در سال ۲۰۱۶، هیروآکی کیتانو، زیست‌شناس و مدیر اجرایی شرکت هوش مصنوعی سونی، محققان را به چالش کشید تا یک سیستم هوش مصنوعی را گسترش دهند که به قدری پیشرفته باشد که بتواند کشفی با لیاقت جایزه نوبل انجام دهد. کیتانو با نامیدن این چالش به گفتن چالش نوبل تورینگ، این تلاش را به گفتن چالش بزرگ هوش مصنوعی در علم معارفه کرد. یک ماشین در صورتی برنده می‌شود که بتواند به کشفی در سطح تحقیقات سطح بالای انسانی دست یابد.

به نقل از نیچر، این کاری نیست که مدل‌های جاری بتوانند انجام بدهند. اما چالش نوبل تورینگ تا سال ۲۰۵۰، یک سیستم هوش مصنوعی را پیش‌بینی می‌کند که بدون دخالت انسان، توانایی‌های تشکیل فرضیه، برنامه‌ریزی تجربی و تجزیه و تحلیل داده‌ها را ترکیب می‌کند تا به موفقیتی با لیاقت جایزه نوبل دست یابد.

امکان پذیر این اتفاق حتی تا سال ۲۰۵۰ طول نکشد. راس کینگ، محقق مهندسی شیمی در دانشگاه کمبریج انگلستان و یکی از برگزارکنندگان این چالش، فکر می‌کند که این چنین هوش مصنوعی دانشمندی امکان پذیر حتی سریعتر به مقام برنده جایزه برسد. او می‌گوید: فکر می‌کنم تقریبا قطعی است که سیستم‌های هوش مصنوعی به قدر کافی خوب خواهند شد تا جوایز نوبل را ببرند. سوال این است که آیا این کار ۵۰ سال طول خواهد کشید یا ۱۰ سال.

تعداد بسیاری از محققان نمی‌بینند که چطور سیستم‌های هوش مصنوعی جاری که برای تشکیل رشته‌هایی از کلمات و ایده‌ها بر پایه دانش حاضر بشر آموزش دیده‌اند، می‌توانند بینش‌های جدیدی اراعه دهند. دستیابی به این چنین دستاوردی امکان پذیر الزام تغییرات اساسی در نحوه گسترش هوش مصنوعی توسط محققان و نحوه تخصیص بودجه هوش مصنوعی باشد. یولاندا گیل، محقق هوش مصنوعی در دانشگاه کالیفرنیای جنوبی در لس‌آنجلس، می‌گوید: اگر فردا ناظر اندوخته‌گذاری یک میلیارد دلاری یک برنامه دولتی در تحقیقات بنیادی باشید، فکر می‌کنم پیشرفت زیاد سریع تر خواهد می بود.

اکتشافات با لیاقت جایزه

جوایز نوبل برای بزرگداشت افرادی تشکیل شده‌اند که «بیشترین سود را به بشریت رسانده‌اند»، همانطور که آلفرد نوبل، همنام این جایزه، در وصیت‌نامه خود نوشته است. بنگت نوردن، شیمیدان و رئیس اسبق کمیته نوبل شیمی، برای جوایز علمی سه معیار را در نظر می‌گیرد: یک کشف نوبل باید سودمند باشد، زیاد تاثیرگذار باشد و دریچه‌ای به سوی فهمیدن علمی زیاد تر بگشاید.

اگرچه اکنون فقط افراد زنده، سازمان‌ها و مؤسسات واجد شرایط دریافت جوایز می باشند، اما هوش مصنوعی پیش از این نیز با کمیته نوبل روبرو شده است. در سال ۲۰۲۴، جایزه نوبل فیزیک به پیشگامان یادگیری ماشینی که عرصه‌ساز شبکه‌های عصبی مصنوعی بودند، اهدا شد. در همان سال، نیمی از جایزه شیمی به محققان پشت هوش مصنوعی آلفافولد (AlphaFold)، از گوگل دیپ‌مایند (Google DeepMind) در لندن که ساختارهای سه‌بعدی پروتئین‌ها را از توالی اسید آمینه آنها پیش‌بینی می‌کند، اهدا شد. اما این جوایز برای قدم‌های علمی پشت سیستم‌های هوش مصنوعی می بود نه برای آنهایی که توسط هوش مصنوعی ساخته شده‌اند.

