جک کلارک از انتروپیک: هوش مصنوعی می‌تواند علم را متحول کند؛ دولت‌ها باید از هم‌اکنون آماده شوند
اخبار هوش مصنوعی | ۱۷ اکتبر ۲۰۲۶ | نویسنده: گیلبرت پاگایون
بلندپروازی‌های بزرگ‌تر در حوزه هوش مصنوعی
هوش مصنوعی به‌خوبی توانسته توجه عموم را به خود جلب کند، اما جک کلارک می‌خواهد سیاست‌گذاران فراتر از نمایش‌های چشمگیر چت‌بات‌های نسل جدید فکر کنند.
کلارک، هم‌بنیان‌گذار شرکت انتروپیک، روز ۱۷ اکتبر در نشست‌های صندوق بین‌المللی پول و بانک جهانی در بانکوک سخن گفت و هوش مصنوعی را ابزاری بالقوه برای سرعت بخشیدن به کشف‌های علمی دانست؛ در عین حال، بر ضرورت فوری ایجاد سازوکارهای حفاظتی و نظارتی تأکید کرد.
جذابیت این چشم‌انداز به‌سادگی قابل درک است.
پژوهش‌های بهتر در نهایت می‌توانند به تولید داروهای بهتر، مهندسی کارآمدتر و کشف‌هایی منجر شوند که صنایع کاملاً جدیدی را پدید می‌آورند.
همین ظرفیت‌ها توضیح می‌دهند که چرا گفت‌وگو درباره هوش مصنوعی در جمع سیاست‌گذاران اقتصادی اهمیت دارد.
علم تعیین می‌کند اقتصادها چه چیزهایی می‌توانند تولید کنند، جوامع قادر به حل چه مسائلی هستند و دستیابی به پیشرفت چقدر هزینه دارد.
اظهارات کلارک پرسشی را مطرح می‌کند که دامنه آن بسیار فراتر از سیلیکون‌ولی است: کشورها چگونه باید برای آینده‌ای آماده شوند که در آن ماشین‌ها می‌توانند به انسان‌ها کمک کنند سریع‌تر به کشف‌های تازه برسند؟
چرا کشف علمی بحث را تغییر می‌دهد؟
بخش بزرگی از بحث عمومی درباره هوش مصنوعی بر کارهای آشنای اداری متمرکز است.
آیا این فناوری می‌تواند ایمیلی بنویسد، جلسه‌ای را خلاصه کند یا صفحه‌گسترده‌ای را که انگار از یک زلزله کوچک جان سالم به در برده است، سر و سامان دهد؟
اما پژوهش علمی هدفی متفاوت و بلندپروازانه‌تر پیش روی ما می‌گذارد.
هوش مصنوعی به‌جای آنکه صرفاً به افراد در انتقال دانسته‌های موجود کمک کند، می‌تواند در بررسی پرسش‌هایی مشارکت داشته باشد که پاسخشان هنوز مشخص نیست.
برای درک تفاوت، خلاصه کردن یک آزمایش منتشرشده را با شناسایی الگویی نادیده‌گرفته‌شده که ارزش آزمودن دارد، مقایسه کنید.
کار نخست در زمان صرفه‌جویی می‌کند؛ کار دوم ممکن است مسیر یک پروژه پژوهشی کامل را تغییر دهد.
این ظرفیت، استفاده از هوش مصنوعی در علم را به حوزه‌ای جذاب تبدیل می‌کند؛ هرچند شناسایی یک مسیر امیدوارکننده فقط یکی از مراحل دستیابی به کشف علمی است.
پژوهشگران همچنان به شواهد قانع‌کننده، روش‌های مناسب و نتایجی نیاز دارند که از بررسی دقیق سربلند بیرون بیایند.
فرصت اصلی در این است که هوش مصنوعی کمک کند تعداد بیشتری از ایده‌های ارزشمند به این مرحله دشوار برسند.
یک ابزار تقویت‌کننده ظرفیت پژوهش چه شکلی می‌تواند داشته باشد؟
توصیف هوش مصنوعی به‌عنوان «دستیار پژوهش» شاید چندان بلندپروازانه به نظر نرسد، مگر آنکه حجم کارهای پشتیبانی لازم برای انجام پژوهش علمی را در نظر بگیریم.
