به گزارش ایمنا و به نقل از Nature، یکی از جدیدترین رویکردها در استفاده از هوش مصنوعی در پژوهشهای علمی، گردآوری تیمی از چتباتهای متخصص در قالب یک «لابراتوار مجازی» است که با هم تعامل میکنند و همچون یک گروه تحقیقاتی واقعی به بررسی موضوعات میپردازند.
تُماس مونتاین، پاتولوژیست دانشگاه استنفورد، به تازگی با یک سیستم به نام Virtual Lab کار کرده است؛ جایی که میتواند تیمی از شش هوش مصنوعی با تخصصهای مختلف همچون علوم اعصاب، داروشناسی عصبی و شیمی دارویی بسازد و به آنها وظیفه بدهد درباره درمانهای احتمالی آلزایمر بحث کنند، نتیجه این جلسه مجازی یک گفتگوی ۱۰ هزار کلمهای و دقیق بود.
ایده این سیستمها این است که با کمک گرفتن از تخصصهای مختلف مجازی، بتوان فرضیهها را سریعتر پرورش داد و به تولید ایدههای نوآورانه کمک کرد. گروههایی در گوگل، استنفورد و چین مشغول توسعه این نوع همکاران هوشمند علمی هستند.
یکی از مزیتهای تیمهای هوش مصنوعی این است که برخلاف انسانها خسته نمیشوند و دانششان بر اساس حجم عظیمی از دادهها و مطالعات بروز شده است، به عنوان نمونه سیستم گوگل، شش نقش تخصصی شامل ایدهپردازی، نقد، توسعه ایدهها، کاهش تکرار، رتبهبندی و بررسی نهایی را به طور خودکار بین عوامل تقسیم میکند و گزارشهای بلند و مفصلی تحویل میدهد.
البته این مدلها گاهی دچار خطا یا «هذیانگویی» میشوند، اما وجود نقشهایی همچون منتقد موجب پالایش و حذف پاسخهای بیمعنی میشود. همچنین، این خطاها گاهی به خلاقیت کمک میکنند و ایدههای نو را به وجود میآورند.
یکی از پژوهشگران پزشکی استنفورد، گری پلتز، که از این سیستم گوگل برای یافتن داروهای درمان فیبروز کبد استفاده کرده، میگوید: «وقتی گزارش هوش مصنوعی را خواندم، مثل کسی که از صندلی بیفتد شگفتزده شدم.» این سیستم داروهای جدیدی را پیشنهاد داد که چند ماه بعد در آزمایشهای آزمایشگاهی موفق بودند، در حالی که داروهای او موفق نبودند، با این حال برخی دانشمندان دیگر معتقدند پیشنهادهای این هوش مصنوعی زیاد نوآورانه نیستند و بیشتر شبیه عقل سلیم به نظر میرسند.
کار با این تیمهای مجازی حس گفتگو با انسانهای واقعی را ندارد؛ «صحبتها بهطورمعمول خشک، رسمی و فهرستوار است، بدون شوخی یا بحثهای غیررسمی که در تحقیقات واقعی رخ میدهد.» یکی از کاربران میگوید شاید این سیستم برای دانشجویان دکترا که نیاز به راهنمایی دارند مفید باشد، اما هنوز به جایگزینی کامل پژوهشگر انسانی نمیرسد.
همزمان، برخی محققان تأکید میکنند برای استفاده مؤثر از این ابزارها باید تخصص کافی داشته باشید تا خطاهای احتمالی را تشخیص دهید و مسیر را گم نکنید.
اما نکته جالب این است که این سیستمها گاهی نکات مهم و بینشهایی را مطرح میکنند که حتی همکاران انسانی به آنها فکر نکردهاند؛ مثلاً پیشنهاد دادند که در پژوهشهای مربوط به بیماران، بهتر است از خود بیماران سوال شود که اولویتهای پژوهشیشان چیست، پیشنهادی که موجب بازنگری و تأمل عمیق در یک پژوهشگر شد.
تیمهای هوش مصنوعی مجازی به عنوان همکاران پژوهشی، میتوانند سرعت و دقت کارهای تحقیقاتی را افزایش دهند، اما هنوز به کیفیت تعامل و خلاقیت یک گروه انسانی نمیرسند. به نظر میرسد در آینده نزدیک این فناوریها مکمل ارزشمندی برای دانشمندان خواهند بود و شاید راهحلی برای کمبود نیروی متخصص یا زمان در پژوهشهای پیچیده. اما همانطور که کاربران باتجربه میگویند، هوش مصنوعی هنوز هم نیازمند راهنمایی و نقد دقیق محققان واقعی است تا خطاها و جهتگیریهای اشتباه را تصحیح کند.
نظر شما