مطابق چالش نوبل تورینگ، برای این که یک دانشمند هوش مصنوعی بتواند ادعای کشف خود را داشته باشد، تحقیق باید کاملا یا تا حد بسیاری خودکار انجام شود. به حرف های گیل، دانشمند هوش مصنوعی باید از ابتدا تا انتها بر فرآیند علمی نظارت داشته باشد، در رابطه سؤالاتی که باید جواب داده شوند، آزمایش‌هایی که باید انجام شوند و داده‌هایی که باید تجزیه و تحلیل شوند، تصمیم‌گیری کند.

گیل می‌گوید که او قبلا ابزارهای هوش مصنوعی را دیده است که تقریبا در هر مرحله از فرآیند کشف به دانشمندان پشتیبانی می‌کنند که این حوزه را زیاد شوق‌انگیز می‌کند. محققان نشان داده‌اند که هوش مصنوعی می‌تواند به رمزگشایی گفتار حیوانات، فرضیه‌سازی در رابطه منشأ حیات در جهان و پیش‌بینی زمان برخورد احتمالی ستارگان مارپیچی پشتیبانی کند. می‌تواند طوفان‌های گرد و غبار کشنده را پیش‌بینی کند و به بهینه‌سازی مونتاژ رایانه‌های کوانتومی آینده پشتیبانی کند.

هوش مصنوعی این چنین اغاز به انجام آزمایش‌ها به تنهایی کرده است. گیب گومز، شیمیدان دانشگاه کارنگی ملون در پیتسبورگ، پنسیلوانیا و همکارانش سیستمی به نام Coscientist طراحی کرده‌اند که به مدل‌های زبانی بزرگ (LLM) متکی است تا عکس العمل‌های شیمیایی پیچیده را با منفعت گیری از تجهیزات آزمایشگاهی رباتیک برنامه‌ریزی و اجرا کند. گومز می‌گوید، یک نسخه انتشار نشده از Coscientist می‌تواند شیمی محاسباتی را با شدت قابل توجهی انجام دهد.

یکی از دانشجویان گومز وقتی شکایت داشت که نیم ساعت طول می‌کشد تا نرم‌افزار حالت گذار یک عکس العمل را محاسبه کند. او می‌گوید: این مشکل بیشتر از یک سال از زمان من را به گفتن دانشجوی کارشناسی ارشد گرفت.

شرکت ساکانا ای‌آی مستقر در توکیو از دوره‌های آموزش عالی با مسئولیت محدود (LLM) برای خودکارسازی تحقیقات یادگیری ماشینی منفعت گیری می‌کند. همزمان، محققان گوگل و دیگر شرکت‌ها در حال بازدید گروه‌ها برای تشکیل ایده‌های علمی می باشند.

زیاد تر دانشمندانی که از هوش مصنوعی منفعت گیری می‌کنند، به گفتن دستیار یا همکار به آن روی می‌آورند و زیاد تر برای ماموریت های خاص منصوب خواهد شد. سم رودریگز، مدیر اجرایی FutureHouse – یک آزمایشگاه تحقیقاتی در سانفرانسیسکو، کالیفرنیا، اغاز امسال از یک مدل زبانی بزرگ طراحی شده برای انجام ماموریت های شیمی رونمایی کرد. او می‌گوید: این اولین موج از سه موج هوش مصنوعی در علم است. این مدل و دیگر «مدل‌های استدلالی» یاد می‌گیرند که با منفعت گیری از یک فرآیند آزمون و اشتباه که شامل آموزش روی مثال‌های صحیح است، تفکر منطقی قدم به قدم را همانند‌سازی کنند.

مدل‌های حاضر، همکاران مفیدی می باشند که می‌توانند بر پایه داده‌ها، پیش‌بینی‌هایی انجام بدهند و انواع محاسبات دشوار را تسریع کنند. اما آنها حداقل در یک مرحله به وجود انسان در حلقه نیاز دارند.

پرورش یک دانشمند هوش مصنوعی که قادر به کشفی در حد نوبل باشد، نیازمند اندوخته‌گذاری زیاد تر در ابزارهای هوش مصنوعی با طیف گسترده‌تری از قابلیت‌ها، از جمله فرااستدلال است

رودریگز می‌گوید در مرحله سپس، هوش مصنوعی با جستجو در متون علمی و تجزیه و تحلیل داده‌ها، در گسترش و برسی فرضیه‌های خود بهتر خواهد شد. جیمز زو، دانشمند داده‌های زیست‌پزشکی در دانشگاه استنفورد در کالیفرنیا، اغاز به ورود به این حوزه کرده است. او و همکارانش به تازگی نشان داده‌اند که سیستمی که بر پایه مدل‌های زبانی ساخته شده است، می‌تواند داده‌های زیستی را جستجو کند تا بینش‌هایی را که محققان از دست خواهند داد، اشکار کند. به گفتن مثال، هنگامی یک مقاله انتشار شده و مجموعه‌ای از داده‌های توالی‌های آران‌ای مرتبط با آن به سیستم داده شد، این سیستم دریافت که سلول‌های ایمنی خاصی در افراد مبتلا به کووید-۱۹ فوت شده، زیاد تر متورم خواهد شد، ایده‌ای که توسط نویسندگان مقاله بازدید نشده می بود. زو می‌گوید این مشخص می کند که عامل هوش مصنوعی اغاز به یافتن چیزهای تازه به طور خودکار کرده است.

او این چنین در حال سازماندهی یک گردهمایی مجازی به نام Agents4Science در اواخر این ماه است که آن را اولین کنفرانس علمی اختصاصی هوش مصنوعی توصیف می‌کند. همه مقالات توسط عوامل هوش مصنوعی در کنار همکاران انسانی، نوشته و بازدید خواهند شد و این نشست یک روزه شامل سخنرانی‌هایی از انسان‌ها در رابطه آینده تحقیقات تشکیل شده توسط هوش مصنوعی خواهد می بود. زو می‌گوید امیدوار است که این نشست به محققان پشتیبانی کند تا برسی کنند که هوش مصنوعی چه مقدار در انجام و بازدید تحقیقات نوآورانه توانمند است.

زو می‌گوید چالش‌های شناخته‌شده‌ای برای این چنین کوششهایی وجود دارد، از جمله توهماتی که زیاد تر مدل‌های زبانی بزرگ را آزار می‌دهد. اما او می‌گوید این مسائل را می‌توان عمدتا با بازخورد انسانی رفع کرد.

رودریگز می‌گوید مرحله نهایی هوش مصنوعی در علم و آنچه FutureHouse به جستوجو آن است، مدل‌هایی است که می‌توانند سؤالات خود را بپرسند و آزمایش‌های خود را بدون نیاز به انسان طراحی و اجرا کنند. او این را اجتناب‌ناپذیر می‌داند و می‌گوید که هوش مصنوعی می‌تواند «حداکثر تا سال ۲۰۳۰» کشفی با لیاقت جایزه نوبل انجام دهد.

او می‌گوید امیدوارکننده‌ترین حوزه‌ها برای دستیابی به پیروزی چه توسط یک دانشمند هوش مصنوعی و چه غیر از آن در علم مواد یا درمان بیماری‌هایی همانند پارکینسون یا آلزایمر است، چون این حوزه‌ها چالش‌های بزرگ و نیازهای برآورده نشده‌ای دارند.