یک پروژه ممکن است پیش از آنکه آزمایش به نتیجه مفیدی برسد، به مطالعه مقاله‌ها، پاک‌سازی مجموعه‌داده‌ها، نوشتن کدهای تحلیل، مقایسه روش‌ها و ثبت تصمیم‌های اتخاذشده نیاز داشته باشد.
برای نمونه، دانشمندی می‌تواند از ابزارهای هوش مصنوعی بخواهد چندین روش تحلیلی را بررسی کنند و هم‌زمان خودش روی امیدوارکننده‌ترین نتیجه تمرکز کند.
ابزار دیگری نیز ممکن است کمک کند مشخص شود آیا یک یافته ظاهری با تغییر فرض‌ها از بین می‌رود یا خیر.
این مثال‌ها کاربردهای احتمالی را توصیف می‌کنند و نباید آن‌ها را تصویری جامع از کارهایی دانست که سامانه‌های فعلی همواره و با اطمینان انجام می‌دهند.
جذابیت این روش در امکان انجام موازی کارهاست.
پژوهشگری که وقت محدودی دارد، می‌تواند گزینه‌های بیشتری را بررسی کند، بی‌آنکه شخصاً همه مراحل مقدماتی را اجرا کند.
با این حال، تولید پیشنهادهای بیشتر تنها زمانی مفید است که پژوهشگران بتوانند آن‌ها را به‌سرعت ارزیابی کنند.
در غیر این صورت، دستیار به منبعی بسیار مشتاق برای تحویل انبوه تکالیف تبدیل می‌شود؛ تکالیفی که هنوز کسی باید آن‌ها را بررسی کند.
نمونه‌ای از یک پروژه زیست‌شناسی در گذشته
استدلال انتروپیک درباره ظرفیت هوش مصنوعی در علم، پیشینه‌ای عینی نیز دارد؛ با این حال، باید آن سابقه را از اظهارات تازه کلارک جدا نگه داشت.
این شرکت در ماه سپتامبر از پروژه‌ای در حوزه زیست‌شناسی خبر داد که در آن از هوش مصنوعی برای بررسی یک سامانه آنزیمی استفاده شده بود که پیش‌تر مشخصه‌یابی نشده بود.
به گفته انتروپیک، کلود داده‌های دی‌ان‌ای را بررسی کرد و ویژگی‌های متمایزی را شناسایی کرد که با آنزیمی به نام رونوشت‌بردار معکوس مرتبط بودند؛ آنزیمی که آر‌ان‌ای را به دی‌ان‌ای تبدیل می‌کند.
این شرکت گفت سامانه مورد بررسی ویژگی‌هایی شبیه به ساختارهای مرتبط با کریسپر دارد.
نکته مهم این بود که انتروپیک هم‌زمان اعلام کرد عملکرد این سامانه هنوز مشخص نیست.
این تمایز کمک می‌کند اهمیت اعلام‌شده در چارچوب واقعی خود ارزیابی شود.
مشاهده یک ویژگی زیستی جالب می‌تواند دلیلی موجه برای ادامه بررسی باشد، اما به‌خودی‌خود وجود یک ابزار عملی ویرایش ژن یا یک درمان پزشکی را اثبات نمی‌کند.
این نمونه یکی از نقش‌های محتمل هوش مصنوعی را نشان می‌دهد: جلب توجه پژوهشگران به پدیده‌ای که ارزش بررسی دقیق‌تر دارد.
اهمیت علمی نهایی به آنچه پس از این مرحله رخ می‌دهد بستگی دارد.
کشف علمی همچنان به شواهد قابل پیگیری نیاز دارد
توضیحی که هوش مصنوعی تولید می‌کند ممکن است قانع‌کننده به نظر برسد، حتی اگر استدلال زیربنایی آن با بررسی دقیق فروبپاشد.
بنابراین، کار علمی به چیزی بیش از پاسخ‌های روان و نمودارهای چشم‌نواز نیاز دارد.
پژوهشگران باید بتوانند مسیر تحلیل را تا داده‌های اولیه دنبال کنند، کدها را بررسی کنند، از فرض‌های به‌کاررفته آگاه باشند و نتیجه را دوباره به دست آورند.
