* مصدر الصورة: تم إنشاؤه بواسطة أداة Unbounded AI *
إنه صيف آخر من الطقس القاسي ، مع موجات حر غير مسبوقة وحرائق غابات وفيضانات تضرب البلدان في جميع أنحاء العالم. لمواجهة التحدي المتمثل في التنبؤ الدقيق بمثل هذا الطقس القاسي ، تقوم شركة Nvidia العملاقة لأشباه الموصلات ببناء "توائم رقمية" للكوكب بأسره تعمل بالذكاء الاصطناعي.
سيستخدم التوأم الرقمي ، المسمى Earth-2 ، تنبؤات FourCastNet. FourCastNet هو نموذج ذكاء اصطناعي يستخدم عشرات تيرابايت من بيانات نظام الأرض للتنبؤ بالطقس للأسبوعين المقبلين بشكل أسرع وأكثر دقة من طرق التنبؤ الحالية.
إن نظام التنبؤ بالطقس النموذجي قادر على توليد حوالي 50 تنبؤًا للأسبوع المقبل. ويمكن لـ FourCastNet أن تتنبأ بآلاف الاحتمالات ، وتلتقط بدقة مخاطر الكوارث النادرة والمميتة ، مما يمنح السكان المعرضين للخطر وقتًا ثمينًا للاستعداد والإخلاء.
إن الثورة التي طال انتظارها في نمذجة المناخ ليست سوى البداية. مع ظهور الذكاء الاصطناعي ، أصبح العلم على وشك أن يصبح أكثر إثارة - وفي بعض النواحي يصعب التعرف عليه. ستتجاوز آثار هذا التحول نطاق المختبر ، وستؤثر علينا جميعًا.
إذا اعتمدنا الإستراتيجية الصحيحة لمعالجة المشاكل العلمية الأكثر إلحاحًا من خلال التنظيم السليم والدعم المناسب للاستخدامات المبتكرة للذكاء الاصطناعي ، فيمكن للذكاء الاصطناعي إعادة كتابة العملية العلمية. يمكننا بناء مستقبل لا تحررنا فيه الأدوات التي تعمل بالذكاء الاصطناعي من العمالة الطائشة والمستهلكة للوقت فحسب ، بل ترشدنا إلى الاختراعات والاكتشافات الإبداعية ، وتشجيع الاختراقات التي قد تستغرق عقودًا لتحقيقها.
في الأشهر الأخيرة ، أصبح الذكاء الاصطناعي مرادفًا تقريبًا لنماذج اللغة الكبيرة ، أو LLMs ، ولكن في العلم هناك العديد من الهياكل النموذجية المختلفة التي يمكن أن يكون لها تأثير أكبر. تم إحراز الكثير من التقدم في العلم خلال العقد الماضي من خلال نماذج "كلاسيكية" صغيرة تركز على مشاكل محددة. أدت هذه النماذج إلى تحسينات عميقة. في الآونة الأخيرة ، قامت نماذج التعلم العميق واسعة النطاق التي بدأت في دمج المعرفة عبر المجالات والذكاء الاصطناعي التوليدي بتوسيع نطاق ما هو ممكن.
على سبيل المثال ، استخدم العلماء في جامعة ماكماستر ومعهد ماساتشوستس للتكنولوجيا نماذج الذكاء الاصطناعي لتحديد المضادات الحيوية لمحاربة العوامل الممرضة التي تقول منظمة الصحة العالمية إنها واحدة من أخطر أنواع البكتيريا المقاومة للمضادات الحيوية في العالم بالنسبة لمرضى المستشفيات. بالإضافة إلى ذلك ، يمكن لنموذج DeepMind من Google التحكم في البلازما في تفاعلات الاندماج النووي ، مما يجعلنا أقرب إلى ثورة الطاقة النظيفة. وفي مجال الرعاية الصحية ، وافقت إدارة الغذاء والدواء الأمريكية على 523 جهازًا تستخدم الذكاء الاصطناعي ، 75٪ منها تستخدم في الأشعة.