فکر کردن در رابطه فکر کردن

تعداد بسیاری از محققان نسبت به این چنین ادعاهایی محتاط می باشند و مانع ها زیاد بزرگ‌تری را می‌بینند. داگ داونی، محققی در مؤسسه هوش مصنوعی آلن در سیاتل، واشنگتن، می‌گوید که او و همکارانش دریافته‌اند که عوامل مدل‌های زبانی بزرگ آنها زمان تلاش برای تکمیل یک پروژه تحقیقاتی از ابتدا تا انتها، ناکامی می‌خورند. در یک مطالعه روی ۵۷ عامل هوش مصنوعی، این گروه دریافت که اگرچه این عوامل می‌توانند ماموریت های خاص مرتبط با علم را نزدیک به ۷۰ درصد اوقات به طور کامل انجام بدهند، اما این رقم زمان تلاش برای تشکیل ایده، برنامه‌ریزی و اجرای یک آزمایش و تجزیه و تحلیل داده‌ها برای یک گزارش کامل، تنها به یک درصد افت می‌یابد. داونی و دیگر نویسندگان می‌نویسند: کشف علمی خودکار از ابتدا تا انتها هم چنان یک چالش بزرگ است.

داونی می‌گوید اگرچه به نظر می‌رسد هوش مصنوعی پتانسیل بسیاری برای پیشرفت علم دارد، اما بدون محدودیت هم نیست. فکر می‌کنم اشکار نیست چه مقدار طول بکشد تا بر این محدودیت‌ها تسلط کنیم.

حتی هنگامی سیستم‌های هوش مصنوعی امروزی در یک زیرشاخه خاص پیش‌بینی‌های دقیقی انجام خواهند داد، لزوما اصول اساسی‌تر را یاد نمی‌گیرند. برای مثال، یک مطالعه تازه نشان داد که اگرچه یک مدل هوش مصنوعی می‌تواند نحوه چرخش یک سیاره به دور یک ستاره را پیش‌بینی کند، اما نمی‌تواند قوانین اساسی فیزیک حاکم بر این اجرام را همانند‌سازی کند. این یادگیری یک اصل علمی نبوده است، بلکه پیروی از نتایج آن اصل می بود. در مطالعه فرد دیگر، یک ابزار هوش مصنوعی با وجود یادگیری نحوه پیمایش در شهر موفق نشد نقشه دقیقی از خیابان‌های شهر نیویورک اراعه دهد.

سوبارائو کامبهامپاتی، دانشمند کامپیوتر در دانشگاه ایالتی آریزونا در تمپی، می‌گوید این چنین مشکلاتی مشخص می کند که چطور توانایی زیسته یک محقق انسانی برای تدوین اصول علمی پایه مهم است. در روبه رو، سیستم‌های هوش مصنوعی جهان را تنها به طور غیرمستقیم از طریق مجموعه داده‌هایی که به آنها داده می‌شود، توانایی می‌کنند. برخی از محققان در حال بازدید ادغام هوش مصنوعی و ربات‌ها می باشند که به این سیستم‌ها توانایی بیشتری در پیمایش جهان می‌دهد.

کامبهامپاتی می‌گوید فقدان توانایی در دنیای واقعی، مطرح سوال‌های تازه و خلاقانه و اراعه بینش‌های تازه در رابطه دنیای انسان‌ها را برای مدل‌های هوش مصنوعی دشوار می‌کند. او می‌گوید: من کاملا از ادعاهایی مبنی بر این که هوش مصنوعی می‌تواند علم را تسریع کند، حمایتمی‌کنم. اما این که بگوییم به دانشمندان انسانی نیازی نداریم و این ماشین فقط کشفی در حد نوبل انجام خواهد داد، چیزی بیشتر از یک بزرگنمایی به نظر نمی‌رسد.

از نظر گیل، پرورش یک دانشمند هوش مصنوعی که قادر به کشفی در حد نوبل باشد، نیازمند اندوخته‌گذاری زیاد تر در ابزارهای هوش مصنوعی با طیف گسترده‌تری از قابلیت‌ها، از جمله فرااستدلال است. محققان باید راه‌هایی برای القای توانایی برسی و تنظیم فرآیندهای استدلال خود به هوش مصنوعی یعنی تفکر در رابطه تفکر، اشکار کنند. این تحول می‌تواند مدل‌ها را قادر سازد تا انواع آزمایش‌هایی را که بهترین نتایج را به همراه دارند، برسی کنند و نظریه‌های علمی خود را بر پایه یافته‌های تازه اصلاح کنند.