تصور کنید سامانه‌ای رابطه‌ای غیرمنتظره را در مجموعه‌داده‌ای بزرگ شناسایی کند.
تیم پژوهشی پیش از آنکه این یافته را موفقیتی بزرگ بداند، باید احتمال داده‌های گمشده، خطاهای اندازه‌گیری، نشت ناخواسته اطلاعات در داده‌ها و هم‌زمانی تصادفی را بررسی و رد کند.
این مرحله راستی‌آزمایی به زمان و تلاش نیاز دارد، اما همین فرایند است که به یافته معنا می‌بخشد.
یک فرایند پژوهشی کارآمد مبتنی بر هوش مصنوعی باید مراحل منتهی به نتیجه‌گیری را حفظ کند.
اگر دانشمند دیگری نتواند این مراحل را دنبال کند، ممکن است شتاب ظاهری کار هنگام داوری و بازبینی از بین برود.
بررسی سریع زمانی ارزشمند است که به شواهدی منجر شود که دیگران بتوانند آن‌ها را ارزیابی کنند و به آن‌ها اعتماد داشته باشند.
تصویر مستقل امیدوارکننده است، اما یکدست نیست
گزارش شاخص هوش مصنوعی ۲۰۲۶ دانشگاه استنفورد، تصویری گسترده‌تر از گسترش نقش هوش مصنوعی در علم ارائه می‌دهد.
بخش علمی این گزارش از انتشار حدود ۸۰٬۱۵۰ مقاله مرتبط با هوش مصنوعی در علوم طبیعی در سال ۲۰۲۵ خبر می‌دهد؛ رقمی که نسبت به سال پیش از آن ۲۶ درصد افزایش یافته است.
این آمار از حجم قابل‌توجه فعالیت پژوهشی حکایت دارد، اما تعداد مقاله‌ها به‌تنهایی نمی‌تواند کیفیت یا سودمندی این پژوهش‌ها را مشخص کند.
همین گزارش به ضعف‌های مهمی نیز اشاره می‌کند.
بر اساس گزارش، مدل‌ها در پاسخ‌گویی به پرسش‌های شیمی عملکرد قدرتمندی دارند، اما در بازتولید پژوهش‌ها و انجام وظایف علمی جامع‌تر با مشکل مواجه می‌شوند.
درس عملی این یافته‌ها به انتخاب مسئولیت مناسب برای هر سامانه مربوط است.
سامانه‌ای که می‌تواند به پرسش‌های دشوار پاسخ دهد، ممکن است همچنان در پیش بردن یک تحقیق از آغاز تا پایان ناتوان باشد.
دانشمندان به ارزیابی‌هایی نیاز دارند که به کاری شباهت داشته باشند که واقعاً قصد دارند به هوش مصنوعی واگذار کنند.
پاسخ‌گویی موفق به یک آزمون دشوار با عملکرد قابل‌اعتماد به‌عنوان همکار آزمایشگاهی، دو نوع توانایی متفاوت می‌طلبد.
وقتی پژوهش سریع‌تر با محدودیت‌های جهان فیزیکی روبه‌رو می‌شود
حتی کمک دیجیتال بسیار پیشرفته نیز نمی‌تواند همه موانع پیشرفت علمی را از میان بردارد.
یک تیم مهندسی ممکن است در مدت کوتاهی طرحی امیدوارکننده ارائه دهد، اما سپس ماه‌ها برای تهیه مواد اولیه، ساخت نمونه‌های اولیه و اندازه‌گیری عملکرد آن‌ها وقت صرف کند.
یک گروه زیست‌شناسی نیز ممکن است گزینه‌های آزمایشی خود را محدود کند، اما همچنان به تجهیزات، زمان آزمایشگاهی و تفسیر دقیق نتایج نیاز داشته باشد.
این مثال‌ها نشان می‌دهند که سرعت پژوهش به کل فرایند وابسته است، نه فقط به یک مرحله خاص.
سرعت بخشیدن به یک مرحله ممکن است صرفاً صف انتظار را به بخش دیگری منتقل کند.
این مسئله به معنای بی‌اهمیت بودن بهبود نیست؛ بلکه مشخص می‌کند سازمان‌ها باید در مرحله بعد روی چه چیزی سرمایه‌گذاری کنند.
