مقالات

علم شتاب دهنده هوش مصنوعی – بازتاب شخصی


تیدر اینجا چیزهای زیادی در مورد انقلاب هوش مصنوعی وجود دارد که غیرقابل پیش بینی و احتمالاً ناشناخته است، اما سه چیز وجود دارد که می توانیم از آنها مطمئن باشیم:

  • از نظر وسعت و عمق ویرانگر است
  • این سریع است
  • قطعی نیست

به عنوان یک جامعه تحقیقاتی، ما باید این خوش‌بینی و هذیان را تکمیل کنیم که هوش مصنوعی می‌تواند 10 تا 100 برابر علم را سرعت بخشد و «همه بیماری‌ها را درمان کند» با بحث روشنی درباره چالش‌های واقعی پیش رو. تنها در این صورت است که واقعاً پتانسیل انقلاب دانشی را که در حال انجام آن هستیم به حداکثر برسانیم و اعتماد عمومی را به علم و نهادهای آن حفظ کنیم.

برخی از این تنگناها ماهیت فیزیکی دارند و به طور بالقوه با پیشرفت های تکنولوژی قابل حل هستند. سایر تنگناها روانی، جامعه‌شناختی و نهادی هستند – مردم، گروه‌ها و سازمان‌ها واکنش‌ها، احساسات، نگرانی‌ها و تمایلات خاص خود را برای تغییر دارند. راه حل های تکنولوژیکی به تنهایی کافی نخواهد بود

انجام پروژه های تحقیقاتی شامل مجموعه ای از انواع مختلف وظایف است. انواع مختلف علم کانال های متفاوتی دارند، اگرچه بسیاری از وظایف مشترک هستند، از جمله تولید ایده، دسترسی به بودجه، تجزیه و تحلیل داده ها، انتشار و غیره.

از سوی دیگر، وظایفی مانند آزمایش‌های فیزیکی، اخذ تأییدیه‌های نظارتی و دسترسی به منابع بیولوژیکی بین زیست‌شناسی و ریاضیات مشترک نیستند. حتی در زیست‌شناسی، تفاوت‌های قابل‌توجهی بین علوم مشاهده‌ای (مشخص کردن نمونه‌ها/داده‌ها از دنیای طبیعی) و علوم تجربی (کار آزمایشگاهی مستقل) وجود دارد. علاوه بر این، اکثر پروژه های تحقیقاتی نیاز به هماهنگی در داخل و بین مؤسسات دارند.

فناوری‌های هوش مصنوعی فعلی و احتمالاً آینده به‌خوبی به‌عنوان «فک‌دار» شناخته می‌شوند، یعنی به نظر می‌رسد عملکرد آن‌ها در وظایف مختلف، نسبت به انتظارات خارجی از دشواری، از نظر شایستگی بسیار متفاوت است. اگرچه می توان گفت که تکامل توانایی های بسیار برجسته ای را در زمینه های مختلف شناختی در اختیار انسان قرار داده است.

بنابراین، ابزارهای هوش مصنوعی احتمالاً به طور چشمگیری سرعت برخی از وظایف را در یک خط علمی بسیار بیشتر از سایرین افزایش می دهند. و از آنجایی که پروژه های علمی متفاوت هستند، هوش مصنوعی برخی از انواع پروژه های علمی را بسیار بیشتر از سایرین سرعت می بخشد. انقلاب هوش مصنوعی که در حال حاضر در ریاضیات رخ می دهد، نمونه ای از افزایش سرعت است که زمانی ممکن است که بسیاری از کارها به راحتی توسط ابزارهای هوش مصنوعی کاتالیز شوند.

می‌توان انتظار داشت که این شتاب نابرابر وظایف علمی مبتنی بر هوش مصنوعی منجر به مشکلات جدید و افزایشی شود. این امر به ویژه زمانی مشهود خواهد بود که یک وظیفه شتاب‌دهی شده با هوش مصنوعی به وظیفه‌ای وارد شود که (هنوز؟) به طور مشابه تسریع نشده است. افزایش فشار بر روی بررسی و تصمیم‌گیری ناشی از رشد سریع درخواست‌های مبتنی بر سند (برای مشاغل، دکترا، کمک‌های مالی و غیره) یکی از نمونه‌های اولیه است.

ما حداقل درک اولیه ای داریم که کدام وظایف در فرآیندهای علمی به آسانی توسط ابزارهای هوش مصنوعی فعلی تسریع می شوند. این بدان معناست که در تئوری، می‌توانیم تنگناهای کوتاه‌مدت را با اطمینان پیش‌بینی کنیم. نمونه‌هایی از موسساتی که به طور فعال به رفع تنگناهای خاص می‌پردازند شامل شرکت‌های هوش مصنوعی است که در اتوماسیون آزمایشگاهی سرمایه‌گذاری می‌کنند و محققینی را که فرآیندهای کمک مالی خود را تطبیق می‌دهند، تامین مالی می‌کنند.

