کند.
تصور جهانی که در آن یک مدل هوش مصنوعی بتواند به کشف درمانی جدید منجر شود، دشوار است. با این حال، احتمالاً انسان‌ها همچنان در این فرآیند حضور خواهند داشت؛ هرچند شکل این همکاری هنوز مشخص نیست.
این داستان در نهایت درباره ریاضیات نیست؛ درباره عبور هوش مصنوعی از برخی محدودیت‌های شناخت انسانی و انجام کارهایی سریع‌تر و ارزان‌تر از آن چیزی است که بسیاری انتظار داشتند.
سرعت گسترش این توانایی‌ها می‌تواند بر دارندگان مدارک دانشگاهی، کارکنان و نقش‌های شغلی که قرن‌ها ارزشمند و محترم بوده‌اند، تأثیر بگذارد و برخی وظایف را به‌سرعت تغییر دهد.