به گزارش پایگاه اطلاع رسانی بنیان، اخیرا استفاده از هوش مصنوعی در پزشکی توجه عموم را به خود جلب کرد، زیرا بر سرفصل‌های خبری تسلط یافت و بحث‌های شدیدی در مورد وعده و خطر هوش مصنوعی پزشکی به راه انداخت. زیرا در حال حاضر هوش مصنوعی قادر است، روش دانشمندان را برای کشف و طراحی داروها تغییر ‌دهد. این علم حتب قادر است پیش‌بینی ‌کند که چگونه مولکول‌ها با سرعت و دقتی که قبلاً دیده نشده بود، برهم‌کنش می‌کنند و چگونه پروتئین‌ها تا می‌شوند. حتی ممکن است روزی، هوش مصنوعی به طور معمول برای حفاظت از عملکرد راکتورهای هسته‌ای مورد استفاده قرار گیرد. بر اساس تفسیری در Nature که توسط مارینکا زیتنیک، استادیار انفورماتیک زیست پزشکی در دانشکده پزشکی هاروارد نوشته شده است، اینها تنها تعدادی از کاربردهای هیجان‌انگیز هوش مصنوعی در علوم طبیعی هستند که در آن Zitnik تیمی از نویسندگان-محققان را از 36 آزمایشگاه دانشگاهی و صنعتی از سراسر جهان رهبری کرد.

نقش رو به رشد هوش مصنوعی در علم و اکتشاف

زیتنیک، که همچنین یکی از اعضای هیئت علمی موسسه Kempner برای مطالعه هوش طبیعی و مصنوعی در دانشگاه هاروارد است، در مورد نقش رو به رشد هوش مصنوعی در علم و اکتشاف بحث کرد و گفت، هوش مصنوعی (AI) به طور فزاینده‌ای در اکتشافات علمی برای تقویت و تسریع تحقیقات ادغام می‌شود و به دانشمندان در ایجاد فرضیه‌ها، طراحی آزمایش‌ها، جمع آوری و تفسیر مجموعه داده‌های بزرگ و به دست آوردن بینشی که ممکن است تنها با استفاده از روش‌های علمی سنتی امکان پذیر نباشد، کمک می‌کند. ما با اخبار و تفسیرهایی در مورد استفاده از هوش مصنوعی در پزشکی غرق شده‌ایم، اما در مورد هوش مصنوعی در علم و اکتشاف فراتر از پزشکی چیز زیادی نمی‌شنویم. چرا اینطور است؟ فکر می‌کنم به این دلیل است که تحقق فرصت گسترده‌ای که هوش مصنوعی برای علوم زیستی و علوم طبیعی به طور گسترده‌تر نشان می‌دهد هنوز اتفاق نیفتاده است. عمل علم ممکن است در رشته‌های مختلف متفاوت باشد، اما روش علمی که به ما کمک می‌کند جهان طبیعی را توضیح دهیم، یک اصل جهانی و اساسی در همه رشته‌ها است. روش علمی از قرن هفدهم وجود داشته است، اما تکنیک‌های مورد استفاده برای تولید فرضیه، جمع‌آوری داده‌ها، انجام آزمایش‌ها و جمع‌آوری اندازه‌گیری‌ها اکنون می‌توانند از طریق استفاده متفکرانه و مسئولانه از هوش مصنوعی تقویت و تسریع شوند.

بیشترین تاثیر هوش مصنوعی در اکتشافات علمی

اکتشافاتی که با استفاده ترکیبی از تخصص انسانی و هوش مصنوعی انجام شده است، زندگی روزمره ما را تحت تاثیر قرار می دهد. هوش مصنوعی برای سنتز داروهای جدید استفاده می‌شود. برای طراحی مواد جدید با خواصی که آنها را محکم و سفت می‌کند برای پشتیبانی از ساخت پل‌ها و ساختمان‌ها استفاده می‌شود. الگوریتم‌های هوش مصنوعی برای ارائه بازخورد بلادرنگ و کنترل بالن‌های استراتوسفر برای پیش بینی آب و هوا استفاده شده است. در فیزیک، که می‌تواند بسیار دور از زندگی روزمره به نظر برسد، الگوریتم‌های هوش مصنوعی اخیراً توسعه‌یافته برای کنترل یک شبیه‌ساز توکامک - یک راکتور همجوشی هسته‌ای در حال توسعه - مورد استفاده قرار گرفتند تا عملیات ایمن آن کمتر به شهود و تجربه انسان وابسته باشد.

هیجان اصلی هوش مصنوعی در دراز مدت

من در مورد پتانسیل هوش مصنوعی بسیار هیجان زده هستم که نه تنها به درک علمی کمک می‌کند، بلکه به طور مستقل آن را برای تولید دانش به تنهایی به دست می‌آورد. همچنین نشان داده شده است که مدل‌های هوش مصنوعی می‌توانند مفاهیم پیچیده علمی، مانند جدول تناوبی عناصر، را بدون هیچ راهنمایی از ادبیات دریافت کنند. ظرفیت توسعه این دانش مستقل می‌تواند اکتشافات آینده را که در انتشارات گذشته گنجانده شده اند هدایت کند. به عنوان مثال، این علم می‌تواند کشف یک مولکول برای درمان بیماری آلزایمر باشد. چنین کشفی مستلزم شناسایی روابط غیرمستقیم بین نشریات و رشته‌های مختلف (شیمی، زیست‌شناسی، پزشکی) است که ویژگی‌های شیمیایی مولکول‌ها را به رفتار بیولوژیکی مسیرهای مولکولی دخیل در بیماری آلزایمر و سپس فنوتیپ‌های بالینی و علائم بیماران مرتبط می‌کند.

ایجاد یک فرضیه جدید با اتصال رشته‌های مختلف

اتصال همه این رشته‌ها و انتشارات برای شناسایی اصول مشترک و ایجاد یک فرضیه جدید برای یک انسان غیرممکن است. "کمک خلبانان" هوش مصنوعی می‌توانند نه تنها نشریات علمی، بلکه داده‌های تحقیقاتی خام، تصاویر و داده‌های آزمایشگاهی آزمایشی را نیز بخوانند و سپس دانش نهفته را استخراج کرده و آن را به عنوان فرضیه‌ای برای ارزیابی توسط متخصصان انسانی ارائه کنند. این امر مستلزم مدل‌های هوش مصنوعی برای فرمول‌بندی فرضیه‌هایی است که نه نوشته شده‌اند و نه مستقیماً در ادبیات علمی موجود پیشنهاد شده‌اند. اینها چالش‌هایی است که بیشتر وقت یک دانشمند را می‌گیرد و اغلب دانشمندان بسیار خوب را از دانشمندان استثنایی متمایز می‌کند. ما امیدواریم که در آینده دانشمندان زمان کمتری را صرف انجام کارهای معمول آزمایشگاهی کنند و زمان بیشتری را برای هدایت، دسترسی و ارزیابی فرضیه‌های هوش مصنوعی و هدایت مدل‌های هوش مصنوعی به سمت سؤالات تحقیقاتی مورد علاقه خود صرف کنند.

طراحی، کشف و ارزیابی مبتنی بر هوش مصنوعی

امکان هیجان انگیز دیگر ایده طراحی، کشف و ارزیابی مبتنی بر هوش مصنوعی انسان است. در این روش می‌توان گردش‌های کاری معمول علمی را خودکار کرد و آزمایش‌های واقعی در دنیای فیزیکی را با مدل‌های هوش مصنوعی مجازی و روباتیک ترکیب کرد. این به ما امکان می‌دهد تا از پیش‌بینی‌ها و انجام آزمایش‌ها به شیوه‌ای با توان بالا استفاده کنیم. آزمایشگاه‌های خودران ایجاد می‌کند که برخی از آزمایش‌ها مستقیماً با پیش‌بینی‌ها و خروجی‌های مدل‌های هوش مصنوعی هدایت می‌شوند.

