۸ مسئله علمی که هوش مصنوعی در حل آن‌ها پیشرفت چشمگیری کرده است؛ مسائلی که انسان‌ها سال‌ها با آن‌ها دست‌وپنجه نرم می‌کردند
دستاوردهای علمی هوش مصنوعی که بیش از همه به آن‌ها استناد می‌شود، در هشت مورد خلاصه می‌شوند؛ اما اعتبار این دستاوردها در بررسی دقیق، یکسان نیست. نتایج مربوط به پروتئین‌ها و پیش‌بینی آب‌وهوا را پژوهشگران مستقل تأیید کرده‌اند. در حوزه آنتی‌بیوتیک‌ها و مواد جدید، نتایج آزمایشگاهی امیدوارکننده بوده‌اند، اما هنوز به محصولی کاربردی تبدیل نشده‌اند. در زمینه طراحی تراشه نیز پژوهشگران سال‌هاست درباره اعتبار مجموعه‌ای از اعداد و نتایج اختلاف‌نظر دارند.
شش مورد از این هشت دستاورد به آزمایشگاه تحقیقاتی گوگل دیپ‌مایند در لندن تعلق دارند و این موضوع اهمیت دارد؛ زیرا ارقامی که بیش از همه منتشر و بازنشر می‌شوند، معمولاً از اطلاعیه‌های خبری سازندگان همان سامانه‌ها گرفته شده‌اند. دو مورد دیگر حاصل کار مؤسسه فناوری ماساچوست (MIT)، دانشگاهی در ایالات متحده، و شرکت آمریکایی نرم‌افزارهای دفاعی هرون سیستمز هستند. در ادامه، هر مورد همراه با ارقام دقیق و ملاحظاتی بررسی می‌شود که معمولاً در خلاصه‌های منتشرشده در شبکه‌های اجتماعی نادیده گرفته می‌شوند.
مروری بر هشت مورد
جدول زیر این موارد را از معتبرترین تا بحث‌برانگیزترین دستاورد رتبه‌بندی می‌کند؛ ترتیب بررسی آن‌ها در ادامه مقاله نیز همین است.
| دستاورد | سال | توسعه‌دهنده | آنچه تأیید شده است |
|---|---|---|---|
| آلفافولد (AlphaFold) | ۲۰۲۰ تا ۲۰۲۲ | دیپ‌مایند | تأییدشده توسط پژوهشگران مستقل؛ برنده نوبل شیمی ۲۰۲۴ |
| گراف‌کست (GraphCast) | ۲۰۲۳ | دیپ‌مایند | عملکرد بهتر از مدل اروپایی در بیش از ۹۰ درصد آزمون‌ها |
| هالیسین (Halicin) | ۲۰۲۰ | MIT | اثربخشی در آزمایشگاه و در موش‌ها؛ بدون شواهد شناخته‌شده از آزمایش انسانی |
| آلفاگو (AlphaGo) | ۲۰۱۶ | دیپ‌مایند | نتیجه مستند؛ پیروزی ۴ بر ۱ مقابل لی سدول |
| نبرد هوایی شبیه‌سازی‌شده با اف۱۶ | ۲۰۲۰ | هرون سیستمز | نتیجه واقعی، اما در محیط شبیه‌سازی |
| آلفاتنسر (AlphaTensor) | ۲۰۲۲ | دیپ‌مایند | نتیجه مورد بحث فقط در حساب پیمانه‌ای با پیمانه ۲ معتبر است |
| جی‌نوم (GNoME) | ۲۰۲۳ | دیپ‌مایند | ارقام واقعی، اما کاربردمندی مواد هنوز باید اثبات شود |
| آلفاچیپ (AlphaChip) | ۲۰۲۱ | دیپ‌مایند | نتایج مورد اختلاف پژوهشگران |
۱. آلفافولد و پروتئین‌ها؛ دستاوردی که جایزه نوبل گرفت
آلفافولد سامانه‌ای از دیپ‌مایند است که شکل سه‌بعدی پروتئین را بر اساس توالی اسیدهای آمینه آن پیش‌بینی می‌کند. پایگاه داده عمومی این سامانه بیش از ۲۰۰ میلیون ساختار پیش‌بینی‌شده را در خود جای داده است؛ درحالی‌که طی بیش از ۶۰ سال، حدود ۱۹۰ هزار ساختار پروتئینی در آزمایشگاه تعیین شده بود.