اگر تحلیل داده‌ها سریع‌تر شود، ظرفیت انجام آزمایش‌ها ممکن است ارزش بیشتری پیدا کند.
اگر پژوهشگران ایده‌های بیشتری را بیازمایند، احتمالاً به سامانه‌های بهتری برای ثبت آزمایش‌های ناموفق و مقایسه نتایج نیاز خواهند داشت.
بزرگ‌ترین دستاوردها ممکن است از بازطراحی فرایندهای کاری بر اساس قابلیت‌های مفید هوش مصنوعی حاصل شوند، نه از افزودن یک چت‌بات به فرایندی که بدون تغییر باقی مانده است.
درک درست رقم ۴۴ تریلیون دلاری
رقم اقتصادی مطرح‌شده در ارتباط با اظهارات کلارک نیازمند بررسی دقیق است.
ابزار بررسی سناریوهای اقتصادی منتشرشده از سوی انتروپیک، یک وضعیت بسیار خوش‌بینانه را در بر می‌گیرد که در آن تولید ناخالص داخلی آمریکا در سال ۲۰۳۰، بر مبنای قیمت‌های سال ۲۰۲۵، به ۴۴٫۴ تریلیون دلار می‌رسد.
در این مدل، این رقم ۳۲٫۴ درصد بیشتر از تولید ناخالص داخلی متناظر در سناریویی است که در آن هوش مصنوعی وجود ندارد.
مقایسه این رقم با اقتصاد کوچک‌تر امروز، پرسش متفاوتی را پاسخ می‌دهد؛ بنابراین، نباید این دو مقایسه درصدی را معادل یکدیگر دانست.
این ابزار همچنین سناریوهای ملایم‌تر و قابل‌توجه دیگری را ارائه می‌کند که در آن‌ها اثر اقتصادی هوش مصنوعی کمتر است.
هدف این ابزار بررسی پیامدهای احتمالی فرض‌های متفاوت است.
این مدل ثابت نمی‌کند که بزرگ‌ترین نتیجه پیش‌بینی‌شده حتماً محقق خواهد شد.
بنابراین، بحث مفیدتر بر خود فرض‌ها متمرکز می‌شود: قابلیت‌های آینده، میزان پذیرش فناوری، خودمختاری سامانه‌ها، بهره‌وری و توانایی نیروی کار برای سازگاری با تغییرات.
یک عدد بزرگ توجه را جلب می‌کند، اما شناخت مبانی آن است که این توجه را به بحثی سودمند تبدیل می‌کند.
قابلیت فنی باید به استفاده مؤثر تبدیل شود
یک سامانه توانمند فرصت‌های تازه‌ای ایجاد می‌کند، اما سازمان‌ها همچنان باید این فرصت‌ها را به کاری قابل‌اتکا تبدیل کنند.
برای یک مؤسسه پژوهشی، به‌کارگیری این فناوری ممکن است به دسترسی امن به داده‌ها، نرم‌افزار مناسب، آموزش کارکنان و توافق درباره خروجی‌هایی نیاز داشته باشد که باید به تأیید متخصصان برسند.
همین مسائل عملی می‌توانند تعیین کنند که آیا یک نمایش چشمگیر فناوری به ابزاری روزمره تبدیل می‌شود یا خیر.
برای نمونه، یک گروه دانشگاهی فرضی را در نظر بگیرید که در حال ارزیابی کمک هوش مصنوعی به تحلیل داده‌هاست.
برای مقایسه درست، باید زمان آماده‌سازی ورودی‌ها، بررسی نتایج، اصلاح اشتباه‌ها و مستندسازی کار نهایی نیز محاسبه شود.
تولید سریع‌تر پیش‌نویس اولیه یک تحلیل ممکن است کمک چشمگیری باشد.
اما اگر راستی‌آزمایی نتیجه بسیار دشوارتر شود، این سرعت بیشتر ممکن است در عمل صرفه‌جویی چندانی ایجاد نکند.
سنجش کل فرایند کاری، مبنای مطمئن‌تری برای تصمیم‌گیری درباره گسترش استفاده از فناوری در اختیار مؤسسات قرار می‌دهد.