با این حال، من فکر می کنم که ما می توانیم به عنوان یک جامعه در شناسایی و رفع این موانع با هم خیلی بهتر عمل کنیم. من دو نگرانی مرتبط دارم. اولین مورد این است که ما به عنوان یک جامعه رویکردی کل نگر نداریم. موسسات یا انواع مؤسسات با تنگناهای خاصی سر و کار دارند که برای آنها آشکار است، به ویژه آنهایی که به مأموریت آنها (مثلاً تحقیقات تأمین مالی) یا مدل تجاری (مثلاً شرکت های هوش مصنوعی) مربوط می شود و در صلاحیت آنها برای رسیدگی است (مثلاً شرکت های فناوری متمرکز بر تنگناهای فناوری). این بدان معناست که ما احتمالاً به برخی از تنگناها کمتر از سایرین توجه می کنیم.

دوم این که تفکر ما در مورد خطوط لوله علمی به جای صریح، جامع و تجربی، ضمنی، ساده‌گرایانه و نظری است. به عنوان مثال، تأملات اخیر در مورد شتاب علم توسط هوش مصنوعی اغلب بر ایده‌های پوپر در مورد علم تکیه می‌کنند و بنابراین کلیت را بر ویژگی‌های بسیار مورد نیاز دنیای واقعی اولویت می‌دهند.

به‌طور کلی‌تر، دانشمندان (و من خودم را بسیار در این امر شامل می‌کنم) تمایل دارند تا به جای رویکردی دقیق که از داده‌های پروژه‌های گذشته اطلاع‌رسانی می‌کند، رویکردی شهودی و موقتی برای نحوه انجام پروژه‌ها و فرآیندهای علمی خود داشته باشند (من فکر می‌کنم دلایل جالب زیادی وجود دارد که ممکن است چنین باشد، اما آنها خارج از محدوده این مقاله هستند).

اگر دانشمندی هستید که با این ایده مخالف هستید، آزمایش فکری زیر را در نظر بگیرید. به سه پروژه مهم آخری که رهبری کردید فکر کنید. هر پروژه از چند نوع وظیفه مجزا تشکیل شده است؟ آیا آنها بین هر پروژه یکسان بودند؟ هر کار برای هر پروژه چقدر طول کشید؟ این در مقایسه با سه پروژه قبلی چگونه تغییر کرده است؟ من به معنای واقعی کلمه نمی دانم پاسخ من به این سوالات چه خواهد بود. من به پروژه های علمی گروه تحقیقاتی ام اینطور فکر نمی کنم.

البته، هدف من این است که از یک پروژه به پروژه دیگر یاد بگیرم و کارهایی را که فکر می‌کنم باید سریع‌تر انجام می‌شد بهینه کنم، اما این بیشتر یک رویکرد شهودی و موقتی است تا یک تحلیل دقیق، جامع و مبتنی بر داده. فکر نمی کنم از این لحاظ با یک دانشمند معمولی تفاوت چندانی نداشته باشم.

قبل از اینکه به حوزه‌های بالقوه برسم، فکر می‌کنم باید روی بیشتر تمرکز کنیم تا شتاب علم را با هوش مصنوعی به حداکثر برسانیم، یک نکته دیگر وجود دارد که ارزش توجه دارد. به طور کلی پذیرفته شده است که همه انقلاب های تکنولوژیک با تغییرات شتابان در نهادها و جامعه همراه هستند.

مؤسسات می میرند، متولد می شوند و با سرعتی شتابان تطبیق می یابند. انواع جدیدی از ارزش ایجاد می شود. قدرت در حال توزیع مجدد و متمرکز است و جوامع و بدنه های سیاسی آنها به این تمرکزهای جدید قدرت واکنش نشان می دهند.

من معتقدم که می‌توانیم چیزهای زیادی در مورد ماهیت این تغییر نهادی، انواع و سرعت تغییرات نهادی، از انقلاب‌های فناوری قبلی بیاموزیم. ظهور ماشین چاپ و انقلاب صنعتی بیشتر به ذهن متبادر می شود. من همچنین معتقدم که می توانیم از اصول تکاملی درس بگیریم. تغییر چشمگیر در محیط، فشارهای گزینشی جدیدی ایجاد می کند که بر تنوع موجود نهادها و جوامع اثر می گذارد. انقلاب هوش مصنوعی در دنیایی بسیار جهانی‌تر از انقلاب‌های فناوری قبلی عمل می‌کند.