ساختار یک پروتئین عملکرد آن را تعیین می‌کند و به همین دلیل، مسئله تاخوردگی پروتئین‌ها که دهه‌ها حل‌نشده باقی مانده بود، اهمیت زیادی داشت. تعیین ساختار پروتئین‌ها معمولاً به روش‌هایی مانند بلورنگاری پرتو ایکس یا میکروسکوپی الکترونی برودتی نیاز داشت؛ روش‌هایی که ممکن بود برای بررسی یک پروتئین ماه‌ها یا حتی سال‌ها زمان ببرند. دیپ‌مایند در ۲۸ ژوئیه ۲۰۲۲، بیش از ۲۰۰ میلیون ساختار را یک‌جا منتشر کرد؛ مجموعه‌ای که اندازه آن ۲۰۰ برابر فهرست پیشین بود. بر اساس به‌روزرسانی سال ۲۰۲۴، این پایگاه اکنون ۲۱۴ میلیون توالی را پوشش می‌دهد.
در این مورد، شواهد از اعتبار بالایی برخوردارند. آکادمی سلطنتی علوم سوئد در ۹ اکتبر ۲۰۲۴، نیمی از جایزه نوبل شیمی را به دمیس هاسابیس و جان جامپر برای پیش‌بینی ساختار پروتئین‌ها و نیم دیگر را به دیوید بیکر برای طراحی پروتئین‌های جدید اعطا کرد. جامپر پس از آن دیپ‌مایند را ترک کرد و به آنتروپیک پیوست؛ بااین‌حال، پژوهش‌های زیستی در آنجا نیز ادامه دارد و کلود روی ۳۰ مدل زیست‌شناسی مولکولی کار می‌کند.
البته یک نکته مهم را نباید نادیده گرفت. هر پیش‌بینی دارای امتیاز اطمینان برای نواحی مختلف پروتئین است که با نام pLDDT شناخته می‌شود. بخش‌هایی که امتیازشان کمتر از ۵۰ است، باید غیرقابل‌اعتماد تلقی شوند. پیش‌بینی شکل‌های جایگزین پروتئین، در نظر گرفتن کوفاکتورها و تغییرات شیمیایی نیز همچنان دشوار است؛ محدودیت‌هایی که یک مقاله مروری در سال ۲۰۲۲ آن‌ها را به داده‌های آموزشی مرتبط می‌داند.
۲. گراف‌کست؛ پیش‌بینی ۱۰ روز آب‌وهوا در کمتر از یک دقیقه
گراف‌کست مدل پیش‌بینی آب‌وهوای دیپ‌مایند است که می‌تواند پیش‌بینی جهانی ۱۰ روز آینده را با یک دستگاه مجهز به پردازنده‌های TPU v4، تراشه‌های گوگل برای هوش مصنوعی، در کمتر از یک دقیقه تولید کند. در مقابل، یک سامانه سنتی مانند HRES، مدل مرجع مرکز اروپایی پیش‌بینی‌های میان‌مدت وضع هوا (ECMWF)، برای انجام همین کار به چند ساعت پردازش روی ابررایانه‌ای متشکل از صدها دستگاه نیاز دارد.
ارقام مربوط به این سامانه در مقاله‌ای منتشرشده در مجله ساینس در ۱۴ نوامبر ۲۰۲۳ ارائه شدند. بر اساس اعلام دیپ‌مایند، گراف‌کست در بیش از ۹۰ درصد از ۱٬۳۸۰ متغیر و بازه زمانی پیش‌بینی‌شده، عملکرد بهتری از HRES داشت. این برتری در ۹۹٫۷ درصد متغیرهای تروپوسفر، لایه پایینی جو که پدیده‌های آب‌وهوایی در آن شکل می‌گیرند، نیز ثبت شد. در مورد توفند لی، این مدل حدود ۹ روز پیش از رسیدن آن به خشکی در نوا اسکوشیا، محل برخورد را پیش‌بینی کرده بود؛ درحالی‌که مدل‌های سنتی تقریباً در روز ششم به همان محدوده رسیده بودند.