استفاده موفق از هوش مصنوعی باید انجام پژوهش باکیفیت را آسان‌تر کند و مزایای آن فراتر از یک نمایش آزمایشی قابل مشاهده باشد.
تولید خروجی بیشتر لزوماً به معنای علم بهتر نیست
هوش مصنوعی تولید متن، کد و توضیح‌های احتمالی را آسان‌تر می‌کند.
این قابلیت ممکن است پژوهشگران را وسوسه کند که پیشرفت را بر اساس حجم مطالب تولیدشده بسنجند.
خروجی بیشتر می‌تواند مفید باشد، اما ممکن است نتیجه مهم را نیز در میان انبوه مطالب پنهان کند.
تصور کنید صدها فرضیه پیشنهادی دریافت کرده‌اید، بی‌آنکه مشخص باشد کدام‌یک ارزش اختصاص دادن منابع آزمایشی را دارند.
در این شرایط، اولویت‌بندی به مسئله اصلی تبدیل می‌شود.
پژوهشگران در کنار ابزارهای تولید ایده، به سامانه‌هایی نیاز دارند که به ارزیابی ارتباط، میزان عدم‌قطعیت و امکان آزمودن فرضیه‌ها کمک کنند.
مؤسسات نیز باید مشوق‌هایی برای دستیابی به یافته‌های قابل‌اعتماد در نظر بگیرند.
در غیر این صورت، تولید سریع‌تر ممکن است بار کاری داوران و ارزیابان را افزایش دهد، بی‌آنکه دانش به همان نسبت رشد کند.
معیار معنادار، نتایجی است که از بررسی دقیق جان سالم به در می‌برند و به پیشبرد پژوهش‌های بعدی کمک می‌کنند.
فهرستی کوتاه‌تر از ایده‌های مستدل و دارای پشتوانه علمی ممکن است از پوشه‌ای عظیم از پیشنهادهای ظاهراً معقول که منتظر بررسی در آخر هفته‌اند، ارزش بیشتری داشته باشد.
نقش تخصص انسانی تغییر می‌کند
کمک هوش مصنوعی می‌تواند محل صرف وقت پژوهشگران را تغییر دهد.
برخی ممکن است ساعات کمتری را صرف کدنویسی‌های تکراری یا جست‌وجوهای مقدماتی در منابع علمی کنند و زمان بیشتری را به طراحی آزمایش، تفسیر نتایج و انتخاب پرسش‌های ارزشمند اختصاص دهند.
این یک مسیر احتمالی است، نه نتیجه‌ای تضمین‌شده برای همه رشته‌های علمی.
این تغییر همچنین چالشی در زمینه آموزش ایجاد می‌کند.
پژوهشگران تازه‌کار اغلب از طریق انجام همان کارهای پشتیبانی که مؤسسات ممکن است بخواهند خودکار کنند، قدرت قضاوت علمی را می‌آموزند.
اگر این وظایف تغییر کنند، استادان و سرپرستان پژوهش باید روش‌های دیگری برای آموزش مهارت‌های زیربنایی پیدا کنند.
دانشجو باید بداند چرا یک تحلیل درست عمل می‌کند، در چه شرایطی ممکن است شکست بخورد و چگونه می‌توان نتیجه آن را به چالش کشید.
کار با نرم‌افزار تنها بخشی از این آموزش است.
فرصت بلندمدت به پرورش افرادی بستگی دارد که بتوانند ابزارهای قدرتمند را هوشمندانه هدایت کنند و تشخیص دهند چه زمانی این ابزارها دچار خطا شده‌اند.
رشد اقتصادی با مسئله توزیع منافع روبه‌روست
ابزار سناریوهای اقتصادی انتروپیک همچنین روشن می‌کند که ثروتمندتر شدن اقتصاد می‌تواند پیامدهای دشواری برای نیروی کار داشته باشد.
در تحول‌آفرین‌ترین سناریوی این شرکت، رشد اقتصادی چشمگیر با بدتر شدن چشم‌انداز شغلی بسیاری از افراد شاغل در حرفه‌های دانش‌محور همراه است.
این موارد نتایج احتمالی مدل‌سازی‌شده‌اند، نه پیش‌بینی‌هایی قطعی و اثبات‌شده.
