انجام آزمایش‌های علمی با «دانشمند هوش مصنوعی»/ فرآیند تحقیقات خودکار می‌شود
به گزارش خبرگزاری علم و فناوری آنا به نقل از یورونیوز، محققان در «ساکانا.ای آی»، یک شرکت مستقر در توکیو، بر روی توسعه یک مدل زبان بزرگ (LLM) کار کرده‌اند که به طور خاص برای تحقیقات علمی طراحی شده و ممکن است بتواند کل فرآیند تحقیقات علمی را خودکار کند.
این مدل که «دانشمند هوش مصنوعی» نام دارد می‌تواند مشکل را شناسایی کند، فرضیه‌ها را توسعه دهد، ایده‌ها را پیاده سازی کند، آزمایش‌ها را اجرا کند، نتایج را تحلیل کند و گزارش بنویسد.
محققان همچنین یک مدل زبان ثانویه را برای بررسی و ارزیابی کیفیت این گزارش‌ها و تایید یافته‌ها در نظر گرفتند.
رابرت لنگ، دانشمند تحقیقاتی و عضو موسس ساکانا.ای آی، گفت: ما به نوعی این را نوعی لحظه «جی‌پی‌تی-۱» (GPT - ۱) برای کشف علمی مولد می‌دانیم که همانند مراحل اولیه هوش مصنوعی در زمینه‌های دیگر، پتانسیل آن در علم در حال تحقق است.
ادغام هوش مصنوعی در تحقیقات علمی
ادغام هوش مصنوعی در علم به دلیل پیچیدگی‌های این حوزه و مسائل جاری با این ابزارها، مانند توهمات و سوالاتی در مورد مالکیت، با محدودیت‌هایی مواجه شده است. با این حال، نفوذ آن در علم ممکن است گسترده‌تر از آن چیزی باشد که بسیاری تصور می‌کنند.
اوایل سال جاری میلادی، مطالعه‌ای که الگو‌های نوشتاری و استفاده از کلمات خاص در مقالات دانشگاهی را پس از انتشار چت بات هوش مصنوعی معروفی به نام چت جی پی تی مورد تجزیه و تحلیل قرار داد، تخمین زد که حدود ۶۰ هزار مقاله تحقیقاتی ممکن است با استفاده از ابزار‌های هوش مصنوعی را تقویت یا بهبود ببخشد.
{$sepehr_key_1779}
اگرچه استفاده از هوش مصنوعی در تحقیقات علمی می‌تواند برخی نگرانی‌های اخلاقی را به همراه داشته باشد، اما زمانی که به درستی انجام شود، می‌تواند فرصتی برای پیشرفت‌های جدید در این زمینه باشد. کمیسیون اروپا می‌گوید که هوش مصنوعی می‌تواند به عنوان «کاتالیزوری برای پیشرفت‌های علمی و ابزاری کلیدی در فرآیند علمی» عمل کند.
پروژه دانشمند هوش مصنوعی هنوز در مراحل اولیه خود قرار دارد و محققان ماه گذشته مقاله‌ای را به صورت پیش چاپ منتشر کردند که نشان می‌دهد این سیستم دارای محدودیت‌های قابل توجهی است.
برخی از ایرادات، همانطور که توسط محققان توضیح داده شده است، شامل اجرای نادرست ایده‌ها، مقایسه ناعادلانه با شاخص‌‍‌ها و خطا‌های مهم در نوشتن و ارزیابی نتایج است.
با این حال، لنگ این مسائل را به عنوان پله‌های حیاتی می‌بیند و انتظار دارد که مدل هوش مصنوعی با منابع و زمان بیشتر به طور قابل توجهی بهبود یابد.
لنگ گفت: وقتی به تاریخچه مدل‌های یادگیری ماشینی فکر می‌کنید، مانند مدل‌های تولید تصویر، ربات‌های چت در حال حاضر، همچنین مدل‌های متن به ویدیو، اغلب با برخی نقص‌ها و شاید برخی تصاویر تولید شده شروع می‌شوند که از نظر بصری چندان خوشایند نیستند.اما با گذشت زمان، همانطور که ما منابع جمعی بیشتری را به عنوان یک جامعه اختصاص می‌دهیم، آنها بسیار قدرتمندتر و بسیار توانمندتر می‌شوند.
ابزاری برای حمایت از دانشمندان، نه جایگزینی آنها
«دانشمند هوش مصنوعی» در هنگام آزمایش، گاهی با نشان دادن رفتار‌هایی که اعمال محققان انسانی مانند برداشتن گام‌های غیر منتظره اضافی برای اطمینان از موفقیت را تقلید می‌کنند، درجه‌ای از خودمختاری را به نمایش می‌گذارد.
به عنوان مثال، به جای بهینه سازی کد خود برای اجرای سریع‌تر در زمانی که یک آزمایش بیش از حد انتظار طول کشید، سعی کرد تنظیمات خود را برای تمدید محدودیت زمانی تغییر دهد.
با این حال، سازندگان آن می‌گویند که دانشمند هوش مصنوعی قرار نیست جایگزین محققان انسانی شود، بلکه قرار است کار آنها را تکمیل کند.
لانگ گفت: با توسعه از ابزار‌های هوش مصنوعی، ما امیدواریم که آنها به طور کامل جایگزین انسان‌ها نشوند، بلکه این امکان را برای انسان‌ها فراهم کنند تا در سطح انتزاعی که واقعا در آن عالی هستند، کار کنند.
او همچنین توضیح داد که باتوجه به محدودیت‌های فعلی مدل‌های هوش مصنوعی، تایید انسانی هنوز هم برای اطمینان از صحت و اعتبار تحقیقات تولید شده توسط هوش مصنوعی مهم است. او گفت که آنها همچنین در حوزه‌هایی مانند بررسی همتا و تعیین جهت‌های تحقیقاتی ضروری باقی خواهند ماند.
انتهای پیام/