نکته‌ای که معمولاً در گزارش‌های کوتاه نادیده گرفته می‌شود، این است که گراف‌کست با استفاده از داده‌های ۴۰ ساله ERA5 آموزش دیده است؛ مجموعه‌ای از بازسازی‌های تاریخی جو که خود بر پایه مدل‌های فیزیکی سنتی تهیه شده‌اند. به بیان دیگر، هوش مصنوعی بر دستاوردهای فیزیک تکیه دارد. بااین‌حال، نتیجه عملی آن واقعی است و دیپ‌مایند توسعه این فناوری را در سامانه WeatherNext ادامه داده است؛ سامانه‌ای که در اکتبر، توفند ایسایاس در فلوریدا را زودتر از مدل‌های اروپایی پیش‌بینی کرد.
۳. هالیسین؛ آنتی‌بیوتیکی که یک الگوریتم شناسایی کرد
هالیسین آنتی‌بیوتیکی است که یک مدل هوش مصنوعی در مؤسسه فناوری ماساچوست در سال ۲۰۲۰ شناسایی کرد. این ماده توانست باکتری‌های مقاوم به چند دارو را در آزمایشگاه از بین ببرد. نام آن از HAL، رایانه فیلم «۲۰۰۱: ادیسه فضایی»، گرفته شده است.
در نقل ارقام مربوط به این پژوهش، اشتباه رایجی وجود دارد. گروهی به سرپرستی رجینا برزیلای و جیمز کالینز، مدل را با حدود ۲٬۵۰۰ مولکول، شامل ترکیبی از داروهای تأییدشده و مواد طبیعی، آموزش دادند. سپس مدل در مدت سه روز بیش از ۱۰۰ میلیون مولکول موجود در پایگاه داده ZINC15 را بررسی کرد. سامانه ۲۳ گزینه را مشخص کرد که هشت مورد از آن‌ها در آزمایش‌ها فعالیت ضدباکتریایی نشان دادند. مولکولی که در نهایت انتخاب شد، پیش‌تر شناخته شده بود و به‌عنوان دارویی احتمالی برای دیابت بررسی شده بود؛ هوش مصنوعی کاربرد تازه آن را شناسایی کرد.
هالیسین روی ده‌ها سویه باکتریایی جداشده از بیماران، از جمله کلستریدیوئیدس دیفیسیل و اسینتوباکتر بومانی، و همچنین باکتری عامل سل مؤثر بود؛ اما در برابر سودوموناس آئروژینوزا کارایی نداشت. در آزمایش روی موش‌ها، پماد حاوی این ماده عفونتی ناشی از اسینتوباکتر مقاوم به چند دارو را طی ۲۴ ساعت برطرف کرد. همچنین در آزمایشی ۳۰روزه، باکتری اشرشیا کلی در برابر هالیسین مقاوم نشد؛ درحالی‌که در برابر سیپروفلوکساسین، مقاومت طی یک تا سه روز ایجاد شد.
بااین‌حال، این مولکول هنوز به مرحله استفاده بالینی نرسیده است. داده‌های بعدی همچنان به آزمایش‌های حیوانی و کشت‌های آزمایشگاهی محدودند و شواهدی از انجام مطالعات انسانی در دست نیست. آنتروپیک نیز در دوره‌ای جدیدتر از شناسایی یک سازوکار مولکولی به کمک کلود خبر داده است؛ نمونه آن سامانه آنزیمی ART، مشابه کریسپر است. این مورد نیز باید با همان ملاحظات در نظر گرفته شود.