** إعادة تخيل العلم **
بشكل أساسي ، ستبقى العملية العلمية التي تعلمناها في المدرسة الابتدائية كما هي: إجراء بحث أساسي ، وتحديد فرضية ، واختبارها من خلال تجربة ، وتحليل البيانات التي تم جمعها ، والتوصل إلى استنتاج. لكن الذكاء الاصطناعي لديه القدرة على إحداث ثورة في كيفية ظهور هذه المكونات في المستقبل.
يعمل الذكاء الاصطناعي بالفعل على تغيير الطريقة التي يجري بها بعض العلماء مراجعات الأدبيات. تعمل أدوات مثل PaperQA و Elicit على الاستفادة من LLMs لفحص قواعد بيانات المقالات وإنتاج ملخصات موجزة ودقيقة للأدبيات الموجودة - بما في ذلك الاستشهادات.
بمجرد اكتمال مراجعة الأدبيات ، يضع العلماء فرضيات ليتم اختبارها. الوظيفة الأساسية لـ LLMs هي التنبؤ بالكلمة التالية في الجملة ، حتى الجمل والفقرات الكاملة. تجعل هذه التقنية LLMs مناسبة بشكل خاص لمعالجة المقياس المتأصل في التسلسل الهرمي العلمي وتمكنهم من التنبؤ بالاكتشاف الكبير التالي في الفيزياء أو علم الأحياء.
يمكن للذكاء الاصطناعي أيضًا توسيع شبكات البحث الافتراضية وتقليص شبكات البحث بشكل أسرع. وبالتالي ، يمكن لأدوات الذكاء الاصطناعي أن تساعد في صياغة فرضيات أقوى ، مثل النماذج التي تقترح المزيد من الأدوية المرشحة الواعدة. تعمل عمليات المحاكاة الآن أسرع مما كانت عليه قبل بضع سنوات فقط ، مما يسمح للعلماء بتجربة المزيد من خيارات التصميم في عمليات المحاكاة قبل إجراء تجارب في العالم الحقيقي.
على سبيل المثال ، استخدم العلماء في معهد كاليفورنيا للتكنولوجيا نماذج محاكاة سوائل الذكاء الاصطناعي لتصميم قسطرة أفضل تلقائيًا يمكن أن تمنع التدفق العكسي للبكتيريا وتسبب العدوى. ستعمل هذه القدرة على تغيير العملية المتزايدة للاكتشاف العلمي بشكل أساسي ، مما يسمح للباحثين بتصميم الحلول المثلى منذ البداية ، على عكس ما رأيناه لسنوات مع ابتكارات الشعيرات في تصميم المصباح الكهربائي.
عند الدخول في الخطوة التجريبية ، سيتمكن الذكاء الاصطناعي من إجراء التجارب بشكل أسرع وأرخص وعلى نطاق أوسع. على سبيل المثال ، يمكننا بناء آلات تعمل بالذكاء الاصطناعي ، مع مئات الأنابيب الدقيقة التي تعمل ليلاً ونهارًا ، مما ينتج عينات بسرعة لا يستطيع البشر مطابقتها. بدلاً من قصر أنفسهم على ست تجارب ، يمكن للعلماء استخدام أدوات الذكاء الاصطناعي لإجراء ألف تجربة.
العلماء القلقون بشأن عملية المنحة أو النشر أو الحيازة التالية لن يكونوا مرتبطين بالتجربة الآمنة مع أعلى فرصة للنجاح ؛ سيكونون أحرارًا في متابعة فرضيات أكثر جرأة ومتعددة التخصصات. على سبيل المثال ، عند تقييم جزيئات جديدة ، يميل الباحثون إلى التمسك بمرشحين مشابهين هيكليًا لتلك التي نعرفها بالفعل ، لكن نماذج الذكاء الاصطناعي لا يجب أن يكون لها نفس التحيزات والقيود.