با این حال، چنین سناریوهایی ضعف نگاه به تولید ناخالص داخلی به‌عنوان معیار کامل موفقیت را آشکار می‌کنند.
خانوارها تغییرات اقتصادی را از طریق دستمزد، امنیت شغلی، قیمت‌ها و دسترسی به خدمات تجربه می‌کنند.
حتی رقم چشمگیر تولید ناخالص داخلی یک کشور نیز نمی‌تواند به همه پرسش‌ها درباره این تجربه‌ها پاسخ دهد.
این مسئله در بحث درباره علم مبتنی بر هوش مصنوعی اهمیت دارد، زیرا منافع نهایی آن ممکن است از مسیر ثبت اختراع‌ها، شرکت‌ها، نهادهای عمومی و نظام‌های سلامت به جامعه برسد.
اینکه چه کسی مالک یک کشف است و چه کسانی توان پرداخت هزینه استفاده از آن را دارند، می‌تواند ارزش اجتماعی آن را تعیین کند.
بنابراین، آمادگی اقتصادی فقط به افزایش بهره‌وری محدود نمی‌شود؛ تصمیم‌گیری درباره دسترسی و فرصت‌های برابر نیز بخشی از آن است.
مشارکت به چیزی بیش از خرید نرم‌افزار نیاز دارد
برای کشورهایی که در بازارهای بزرگ هوش مصنوعی قرار ندارند، فرصت‌های علمی این فناوری پرسش‌های عملی مهمی درباره امکان مشارکت ایجاد می‌کند.
آیا دانشگاه‌های محلی می‌توانند از این ابزارها برای بررسی مسائل مهم منطقه خود استفاده کنند؟
آیا پژوهشگران به دسترسی مقرون‌به‌صرفه، مجموعه‌داده‌های مناسب و توان محاسباتی کافی دسترسی خواهند داشت؟
برای فیلیپین، کشاورزی، آمادگی در برابر بلایای طبیعی، سلامت عمومی و پژوهش‌های ساحلی از جمله حوزه‌هایی هستند که می‌توانند مورد توجه قرار گیرند.
این موارد کاربردهای احتمالی‌اند و نباید آن‌ها را پروژه‌هایی دانست که کلارک در سخنرانی خود اعلام کرده است.
ارزش چنین کاربردهایی به تخصص محلی و شواهد موجود بستگی خواهد داشت.
ممکن است لازم باشد ابزاری که در کشور دیگری توسعه یافته است، پیش از آنکه پژوهشگران بتوانند به آن تکیه کنند، با شرایط محلی به‌دقت ارزیابی شود.
آموزش، مشارکت میان مؤسسات و زیرساخت پژوهشی مشترک می‌توانند به گروه‌های کوچک‌تر کمک کنند در این حوزه مشارکت داشته باشند.
هدف باید تقویت توانایی این گروه‌ها برای طرح و بررسی پرسش‌های مهم باشد، همراه با فراهم کردن منابعی که برای ارزیابی پاسخ‌ها نیاز دارند.
سازوکارهای حفاظتی باید در دل فرایند کار قرار بگیرند
کلارک خوش‌بینی خود را با درخواست برای نظارت و کنترل همراه کرد؛ به‌ویژه در حوزه‌هایی که قابلیت‌های علمی هوش مصنوعی ممکن است مورد سوءاستفاده قرار گیرند.
این نگرانی در داخل مؤسسات پژوهشی نیز جنبه‌ای عملی دارد.
گروه‌ها باید مسئولیت‌های مشخصی برای تأیید فعالیت‌های حساس، کنترل دسترسی و بررسی اقداماتی تعیین کنند که سامانه‌های خودکار اجازه انجام آن‌ها را دارند.
نظارت زمانی بیشترین اثربخشی را دارد که با خطر واقعی هر فعالیت متناسب باشد.
خلاصه کردن منابع علمی عمومی با آغاز یک فعالیت آزمایشگاهی دارای پیامدهای مهم، به سطح یکسانی از اختیار نیاز ندارد.
سازمان‌ها می‌توانند این تفاوت را از طریق تعیین مجوزها، ثبت سوابق و الزام به بازبینی در فرایندهای کاری خود اعمال کنند.