۴. آلفاگو و حرکت شماره ۳۷؛ معنای خلاقیت در هوش مصنوعی
آلفاگو برنامه‌ای از دیپ‌مایند است که در مارس ۲۰۱۶ در سئول، لی سدول، قهرمان بازی گو، را با نتیجه ۴ بر ۱ شکست داد. گو یک بازی تخته‌ای چینی است که تعداد وضعیت‌های احتمالی آن حدود ۱۰ به توان ۱۷۰ برآورد می‌شود. این پیروزی پس از آن به دست آمد که آلفاگو در اکتبر ۲۰۱۵ بازیکن حرفه‌ای دیگری به نام فن هویی را با نتیجه ۵ بر صفر شکست داده بود. طبق گزارش دیپ‌مایند، پیروزی مقابل قهرمان جهان حدود ۱۰ سال زودتر از پیش‌بینی کارشناسان رخ داد.
در بازی دوم مسابقه با لی سدول، برنامه سنگ شماره ۳۷ را روی خط پنجم صفحه قرار داد؛ حرکتی که کتاب‌های آموزشی آن را توصیه نمی‌کردند. دیپ‌مایند تخمین زد که یک بازیکن انسانی در هر ۱۰ هزار بار بازی، تنها یک بار چنین حرکتی انجام می‌دهد. مایکل ردموند، مفسر مسابقه، در همان لحظه تصور کرد که این حرکت ناشی از اشتباه در ثبت بازی است. اما این حرکت در واقع مسیر بازی را تغییر داد.
این رقم باید در چارچوب معنای واقعی خود درک شود: برآورد یک شبکه عصبی از احتمال انتخاب آن حرکت توسط انسان است، نه آماری استخراج‌شده از آرشیو بازی‌های ثبت‌شده. لی سدول نیز بازی چهارم را برد؛ بنابراین، نتیجه ۴ بر ۱ نشان‌دهنده برتری قاطع آلفاگو بود، اما به معنای پیروزی بدون واگذاری حتی یک بازی نیست.
میراث اصلی آلفاگو به بازی گو محدود نمی‌شود. ایده‌های به‌کاررفته در آن، از جمله شبکه‌های عصبی و یادگیری تقویتی، یعنی یادگیری از طریق بازی با خود، زمینه توسعه سامانه‌های آلفازیرو و موزیرو را فراهم کردند و مسیر پیشرفت آلفافولد نیز از همین دستاوردها گذشت.
۵. هوش مصنوعی خلبان اف۱۶ را شکست داد، اما در شبیه‌ساز
در ۲۰ اوت ۲۰۲۰، سامانه هوش مصنوعی شرکت هرون سیستمز در فینال رقابت‌های AlphaDogfight Trials که سازمان دارپا، نهاد پژوهش‌های پیشرفته وزارت دفاع آمریکا، برگزار می‌کرد، یک خلبان اف۱۶ نیروی هوایی ایالات متحده را با نتیجه ۵ بر صفر شکست داد. این رویداد را نشریه جینز گزارش کرد. از همان ابتدا باید روشن باشد که دیپ‌مایند هیچ نقشی در این دستاورد نداشت.
خلبان رقیب که با نام مستعار «بنگر» شناخته می‌شد، بیش از ۲٬۰۰۰ ساعت سابقه پرواز با اف۱۶ داشت و دوره آموزش مدرسه تسلیحات را نیز گذرانده بود. هر پنج درگیری در محیط شبیه‌سازی و فقط با استفاده از توپ هواپیما انجام شد. طبق گزارش مجله نیروی هوایی، بنگر در تمام دورها مدت بیشتری دوام آورد، اما نتوانست حتی یک بار به اف۱۶ تحت کنترل هوش مصنوعی شلیک مؤثری بزند. هرون پیش از رویارویی با خلبان انسانی، در آخرین مرحله رقابت میان سامانه‌های هوش مصنوعی، لاکهید مارتین را شکست داده بود.