في النهاية ، سيتم إجراء الكثير من العلوم في "مختبرات مستقلة" - منصات روبوتية مستقلة جنبًا إلى جنب مع الذكاء الاصطناعي. هنا ، يمكننا جلب قدرات الذكاء الاصطناعي من العالم الرقمي إلى العالم المادي. ظهرت مثل هذه المختبرات الآلية بالفعل في شركات مثل Emerald Cloud Lab و Artificial ، وحتى مختبر Argonne الوطني.
أخيرًا ، في مرحلة التحليل والملخص ، سيتجاوز المختبر الآلي الأتمتة ويستخدم LLM لتفسير التجربة التالية والتوصية بها للتشغيل بناءً على النتائج التجريبية المنتجة. بعد ذلك ، كشريك في عملية البحث ، يمكن لمساعد مختبر الذكاء الاصطناعي طلب الإمدادات لاستبدال تلك المستخدمة في التجارب السابقة وإعداد التجربة التالية الموصى بها وتشغيلها بين عشية وضحاها. كانت النتائج جاهزة بينما كان المجربون لا يزالون نائمين في المنزل.
** الاحتمالات والقيود **
قد يرتجف الباحثون الشباب بعصبية في مقاعدهم عند الاحتمال. لحسن الحظ ، قد تكون الوظائف الجديدة الناشئة عن هذه الثورة أكثر إبداعًا وأقل غموضًا من معظم أعمال المختبر الحالية.
يمكن لأدوات الذكاء الاصطناعي أن تخفض الحواجز أمام دخول العلماء الجدد وتفتح الفرص لأولئك المستبعدين تقليديًا من هذا المجال. نظرًا لأن LLMs قادرة على المساعدة في بناء الكود ، لن يحتاج طلاب STEM بعد الآن إلى إتقان لغات الترميز الغامضة ، وفتح باب البرج العاجي أمام المواهب الجديدة غير التقليدية وتسهيل حصول العلماء على التعرض لمجالات خارج مجالاتهم الخاصة. في القريب العاجل ، قد يتخطى طلاب ماجستير القانون المدربون تدريبًا خاصًا تقديم المسودات الأولى للعمل المكتوب ، مثل مقترحات المنح ، وقد يتم تطويرهم لتقديم مراجعات "النظراء" للأوراق الجديدة جنبًا إلى جنب مع المراجعين البشريين.
تتمتع أدوات الذكاء الاصطناعي بإمكانيات مذهلة ، ولكن يجب أن ندرك ما هو الاتصال البشري الذي لا يزال مهمًا ، ولا نزيده كثيرًا. على سبيل المثال ، ليس من السهل دمج الذكاء الاصطناعي والروبوتات بنجاح من خلال المختبرات الآلية. من الصعب نقل الكثير من المعرفة الضمنية التي يتعلمها العلماء في المختبر إلى الروبوتات التي تعمل بالذكاء الاصطناعي. وبالمثل ، يجب أن نكون مدركين للقيود المفروضة على LLMs الحالية ، وخاصة الهلوسة ، قبل أن نمنحهم الكثير من الأعمال الورقية والبحث والتحليل.
لا تزال شركات مثل OpenAI و DeepMind تقود زمام الأمور من خلال اختراقات ونماذج وأوراق بحثية جديدة ، لكن الهيمنة الحالية على الصناعة لن تستمر إلى الأبد. حتى الآن ، تميز DeepMind في التركيز على مشاكل محددة جيدًا بأهداف ومقاييس واضحة. كان نجاحها الأكثر شهرة في مسابقة التقييم النقدي للتنبؤ بالهيكل ، والتي تنبأ فيها فريق البحث بالشكل الدقيق للبروتين بناءً على تسلسل الأحماض الأمينية.