چالش‌های مربوط به هوش مصنوعی

یک چالش به ملاحظات عملی مربوط می‌شود. پیاده سازی و ادغام یک مدل با تجهیزات آزمایشگاهی به کار زیاد و مهندسی نرم افزار و سخت افزار پیچیده، پردازش داده‌ها و رابط‌های کاربری بهتر نیاز دارد. در حال حاضر، تغییرات جزئی در نرم افزار و سخت افزار می‌تواند منجر به تغییرات قابل توجهی در عملکرد هوش مصنوعی شود. بنابراین، جفت کردن ابزارهای مجازی هوش مصنوعی با دستگاه های فیزیکی واقعی که می‌توانند در دنیای واقعی کار کنند، خطرناک می‌شود. داده‌ها و مدل‌ها باید استاندارد شوند. در نهایت، اگر به درستی انجام شود، انتظار داریم که شاهد ظهور آزمایشگاه‌های خودران و موتورهای اکتشاف نیمه خودمختار باشیم. چالش دیگر به مبانی یادگیری ماشین مربوط می‌شود. در کارهایی که الگوریتم‌ها در حال حاضر می‌توانند انجام دهند، در مقایسه با آنچه که ما به آنها نیاز داریم تا به شیوه‌ای روتین از آنها استفاده کنیم، شکاف‌هایی وجود دارد. داده‌های علمی چندوجهی هستند، مانند سیاهچاله‌ها در کیهان شناسی، زبان طبیعی در ادبیات علمی، توالی‌های بیولوژیکی مانند اسیدهای آمینه، و ساختارهای مولکولی و اتمی سه بعدی. ادغام این داده‌ها چالش برانگیز است اما ضروری است، زیرا نگاه کردن به هر مجموعه داده به صورت مجزا نمی‌تواند دیدگاهی جامع از مشکل ارائه دهد.

چالش تولید ساختارهایی با خواص دارویی

چالش مهم دیگر این است که اکثر مدل‌های هوش مصنوعی امروزه همچنان به عنوان جعبه سیاه عمل می‌کنند. این بدان معنی است که دانشمندان، کاربران، نمی‌توانند به طور کامل نحوه عملکرد این مدل‌ها را درک یا توضیح دهند. این یک چالش است زیرا درک علمی در قلب پیشرفت علم قرار دارد. چگونه می‌توان مدل‌های یادگیری عمیق تر و شفاف تر ایجاد کرد؟ این مبهم باقی می‌ماند. استفاده نادرست و سوء استفاده از هوش مصنوعی یک چالش دیگر است. الگوریتم‌ها را می توان برای یک هدف توسعه داد اما برای هدف دیگر استفاده کرد. این می‌تواند آسیب پذیری‌هایی در برابر دستکاری ایجاد کند. به عنوان مثال، در علوم مولکولی، ما شاهد استفاده روزافزون از هوش مصنوعی مولد برای طراحی ساختارهای مولکولی بوده‌ایم. هوش مصنوعی می‌تواند ساختارهایی تولید کند که دارای خواص دارو مانند هستند، که نشان‌دهنده مولکول‌هایی است که به بافت‌های خاص تحویل داده می‌شوند، و این باعث می‌شود آنها نامزدهای دارویی امیدوارکننده‌ای باشند. با این حال، می‌توان دقیقاً همان الگوریتم را انتخاب کرد و معیارها را تغییر داد. بنابراین، به جای بهینه‌سازی مولکول‌ها برای رفتار مانند دارو، این الگوریتم می‌تواند مولکول‌هایی تولید کند که شبیه سلاح‌های زیستی هستند. باید یک گفتگوی انتقادی در مورد اینکه چه چیزی مسئول استفاده از هوش مصنوعی در علم است، وجود داشته باشد. ما باید در مورد ایجاد فرآیندهای بازنگری اخلاقی و دستورالعمل‌های اجرایی که در حال حاضر وجود ندارد فکر کنیم.

برخی از راه حل‌های چالش‌های استفاده از هوش مصنوعی

پرداختن به چالش‌ها نیازمند شیوه‌های جدیدی از تفکر و همکاری است. با حرکت رو به جلو، باید نحوه تشکیل تیم‌های تحقیقاتی را تغییر دهیم. ما انتظار داریم که تعداد بیشتری از متخصصان هوش مصنوعی و مهندسان نرم افزار و سخت افزار به اعضای مهم تیم‌های تحقیقاتی علمی تبدیل شوند. ما انتظار داریم شکل‌های جدیدی از همکاری شامل دولت در همه سطوح، شرکت‌ها و مؤسسات آموزشی وجود داشته باشد. مشارکت شرکت‌ها مهم است زیرا با ادامه رشد اندازه مدل‌های هوش مصنوعی، آموزش این مدل‌ها به منابعی نیاز دارد که معمولاً فقط در تعداد انگشت شماری از شرکت‌های بزرگ فناوری وجود دارد. از سوی دیگر، دانشگاه‌ها در بین رشته‌ها بهتر ادغام می‌شوند. بنابراین، محیط علمی دانشگاه برای درک و مطالعه نحوه جلوگیری از خطرات و سوء استفاده‌های مختلف هوش مصنوعی بهتر است.

پایان مطلب/.