کسی که صرفاً می‌گوید «خلبان شکست خورد»، بخش مهمی از ماجرا را نادیده می‌گیرد. جاستین ماک، نماینده دارپا، تأکید کرد که این رقابت‌ها به‌هیچ‌وجه نتیجه‌ای قطعی درباره آینده خلبانان مصنوعی ارائه نمی‌کنند. سرهنگ دنیل جاورسک نیز گفت که هنوز راه زیادی مانده است تا سامانه هرون بتواند به‌تنهایی کل هواپیما را هدایت کند. شبیه‌ساز بسیاری از عواملی را که بر عملکرد خلبان واقعی اثر می‌گذارند، از خستگی گرفته تا رویدادهای پیش‌بینی‌نشده، بازسازی نمی‌کند.
۶. آلفاتنسر و ضرب ماتریس‌ها؛ عدد ۴۷ که فقط در یک حالت معتبر است
آلفاتنسر سامانه‌ای از دیپ‌مایند است که روش‌های تازه‌ای برای ضرب ماتریس‌ها، یعنی آرایه‌های جدولی از اعداد، پیدا کرده است. یکی از نتایج آن، روشی برای ضرب ماتریس‌های ۴ در ۴ با ۴۷ ضرب است که از روش وولکر اشتراسن در سال ۱۹۶۹، با ۴۹ ضرب، بهتر عمل می‌کند. بااین‌حال، راه‌حل ۴۷ضربی فقط در حساب پیمانه‌ای با پیمانه ۲ معتبر است؛ ساختاری ریاضی که در آن تنها دو مقدار صفر و یک وجود دارند. این نتیجه به اعداد حقیقی تعمیم پیدا نمی‌کند.
برای درک اهمیت این موضوع باید به روش‌های قبلی توجه کرد. ضرب معمول دو ماتریس ۴ در ۴ به ۶۴ عمل ضرب نیاز دارد. اشتراسن نشان داد که برای ضرب ماتریس‌های ۲ در ۲ می‌توان به‌جای هشت ضرب، از هفت ضرب استفاده کرد. اجرای دوباره همین ایده، تعداد ضرب‌های لازم برای ماتریس‌های ۴ در ۴ را به ۴۹ می‌رساند. دیپ‌مایند در اعلامیه ۵ اکتبر ۲۰۲۲ که هم‌زمان با انتشار مقاله در مجله نیچر منتشر شد، از نتیجه دیگری نیز خبر داد: ضرب ماتریس‌های ۴ در ۵ در ماتریس‌های ۵ در ۵ با ۷۶ ضرب، در مقایسه با ۸۰ ضرب در بهترین روش انسانی و ۱۰۰ ضرب در روش معمول.
چند روز بعد، دو ریاضی‌دان به نامهای مانوئل کاوئرس و یاکوب موس‌باوئر، با استفاده از روش جست‌وجویی که به یادگیری ماشین متکی نبود، تعداد ضرب‌های لازم در حالت پیمانه‌ای ۲ برای ماتریس‌های ۵ در ۵ را از ۹۶ به ۹۵ کاهش دادند. بنابراین، ادعای «پیشرفت پس از ۵۳ سال» بیش از آنکه داستان یک پیروزی قطعی باشد، نمونه‌ای از رقابت و اصلاح پی‌درپی نتایج است.
در خارج از حساب پیمانه‌ای با پیمانه ۲، رکورد ۴۹ ضرب تا سال ۲۰۲۵ پابرجا ماند. در آن سال، آلفاایوالو (AlphaEvolve)، سامانه دیگری از دیپ‌مایند، توانست ضرب ماتریس‌های ۴ در ۴ با مقادیر مختلط را با ۴۸ ضرب انجام دهد؛ نخستین بهبود در ۵۶ سال برای این حالت. این پیشرفت تنها یک ضرب، معادل حدود ۲ درصد، از تعداد عملیات کاست و نشان داد که عبور از این مرز تا چه اندازه دشوار بوده است. بحث درباره نقش هوش مصنوعی در ریاضیات همچنان داغ است؛ موضوعی که هشدار ۲۵ برنده مدال فیلدز و پرونده اوپن‌ای‌آی و معادلات ناویه–استوکس نیز آن را نشان می‌دهند.