من عام 2006 إلى عام 2016 ، كان متوسط الدرجة لأصعب فئة حوالي 30 إلى 40 على مقياس CASP من 1 إلى 100. فجأة ، في عام 2018 ، سجل نموذج AlphaFold التابع لشركة DeepMind عددًا هائلاً من النقاط يبلغ 58 نقطة. بعد ذلك بعامين ، سجلت نسخة محدثة تسمى AlphaFold2 87 نقطة ، تاركة منافسيها البشريين وراءهم.
بفضل الموارد مفتوحة المصدر ، بدأنا نرى نمطًا تصل فيه الصناعة إلى معايير معينة ثم تتدخل الأوساط الأكاديمية لتحسين النموذج. بعد أن أصدرت DeepMind AlphaFold ، أصدر Minkyung Baek و David Baker من جامعة واشنطن RoseTTAFold ، والذي يستخدم إطار عمل DeepMind للتنبؤ ببنية مجمعات البروتين بدلاً من هياكل البروتين الفردية التي يمكن لـ AlphaFold التعامل معها في البداية. والأكثر من ذلك ، أن الأوساط الأكاديمية محمية بشكل أكبر من الضغوط التنافسية للسوق ، لذا يمكنهم المغامرة بما يتجاوز المشكلات المحددة جيدًا والنجاحات القابلة للقياس التي اجتذبت DeepMind.
بالإضافة إلى الوصول إلى آفاق جديدة ، يمكن للذكاء الاصطناعي المساعدة في التحقق من صحة ما نعرفه بالفعل من خلال معالجة أزمة التكرار العلمي. أفاد حوالي 70 ٪ من العلماء أنهم لم يتمكنوا من تكرار تجارب عالم آخر - وهو رقم محبط. نظرًا لأن الذكاء الاصطناعي يقلل من تكلفة ومجهود إجراء التجارب ، سيكون من الأسهل في بعض الحالات تكرار النتائج أو استخلاص استنتاجات لا يمكن تكرارها ، مما يساعد على تحسين الثقة في العلم.
مفتاح التكرار والثقة هو الشفافية. في عالم مثالي ، سيكون كل شيء في العلم مفتوحًا ، بدءًا من المقالات التي لا تحتوي على نظام حظر الاشتراك غير المدفوع إلى البيانات المفتوحة المصدر ، والأكواد ، والنماذج. لسوء الحظ ، نظرًا للمخاطر التي يمكن أن تشكلها مثل هذه النماذج ، فليس من العملي دائمًا فتح المصدر لجميع الطرز. في كثير من الحالات ، تفوق مخاطر الشفافية الكاملة مزايا الثقة والإنصاف. ومع ذلك ، طالما أننا نستطيع أن نتحلى بالشفافية بشأن النماذج - خاصة نماذج الذكاء الاصطناعي الكلاسيكية ذات الاستخدامات المحدودة - يجب أن نفتح المصدر لها.
** أهمية التنظيم **
في جميع هذه المجالات ، يجب مراعاة القيود والمخاطر الكامنة في الذكاء الاصطناعي. يعد الذكاء الاصطناعي أداة قوية لأنه يمكّن البشر من إنجاز المزيد بوقت أقل وتعليم أقل ومعدات أقل. لكن هذه القدرات تجعله أيضًا سلاحًا خطيرًا يمكن أن يقع في الأيدي الخطأ. وقع أندرو وايت ، الأستاذ في جامعة روتشستر ، مع شركة OpenAI للمشاركة في اختبار "الفريق الأحمر" ، والذي يمكن أن يكشف مخاطر GPT-4 قبل إصداره. باستخدام نماذج اللغة وإطعامهم الأدوات ، وجد وايت أن GPT-4 يمكن أن يقترح مركبات خطيرة وحتى يطلبها من موردي المواد الكيميائية. لاختبار العملية ، قام بشحن مركب اختبار (آمن) إلى منزله في الأسبوع التالي. قالت شركة OpenAI إنها استخدمت نتائج White لتعديل GPT-4 قبل إصدارها.