گیل زمان‌ها است که روی تحقیقات بنیادی که می‌تواند این چنین توانمندیهایی را به هوش مصنوعی اعطا کند، کار می‌کند، اما او می‌گوید که مدل‌های زبانی بزرگ دقت را به خود جلب کرده‌اند. اگر این روال ادامه یابد، او انتظار دارد اکتشافات با لیاقت نوبل، چشم‌اندازی دور از دسترس باشند. گیل می‌گوید: نتایج شوق‌انگیز بسیاری وجود دارد که می‌توانید با تکنیک‌های هوش مصنوعی مولد به دست آورید. اما حوزه‌های زیاد فرد دیگر نیز وجود دارد که باید به آنها دقت شود.

کینگ موافق است که موانعی پیش رو وجود دارد. او می‌گوید مدل‌های زبانی بزرگ، دنیای بشر یا آنچه را که به آن پشتیبانی می‌کنند به خوبی فهمیدن نمی‌کنند. این سیستم حتی نمی‌داند کاری که انجام می‌دهد، علم است.

تعداد بسیاری از او گفت و گو‌ها در جلسات برگزار شده توسط چالش نوبل تورینگ بر روی پیشرفت‌هایی که هوش مصنوعی تا این مدت به آنها دست نیافته و چگونگی رسیدن به آنها متمرکز است. آیا یک دانشمند هوش مصنوعی باید به گفتن مثال، به اندازه یک انسان آگاه و سازگار باشد؟ آیا یک دانشمند هوش مصنوعی همانند یک دانشمند انسانی حرکت خواهد کرد یا مسیر اکتشاف متفاوت خواهد می بود؟ پیامدهای قانونی و اخلاقی اکتشاف خودکار هوش مصنوعی چیست؟ و چطور می‌توان جایزه‌ای برای دانشمندان هوش مصنوعی فراهم مالی کرد؟

دانستن این که هوش مصنوعی به چه دستاوردهایی می‌تواند برسد، امکان پذیر تنها با گذشت زمان حاصل شود. گیل می‌گوید: تنها راه برای رسیدن به این جواب‌ها، آزمایش آنهاست. همانند کاری که با هر فرضیه‌ای انجام می‌دهیم.

محققان دیگر این سوال را نقل می‌کنند که آیا جامعه علمی اصلا باید برای این چنین کشفی تلاش کند یا خیر. در مقاله‌ای در سال ۲۰۲۴، «لیزا مسری» انسان‌شناس دانشگاه ییل در نیوهیون، کنتیکت و «مولی کراکت» روانشناس دانشگاه پرینستون در نیوجرسی، استدلال می‌کنند که اتکای بیشتر از حد به هوش مصنوعی در علم، از قبل علتایجاد خطاهای بیشتری شده است. آنها این چنین خاطرنشان می‌کنند که هوش مصنوعی می‌تواند رویکردهای جانشین را کنار بزند و نوآوری را افت دهد، به طوری که دانشمندان اغاز به تشکیل زیاد تر اما فهمیدن کمتر کنند.

امکان پذیر کشف خودکار با معایب جدی برای علم و دانشمندان همراه باشد. مسری می‌گوید هوش مصنوعی وظایفی را انجام می‌دهد که زمان‌ها را برای دانشمندان جوان افت می‌دهد، افرادی که امکان پذیر هیچ زمان توانایی‌های ملزوم را برای کسب جوایز نوبل در آینده به دست نیاورند. او می‌گوید: با دقت به افت جاری بودجه‌های تحقیقاتی و دانشگاهی، ما در لحظه‌ای دلواپس‌کننده برای برسی مزایا و معایب این آینده هستیم.