۷. جی‌نوم و ۲٫۲ میلیون بلور؛ چند مورد واقعاً کاربردی هستند؟
جی‌نوم سامانه‌ای از دیپ‌مایند است که در ۲۹ نوامبر ۲۰۲۳، تعداد ۲٫۲ میلیون ساختار بلوری جدید را پیش‌بینی کرد و ۳۸۰ هزار مورد از آن‌ها را از نظر پایداری مناسب دانست. دیپ‌مایند این دستاورد را معادل نزدیک به ۸۰۰ سال دانش انباشته‌شده معرفی کرده است.
پیش از جی‌نوم، تعداد مواد پایدار شناخته‌شده برای بشر حدود ۴۸ هزار مورد بود؛ تقریباً ۲۰ هزار مورد در آزمایشگاه شناسایی شده بودند و بقیه از طریق محاسبات به دست آمده بودند. طبق اعلام دیپ‌مایند، پس از این پروژه شمار مواد پایدار شناخته‌شده به ۴۲۱ هزار مورد رسید. پژوهشگران خارج از این شرکت ۷۳۶ ماده را در آزمایشگاه سنتز کردند و ربات خودکار A-Lab در آزمایشگاه ملی برکلی نیز بیش از ۴۱ ماده ساخت. در میان نتایج، فهرستی از ۵۲۸ رسانای بالقوه یون لیتیوم هم وجود داشت؛ تعدادی که ۲۵ برابر بیشتر از شمار گزارش‌شده در یک مطالعه پیشین بود.
بااین‌حال، متخصصان شیمی حالت جامد به این نتایج اعتراض کرده‌اند. آنتونی چیتهام و رام سشادری از دانشگاه کالیفرنیا در سانتا باربارا، در مقاله‌ای در مجله Chemistry of Materials نوشتند که درباره ترکیبات پیشنهادی، شواهد کافی برای اثبات هم‌زمان تازگی، اعتبار و سودمندی آن‌ها وجود ندارد. از نظر این دو پژوهشگر، این ترکیبات، مواد معدنی بلوری هستند، نه لزوماً «مواد» کاربردی؛ زیرا برای ۳۸۴٬۸۷۰ نامزد ثبت‌شده در پایگاه داده هنوز هیچ عملکرد مشخصی نشان داده نشده و بسیاری از آرایش‌های پیشنهادی یون‌های فلزی احتمالاً در جهان واقعی پایدار یا قابل‌ساخت نیستند. آنچه باقی می‌ماند، فهرستی از گزینه‌های بالقوه است که برای پژوهشگران ارزش دارد، اما هنوز باید به محصولات واقعی تبدیل شود.
۸. آلفاچیپ؛ طراحی تراشه در چند ساعت و اختلاف‌نظر در جامعه علمی
آلفاچیپ سامانه‌ای مبتنی بر یادگیری تقویتی است که گوگل برای تعیین محل قرارگیری بلوک‌های یک مدار مجتمع از آن استفاده می‌کند؛ فرایندی که با عنوان برنامه‌ریزی سطح تراشه شناخته می‌شود. به گفته دیپ‌مایند، این سامانه در چند ساعت چیدمانی با کیفیتی برابر یا بهتر از طرح‌های انسانی تولید می‌کند؛ کاری که برای یک گروه مهندسی ممکن است هفته‌ها یا ماه‌ها زمان ببرد.
این روش اجزای مدار را یکی‌یکی روی یک شبکه خالی قرار می‌دهد و بر اساس کیفیت چیدمان نهایی پاداش می‌گیرد. نخستین مقاله درباره آن در سال ۲۰۲۱ در مجله نیچر منتشر شد. طبق گزارش دیپ‌مایند، این فناوری در سه نسل اخیر تراشه‌های TPU، از نسخه v5e تا Trillium، پردازنده‌های Axion و تراشه‌های شرکت مدیاتک به کار گرفته شده است.