حتى البشر ذوي النوايا الحسنة تمامًا لا يزالون قادرين على دفع الذكاء الاصطناعي لتحقيق نتائج سيئة. لا ينبغي أن نقلق كثيرًا بشأن إنشاء Terminator ، وكما يقول عالم الكمبيوتر Stuart Russell ، يجب أن نقلق أكثر بشأن أن نصبح King Midas. أراد الملك أن يتحول كل شيء يلمسه إلى ذهب ، وبسبب هذا ، أدى احتضان عرضي إلى مقتل ابنته.
ليس لدينا أي آلية لجعل الذكاء الاصطناعي يغير أهدافه ، حتى لو استجاب لأهدافه بطرق لا يمكننا التنبؤ بها. من الافتراضات التي يُستشهد بها كثيرًا أنه يُطلب من الذكاء الاصطناعي إنتاج أكبر عدد ممكن من مشابك الورق. مصممًا على تحقيق هدفه ، يخطف النموذج شبكة الطاقة ويقتل أي إنسان يحاول إيقافها بينما تتراكم مشابك الورق. لقد أصبح العالم في حالة من الفوضى. الذكاء الاصطناعي يربت على مؤخرته ويبتعد ؛ لقد قام بعمله. (تكريمًا لهذه التجربة الفكرية الشهيرة ، يحمل العديد من موظفي OpenAI مقاطع ورقية تحمل علامات تجارية معهم).
تمكنت OpenAI من تنفيذ مجموعة رائعة من الضمانات ، لكنها ستبقى في مكانها طالما أن GPT-4 موجود على خوادم OpenAI. قد يأتي اليوم قريبًا عندما يتمكن شخص ما من تكرار النموذج ووضعه على الخادم الخاص به. تحتاج النماذج المتطورة مثل هذه إلى الحماية لمنع اللصوص من تدمير الأسوار الأمنية للذكاء الاصطناعي التي أضافها مطوروها الأصليون بعناية.
لمعالجة الاستخدامات السيئة المتعمدة وغير المقصودة للذكاء الاصطناعي ، نحتاج إلى تنظيم معقول ومستنير لعمالقة التكنولوجيا ونماذج مفتوحة المصدر لا تمنعنا من استخدام الذكاء الاصطناعي بطرق تفيد العلم. بينما تخطو شركات التكنولوجيا خطوات واسعة في مجال أمان الذكاء الاصطناعي ، فإن الجهات التنظيمية الحكومية غير مستعدة حاليًا لسن قوانين مناسبة ويجب أن تفعل المزيد لمواكبة آخر التطورات.
خارج التنظيم ، يمكن للحكومات - جنبًا إلى جنب مع الأعمال الخيرية - دعم المشاريع العلمية ذات العوائد الاجتماعية المرتفعة ولكن القليل من العائد المالي أو الحوافز الأكاديمية. هناك العديد من المجالات ذات الإلحاح بشكل خاص ، بما في ذلك تغير المناخ والأمن البيولوجي والتأهب للأوبئة. في هذه المجالات نحن في أمس الحاجة إلى السرعة والحجم اللذين توفرهما محاكاة الذكاء الاصطناعي والمختبرات الآلية.
إلى الحد الذي تسمح به الاعتبارات الأمنية ، يمكن للحكومات أيضًا المساعدة في تطوير مجموعات بيانات كبيرة وعالية الجودة مثل التي يعتمد عليها AlphaFold. تعتبر مجموعات البيانات المفتوحة منافع عامة: فهي تفيد العديد من الباحثين ، لكن الباحثين ليس لديهم حافز يذكر لإنشائها بأنفسهم. يمكن للحكومات والمنظمات الخيرية التعاون مع الجامعات والشركات لتحديد التحديات الكبرى في العلوم التي قد تستفيد من استخدام قواعد البيانات القوية.