این خطر بسیار واقعی وجود دارد که تنوع موجود مؤسسات علمی که در حال حاضر داریم برای جامعه برای سازگاری سریع و موفقیت آمیز آنچنان که می‌خواهیم ناکافی باشد. من بیشتر نگران فقدان تنوع در مدل‌های سازمانی مؤسسات آکادمیک انتفاعی (مثلاً دانشگاه‌ها) هستم که در آن اجماع جهانی در مورد معنای دانشگاه بودن وجود دارد تا مؤسسات انتفاعی که در آنها نوآوری مستمر در مدل‌های کسب‌وکار و روش‌های کار وجود دارد. مؤسسات تحقیقاتی و اکوسیستم‌های تحقیقاتی که موفق می‌شوند، آنهایی هستند که بیشترین تمایل و توانایی را دارند تا با واقعیت‌های جدید سازگار شوند.

با این حال، شاید لازم باشد به طور گسترده تری در مورد تغییرات نهادی و اجتماعی فکر کنیم. اصلا چرا نهادها وجود دارند؟ به طور گسترده ای پذیرفته شده است که نهادها برای هماهنگ کردن تلاش های فردی، تحریک همکاری، دستیابی به اهدافی که برای فرد به تنهایی و با کارایی بیشتر دشوار است، وجود دارند. یک تفاوت با انقلاب هوش مصنوعی این است که “افراد” در این زمینه فقط افراد دیگر نیستند، بلکه عوامل غیرانسانی هستند. مسلماً، این تفاوت در مقایسه با انقلاب‌های فناوری قبلی می‌تواند منجر به تغییرات سازمانی بزرگ‌تر و سریع‌تر شود. علاوه بر این، چالش‌های مهمی در هماهنگی تلاش‌های فردی در داخل و بین نهادها وجود خواهد داشت.

در اینجا برخی از پیشنهادات، بر اساس تفکر بالا، در مورد جایی که ما می‌توانیم تلاش‌های بیشتری را هم در موسسات و هم به عنوان یک جامعه تحقیقاتی زیست‌پزشکی متمرکز کنیم، وجود دارد. این تا حد زیادی یک لیست اولیه است که باید در طول زمان تغییر کند.

  1. ما باید درک تجربی بسیار پیچیده‌تری از کانال‌های علمی کارهای متوالی و همزمان داشته باشیم که زیربنای فرآیند پایان به انتها انواع مختلف علم هستند.
  2. ما باید زمانی را به عنوان یک جامعه تحقیقاتی زیست پزشکی صرف کنیم تا به طور کلی درباره موانع احتمالی علم فکر کنیم، درک مشترکی از موانع فعلی و آینده به دست آوریم، و مسئولیت مشترک خود را برای پرداختن به این حوزه ها، هم از نظر فناوری و هم از طریق تغییرات نهادی، بشناسیم.
  3. ما به تنوع قابل توجهی بیشتر از مؤسسات تحقیقاتی، به ویژه مؤسسات غیرانتفاعی نیاز داریم.
  4. موسسات موجود، به ویژه آنهایی که سهم زیادی از بودجه اصلی دارند، باید سرعت تصمیم‌گیری و انعطاف‌پذیری تخصیص منابع خود را تطبیق دهند.
  5. مؤسسات موجود و جدید باید با دانشمندان علوم رفتاری، روانشناسان و جامعه شناسان تعامل داشته باشند تا به ما کمک کنند تا ببینیم چگونه جوامع ما می توانند با انقلاب هوش مصنوعی سازگار شوند.
  6. مشکلات فعلی و کوتاه مدت خاص برای تمرکز توجه جمعی شامل موارد زیر است:
    • سرعت و تنوع مدل‌ها و فرآیندهای تأمین مالی پژوهش
    • ماهیت و سرعت تاییدیه های نظارتی
    • ماهیت و سرعت قرارداد بین مؤسسات (به عنوان مثال برای اشتراک منابع)
    • پیشرفت در اتوماسیون آزمایشگاهی برای تسریع آزمایش‌های فیزیکی و فعال کردن تعاملات بازگشتی بین مدل‌های هوش مصنوعی و اتوماسیون آزمایشگاهی
    • غلبه بر موانع برای تجزیه و تحلیل داده های حساس با ابزارهای پیشرفته هوش مصنوعی، حفظ استانداردهای بالای حریم خصوصی و محرمانه بودن شرکت کنندگان در تحقیق
    • استفاده از رویکردهای مبتنی بر هوش مصنوعی برای مقیاس “بررسی همتا” و تضمین کیفیت دانش جدید علمی
    • روش‌های جدید برای اشتراک‌گذاری، به‌روزرسانی، ذخیره‌سازی و جستجوی دانش علمی جمعی که مقیاس‌پذیرتر و در دسترس‌تر از سیستم فعلی انتشار علمی است.
    • تطبیق مفاهیم موفقیت و شناخت برای حمایت از مسیرهای شغلی جدید برای دانشمندان.

برای تیزتر کردن ذهنم، در اینجا چند سناریو نسبتا دیستوپیکی وجود دارد که نگرانشان هستم، که هر کدام می‌توانند تأثیر عمده‌ای بر بهره‌وری اکوسیستم‌های تحقیقاتی ما داشته باشند: