تصور کنید آزمایشگاهی را که پژوهشگر اصلی هرگز نمی‌خوابد، هرگز دست از بازبینی فرضیه‌ها برنمی‌دارد و بخش روش‌ها را خودش می‌نویسد. این به نظر فیلم علمی تخیلی می‌آید، اما یک استارتاپ ژاپنی به نام ساکانا اِی‌آی سیستمی ساخته که به‌طرز چشمگیری به این سناریو نزدیک می‌شود.
معرفی‌شده در سال ۲۰۲۵، «ای‌آی ساینتیست نسخهٔ ۲» یک موتور پژوهشی خودگردان است که برای مسائل یادگیری ماشین طراحی شده است. به آن یک موضوع کلی بدهید و آن فرضیه پیشنهاد می‌دهد، آزمایش طراحی می‌کند، کد تولید و اجرا می‌کند، نتایج را تحلیل می‌کند، نمودارها می‌سازد و یک مقاله در قالب آکادمیک متداول آماده می‌کند. در یک آزمون زنده، ساکانا سه دست‌نوشته کاملاً تولیدشده توسط ماشین را به یک کارگاه در آی‌سی‌ال‌آر ۲۰۲۵ ارسال کرد؛ یکی از آن‌ها میانگین امتیاز داوران ۶.۳۳ از ۱۰ را کسب کرد که بالاتر از آستانهٔ معمول کارگاه بود و پس از آن با توافق قبلی از انتشار کنار گذاشته شد.
این همه را چگونه انجام می‌دهد؟ سیستم کار را با یک پرامپت کلی آغاز می‌کند و چندین ایدهٔ کاندید تولید می‌کند. به‌جای دنبال‌کردن یک مسیر منفرد، «ای‌آی ساینتیست نسخهٔ ۲» از رویکرد جستجوی درختی استفاده می‌کند: شاخه‌ها رشد می‌کنند، برخی هرس می‌شوند و برخی دنبال می‌شوند. عامل نظارتی تعیین می‌کند کدام آزمایش‌ها شایستهٔ تخصیص محاسبات بیشتر هستند و کدام باید رها شوند. نتیجه یک فرآیند خطی آزمون و خطا نیست، بلکه کاوشی شاخه‌دار است که شبیه چرخش‌های یک پژوهشگر کنجکاو هنگام شکست یک آزمایش است.
این رفتار شاخه‌ای اهمیت دارد. اگر یک آزمایش اولیه نتایج ناامیدکننده‌ای نشان دهد، سیستم از شکست صرف عبور نمی‌کند. مسیرها را عوض می‌کند، پروتکل‌ها را تغییر می‌دهد یا فرضیهٔ جدیدی را آزمایش می‌کند. حلقه‌های کوتاه پیشرفت، چرخش‌های ناگهانی و بن‌بست‌های گاه‌به‌گاه، این‌ها در موتور تعبیه شده‌اند. آن اسکریپت‌های لازم را می‌نویسد، آن‌ها را اجرا می‌کند، داده‌ها را بررسی می‌کند و نتایج را به تصویرسازی و روایت تبدیل می‌کند. کل چرخه، از ابتدا تا انتها، می‌تواند خودکار شود.
برای آزمون آی‌سی‌ال‌آر، برگزارکنندگان مطلع شده بودند که بعضی از ارسال‌های کارگاه ممکن است تولیدشده توسط ماشین باشند، اما نمی‌دانستند کدام‌ها. مقالهٔ پذیرفته‌شدهٔ نوشته‌شده توسط ماشین بر تکنیک‌هایی برای بهبود تعمیم در شبکه‌های عصبی متمرکز بود. اگرچه داوران کارگاه به آن امتیازی بالاتر از حد معمول دادند، مقاله برای انتشار کامل در کنفرانس برداشته نشد؛ نویسندگان و میزبانان پیش از این توافق کرده بودند که اقلام پذیرفته‌شده را برای این آزمایش عقب‌نشینی کنند.
با این حال، آن موفقیت نسبتاً کوچک کنار محدودیت‌های روشن قرار دارد. تنها یکی از سه ارسال به آستانهٔ پذیرش رسید. خود پژوهشگران ساکانا هیچ‌یک از مقالات را برای کنفرانس اصلی آماده ندانستند. و نسخهٔ ۲ یک ارتقای بی‌چون و چرا نسبت به نسخهٔ قبلی نیست: وقتی مسائل به‌طور دقیق تعریف شده و قالب‌ها وجود دارند، نسخهٔ قدیمی گاهی عملکرد بهتری دارد. سیستم جدید برای کاوش مسائل باز طراحی شده است، و همراه با کاوش، نرخ شکست بالاتری می‌آید.
خطرات عملی تصویر را پیچیده‌تر می‌کنند. وقتی یک هوش مصنوعی به‌طور خودکار کدنویسی و اجرای کد را انجام می‌دهد، ممکن است فرمان‌های ناخواسته را فراخوانی کند یا خطرات امنیتی ایجاد کند. به همین دلیل تیم توصیه می‌کند آزمایش‌ها در داخل کانتینرهای ایزوله‌شده مانند داکر اجرا شوند. «ای‌آی ساینتیست نسخهٔ ۲» متن‌باز در گیت‌هاب است، اما به سخت‌افزار قابل‌توجهی نیاز دارد، واحدهای پردازش گرافیکی انویدیا و دسترسی به مدل‌های بزرگ زبانی، بنابراین هنوز چیزی نیست که اکثر آزمایشگاه‌ها بتوانند در یک عصر فراغت مستقر کنند.
اتوماتیک‌سازی طراحی آزمایش و پیش‌نویس مقاله یک نقطهٔ عطف فنی چشمگیر است، اما جایگزینی برای علم قابل‌تکرار و بازبینی‌شده توسط همتایان نیست.
پس نتیجه چه می‌شود؟ هوش مصنوعی اکنون می‌تواند فراتر از جستجوی ادبیات و نوشتن پیش‌نویس کمک کند؛ می‌تواند با کمترین ورودی انسانی ایده‌ها را پیشنهاد و آزمایش کند. با این حال، تولید خودکار و کشف قابل‌اعتماد دو چیز متفاوت‌اند. قابلیت تکرار، تخصص حوزه و بازبینی منتقدانه توسط همتایان همچنان ستون‌های پژوهش قابل‌اعتماد باقی می‌مانند، مهم نیست الگوریتم چقدر هوشمند باشد. آنچه بعداً اهمیت خواهد داشت، نحوهٔ همکاری دانشمندان انسانی و این سیستم‌ها است و اینکه آیا این شراکت می‌تواند معیارهای علم معتبر را ارتقا دهد.
نظر بگذارید
نظرات
هنوز نظری ثبت نشده. اولین نفر باشید.