الكيمياء ، على سبيل المثال ، لها لغة توحد المجال ، والتي يبدو أنها تساعد نماذج الذكاء الاصطناعي في تحليله بسهولة. لكن لم يتمكن أحد من تجميع بيانات الخصائص الجزيئية المخزنة في عشرات قواعد البيانات بشكل صحيح ، مما يحرمنا من رؤى في المجال الذي يمكن أن تحققه نماذج الذكاء الاصطناعي إذا كان لدينا مصدر واحد فقط. في الوقت نفسه ، يفتقر علم الأحياء إلى البيانات المعروفة والقابلة للحساب التي تستند إليها الفيزياء أو الكيمياء ، وتظل الحقول الفرعية مثل البروتينات المضطربة جوهريًا غامضة بالنسبة لنا. على هذا النحو ، سيتطلب الأمر جهودًا متضافرة أكثر لفهم - بل وتوثيق - البيانات لبناء قاعدة بيانات شاملة.
إن الطريق إلى الاعتماد الواسع النطاق للذكاء الاصطناعي في العلوم طويل ، وعلينا أن نفعل الكثير ، من بناء قواعد البيانات الصحيحة إلى فرض اللوائح الصحيحة ، والحد من التحيز في خوارزميات الذكاء الاصطناعي ، إلى ضمان المساواة في الوصول إلى موارد الحوسبة عبر الحدود.
ومع ذلك ، فهذه لحظة متفائلة للغاية. كانت التحولات العلمية السابقة ، مثل العملية العلمية أو ظهور البيانات الضخمة ، تتطلع إلى الداخل ويمكن أن تجعل العلم أكثر دقة وتنظيمًا. في الوقت نفسه ، يتسم الذكاء الاصطناعي بالتوسع ، مما يسمح لنا بدمج المعلومات بطرق جديدة ودفع الإبداع العلمي والتقدم إلى آفاق جديدة.
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
الرئيس التنفيذي السابق لشركة Google ، إريك شميدت: كيف سيغير الذكاء الاصطناعي الطريقة التي يتم بها البحث العلمي
بقلم: إريك شميت
المصدر: MIT Technology Review
إنه صيف آخر من الطقس القاسي ، مع موجات حر غير مسبوقة وحرائق غابات وفيضانات تضرب البلدان في جميع أنحاء العالم. لمواجهة التحدي المتمثل في التنبؤ الدقيق بمثل هذا الطقس القاسي ، تقوم شركة Nvidia العملاقة لأشباه الموصلات ببناء "توائم رقمية" للكوكب بأسره تعمل بالذكاء الاصطناعي.
سيستخدم التوأم الرقمي ، المسمى Earth-2 ، تنبؤات FourCastNet. FourCastNet هو نموذج ذكاء اصطناعي يستخدم عشرات تيرابايت من بيانات نظام الأرض للتنبؤ بالطقس للأسبوعين المقبلين بشكل أسرع وأكثر دقة من طرق التنبؤ الحالية.
إن نظام التنبؤ بالطقس النموذجي قادر على توليد حوالي 50 تنبؤًا للأسبوع المقبل. ويمكن لـ FourCastNet أن تتنبأ بآلاف الاحتمالات ، وتلتقط بدقة مخاطر الكوارث النادرة والمميتة ، مما يمنح السكان المعرضين للخطر وقتًا ثمينًا للاستعداد والإخلاء.
إن الثورة التي طال انتظارها في نمذجة المناخ ليست سوى البداية. مع ظهور الذكاء الاصطناعي ، أصبح العلم على وشك أن يصبح أكثر إثارة - وفي بعض النواحي يصعب التعرف عليه. ستتجاوز آثار هذا التحول نطاق المختبر ، وستؤثر علينا جميعًا.