این مورد، ضعیف‌ترین بخش فهرست از نظر اجماع علمی است. گروه‌های پژوهشی دیگر می‌گویند نتوانسته‌اند نتایج اعلام‌شده را تکرار کنند. ایگور مارکوف، پژوهشگر شرکت سیناپسیس که رقیب گوگل است، در تحلیلی این دستاورد را «طلوعی کاذب» توصیف کرد؛ موضوعی که نشریه انجمن ماشین‌های محاسباتی آمریکا (ACM) به آن پرداخته است. مجله نیچر نیز یادداشت سردبیری به مقاله افزود و یکی از متخصصانی که پیش‌تر از آن تمجید کرده بود، نظر خود را پس گرفت. گوگل در پاسخ، مقاله‌ای با عنوان «آن تراشه از دست رفته است» (That Chip Has Sailed) منتشر کرد و استدلال کرد که منتقدان سامانه را از پیش آموزش نداده‌اند، از توان محاسباتی کمتری استفاده کرده‌اند و تراشه‌هایی نامتناسب با ارزیابی موردنظر را آزموده‌اند.
در حال حاضر نتیجه‌گیری قطعی درباره این اختلاف ممکن نیست و هر کس ادعای قطعیت کند، عملاً یکی از دو طرف بحث را انتخاب کرده است. هوش مصنوعی از مسیر دیگری نیز وارد طراحی تراشه شده است؛ مسیری که در همکاری سامسونگ و کلود کد دیده می‌شود و در آن یک دستیار هوش مصنوعی به کاهش زمان کار مهندسان کمک می‌کند.
محدودیت‌هایی که باید در نظر گرفت
- بیشتر ارقام مورد استناد را همان آزمایشگاه‌هایی اعلام کرده‌اند که سامانه‌ها را ساخته‌اند. مقایسه‌ای که خود پژوهشگران انجام می‌دهند، می‌تواند فرضیه‌ای قوی ارائه کند؛ اما زمانی اعتبار بیشتری پیدا می‌کند که پژوهشگران مستقل و بدون منفعت مستقیم، نتیجه را تأیید کنند. جایزه نوبل آلفافولد نمونه‌ای از چنین تأییدی است، درحالی‌که در مورد تراشه‌ها شواهد مستقل بسیار محدودترند.
- ساختار پیش‌بینی‌شده الزاماً ساختاری تأییدشده نیست. پروتئین‌ها، بلورها و مولکول‌ها تا زمانی که آزمایش‌ها وجود و ویژگی‌های آن‌ها را تأیید نکنند، نامزدهای احتمالی باقی می‌مانند. بنابراین، عبارت «حل مسئله» در تیترها اغلب به معنای «پیشرفت در حل مسئله» است.
- شبیه‌ساز و لوله آزمایش با دنیای واقعی تفاوت دارند. نبرد شبیه‌سازی‌شده اف۱۶ و پژوهش درباره هالیسین نشان می‌دهند که ایده‌ها در شرایط آزمایشی کار می‌کنند، اما هیچ‌یک هنوز به هواپیمایی با هدایت مستقل کامل یا درمانی قابل‌استفاده برای انسان تبدیل نشده‌اند.
پرسش‌های متداول
۱. آیا این سامانه‌ها مانند چت‌جی‌پی‌تی کار می‌کنند؟
خیر. آلفافولد، گراف‌کست و سامانه‌های مشابه، مدل‌های تخصصی هستند که با یک نوع مشخص از داده، مانند ساختار پروتئین‌ها، نقشه‌های آب‌وهوایی یا بلورها، آموزش دیده‌اند و توانایی گفت‌وگوی عمومی ندارند. در مقابل، چت‌بات‌هایی مانند چت‌جی‌پی‌تی و کلود مدل‌های عمومی هستند که سازوکار متفاوتی دارند و تنها در سال‌های اخیر همکاری با پژوهشگران را آغاز کرده‌اند.