برنامه‌ریزی زودهنگام برای چنین ترتیباتی ممکن است استفاده مفید از این فناوری را نیز آسان‌تر کند.
پژوهشگران باید بدانند کدام فعالیت‌ها را می‌توانند مستقل انجام دهند و کدام موارد به بررسی و نظارت بیشتری نیاز دارند.
قواعد روشن، ضمن حفظ پاسخ‌گویی، ابهام را برای کاربران مسئول کاهش می‌دهند؛ به‌ویژه هنگامی که سامانه‌ها توانمندتر می‌شوند و مسئولیت‌های پیچیده‌تری بر عهده می‌گیرند.
چه چیزی پیشرفت معنادار را اثبات می‌کند؟
مرحله بعدی این بحث به شواهدی نیاز دارد که فراتر از سخنرانی‌های بلندپروازانه باشند.
از جمله شاخص‌های مفید می‌توان به کشف‌هایی اشاره کرد که به‌طور مستقل بازتولید شده‌اند، بهبودهای قابل‌اندازه‌گیری در کل فرایندهای پژوهشی و عملکرد قابل‌اعتماد در مؤسساتی با منابع متفاوت.
هزینه‌ها نیز اهمیت دارند.
سامانه‌ای که در زمان صرفه‌جویی می‌کند، اما به توان محاسباتی گران‌قیمت و اصلاح گسترده توسط متخصصان نیاز دارد، ممکن است مزایایی محدودتر از آنچه تیترها القا می‌کنند ارائه دهد.
پژوهشگران باید موارد شکست هوش مصنوعی را نیز گزارش کنند.
این گزارش‌ها به گروه‌های دیگر کمک می‌کنند اشتباه‌های گذشته را تکرار نکنند و مشخص می‌کنند کدام قابلیت‌ها هنوز به بهبود نیاز دارند.
سیاست‌گذاران نیز باید در کنار استفاده تجاری از فناوری، به دسترسی گسترده‌تر و منافع ملموس برای عموم توجه کنند.
قوی‌ترین شواهد به سود علم مبتنی بر هوش مصنوعی زمانی شکل می‌گیرند که نتایج آن قابل راستی‌آزمایی باشند و دیگران بتوانند از آن‌ها استفاده کنند و پژوهش‌های بعدی را بر پایه آن‌ها پیش ببرند.
به این ترتیب، یک امکان جذاب به عاملی قابل‌اتکا برای پیشرفت تبدیل می‌شود.
فرصتی علمی که باید با دقت پرورش یابد
اظهارات کلارک ایده‌ای مهم را پیش روی رهبران اقتصادی قرار می‌دهد: هوش مصنوعی می‌تواند ظرفیت کشف و نوآوری را افزایش دهد و آثار آن در نهایت بسیار فراتر از آزمایشگاه‌ها گسترش یابد.
بخش امیدوارکننده این چشم‌انداز، فراهم کردن فرصت بیشتر برای پژوهشگران است تا پرسش‌های دشوار را بررسی کنند.
بخش دشوار آن، تبدیل این فرصت به نتایجی قابل‌اعتماد و کاربردهایی است که به‌طور گسترده سودمند باشند.
دولت‌ها، دانشگاه‌ها، شرکت‌ها و دانشمندان هر یک وظایفی بر عهده دارند.
آن‌ها باید ابزارها را بهبود دهند، نیروی انسانی را آموزش دهند، ظرفیت انجام آزمایش‌ها را افزایش دهند و مشخص کنند که با افزایش توانایی سامانه‌ها، مسئولیت‌ها چگونه باید تعریف شوند.
هیچ سناریوی اقتصادی نمی‌تواند این وظایف را به‌جای آن‌ها انجام دهد.
با این حال، آماده‌سازی می‌تواند پیش از آنکه پیش‌بینی‌های بزرگ به نتیجه برسند، آغاز شود.
اگر هوش مصنوعی به پژوهشگران کمک کند ایده‌های بهتری را بیازمایند و دانش قابل‌اعتماد را با کارایی بیشتری تولید کنند، منافع آن می‌تواند چشمگیر باشد؛ منافعی که در این صورت، به‌جای تکیه بر تیترهای خیره‌کننده، بر شواهدی محکم‌تر استوار خواهند بود.