۲. آیا می‌توان در یک پروژه پژوهشی به پیش‌بینی آلفافولد اعتماد کرد؟
بله، به شرط آنکه امتیاز اطمینان را بررسی کنید. نواحی دارای امتیاز pLDDT کمتر از ۵۰ باید غیرقابل‌اعتماد تلقی شوند. در مورد مجموعه‌های پروتئینی، اتصال داروها و پروتئین‌هایی که شکل خود را تغییر می‌دهند، تأیید آزمایشگاهی اهمیت دارد. پایگاه داده آلفافولد رایگان است و بهتر است پیش‌بینی‌های آن به‌عنوان فرضیه‌ای اولیه و بسیار ارزشمند در نظر گرفته شوند.
۳. آیا جایزه‌های نوبل دیگری نیز به هوش مصنوعی مرتبط هستند؟
بله، جایزه نوبل فیزیک سال ۲۰۲۴. این جایزه به جان هاپفیلد و جفری هینتون برای اکتشافاتی اعطا شد که امکان یادگیری ماشین با شبکه‌های عصبی را فراهم کردند. این جایزه یک روز پیش از اعلام نوبل شیمی مرتبط با آلفافولد اهدا شد. پس از آن نیز نامهای از ۱۶ برنده نوبل درباره هوش مصنوعی منتشر شد که چهار انتقاد اصلی را مطرح می‌کرد.
۴. آیا این سامانه‌های هوش مصنوعی جای پژوهشگران را می‌گیرند؟
در حال حاضر، خیر؛ نمونه‌های این فهرست نیز همین را نشان می‌دهند. آلفافولد در کنار میکروسکوپی الکترونی برودتی استفاده می‌شود، جی‌نوم به پژوهش‌های آزمایشگاه‌های مستقل و آزمایشگاه خودکار A-Lab نیاز دارد و هالیسین نیز با آزمایش روی موش‌ها ارزیابی شده است. در تمام این موارد، گروه‌های انسانی مسئله را انتخاب کرده‌اند و روش تأیید نتایج را طراحی کرده‌اند. بخش زمان‌بر کار همچنان بر عهده انسان‌ها بوده است.
۵. پس از این هشت دستاورد چه اتفاقی افتاده است؟
پیشرفت‌ها ادامه یافته‌اند. دیپ‌مایند فناوری پیش‌بینی آب‌وهوا را در قالب WeatherNext توسعه داده و آلفاایوالو در سال ۲۰۲۵ به پیشرفت تازه‌ای در ضرب ماتریس‌ها دست یافته است. در همین حال، مدل‌های عمومی هوش مصنوعی نیز به‌تدریج وارد آزمایشگاه‌های زیست‌شناسی و ریاضیات می‌شوند.
جمع‌بندی
مواردی که اعتبار آن‌ها بیشتر تثبیت شده است، ویژگی مشترکی دارند که صرفاً قدرت محاسباتی نیست: آن‌ها از آرشیوهای بزرگ و از پیش تأییدشده‌ای برای یادگیری بهره برده‌اند، مانند ساختارهای پروتئینی که طی دهه‌ها گردآوری شده‌اند یا داده‌های ۴۰ ساله آب‌وهوا؛ همچنین روشی روشن برای بررسی و تأیید نتایج در اختیار داشته‌اند. هر جا یکی از این دو عامل غایب بوده است، مانند طراحی تراشه‌ها و کشف بلورها، اختلاف‌نظرها سال‌ها ادامه یافته‌اند. عبارت تیترگونه «مسائلی که انسان‌ها هرگز نتوانستند حل کنند» به معنای دقیق کلمه درباره پروتئین‌ها مصداق دارد؛ مسئله‌ای که دهه‌ها حل‌نشده باقی مانده بود. درباره هفت مورد دیگر، توصیف منصفانه‌تر، پیشرفت قابل‌اندازه‌گیری است؛ پیشرفتی که بخشی از آن به‌خوبی تثبیت شده و بخشی دیگر هنوز زیر بررسی علمی قرار دارد. چنین ارزیابی‌ای، به‌جای تکیه بر شعارها، برای کسانی که می‌خواهند درباره آینده این فناوری‌ها تصمیم بگیرند، سودمندتر است.