إذا اعتمدنا الإستراتيجية الصحيحة لمعالجة المشاكل العلمية الأكثر إلحاحًا من خلال التنظيم السليم والدعم المناسب للاستخدامات المبتكرة للذكاء الاصطناعي ، فيمكن للذكاء الاصطناعي إعادة كتابة العملية العلمية. يمكننا بناء مستقبل لا تحررنا فيه الأدوات التي تعمل بالذكاء الاصطناعي من العمالة الطائشة والمستهلكة للوقت فحسب ، بل ترشدنا إلى الاختراعات والاكتشافات الإبداعية ، وتشجيع الاختراقات التي قد تستغرق عقودًا لتحقيقها.
في الأشهر الأخيرة ، أصبح الذكاء الاصطناعي مرادفًا تقريبًا لنماذج اللغة الكبيرة ، أو LLMs ، ولكن في العلم هناك العديد من الهياكل النموذجية المختلفة التي يمكن أن يكون لها تأثير أكبر. تم إحراز الكثير من التقدم في العلم خلال العقد الماضي من خلال نماذج "كلاسيكية" صغيرة تركز على مشاكل محددة. أدت هذه النماذج إلى تحسينات عميقة. في الآونة الأخيرة ، قامت نماذج التعلم العميق واسعة النطاق التي بدأت في دمج المعرفة عبر المجالات والذكاء الاصطناعي التوليدي بتوسيع نطاق ما هو ممكن.
على سبيل المثال ، استخدم العلماء في جامعة ماكماستر ومعهد ماساتشوستس للتكنولوجيا نماذج الذكاء الاصطناعي لتحديد المضادات الحيوية لمحاربة العوامل الممرضة التي تقول منظمة الصحة العالمية إنها واحدة من أخطر أنواع البكتيريا المقاومة للمضادات الحيوية في العالم بالنسبة لمرضى المستشفيات. بالإضافة إلى ذلك ، يمكن لنموذج DeepMind من Google التحكم في البلازما في تفاعلات الاندماج النووي ، مما يجعلنا أقرب إلى ثورة الطاقة النظيفة. وفي مجال الرعاية الصحية ، وافقت إدارة الغذاء والدواء الأمريكية على 523 جهازًا تستخدم الذكاء الاصطناعي ، 75٪ منها تستخدم في الأشعة.
** إعادة تخيل العلم **
بشكل أساسي ، ستبقى العملية العلمية التي تعلمناها في المدرسة الابتدائية كما هي: إجراء بحث أساسي ، وتحديد فرضية ، واختبارها من خلال تجربة ، وتحليل البيانات التي تم جمعها ، والتوصل إلى استنتاج. لكن الذكاء الاصطناعي لديه القدرة على إحداث ثورة في كيفية ظهور هذه المكونات في المستقبل.
يعمل الذكاء الاصطناعي بالفعل على تغيير الطريقة التي يجري بها بعض العلماء مراجعات الأدبيات. تعمل أدوات مثل PaperQA و Elicit على الاستفادة من LLMs لفحص قواعد بيانات المقالات وإنتاج ملخصات موجزة ودقيقة للأدبيات الموجودة - بما في ذلك الاستشهادات.
بمجرد اكتمال مراجعة الأدبيات ، يضع العلماء فرضيات ليتم اختبارها. الوظيفة الأساسية لـ LLMs هي التنبؤ بالكلمة التالية في الجملة ، حتى الجمل والفقرات الكاملة. تجعل هذه التقنية LLMs مناسبة بشكل خاص لمعالجة المقياس المتأصل في التسلسل الهرمي العلمي وتمكنهم من التنبؤ بالاكتشاف الكبير التالي في الفيزياء أو علم الأحياء.
يمكن للذكاء الاصطناعي أيضًا توسيع شبكات البحث الافتراضية وتقليص شبكات البحث بشكل أسرع. وبالتالي ، يمكن لأدوات الذكاء الاصطناعي أن تساعد في صياغة فرضيات أقوى ، مثل النماذج التي تقترح المزيد من الأدوية المرشحة الواعدة. تعمل عمليات المحاكاة الآن أسرع مما كانت عليه قبل بضع سنوات فقط ، مما يسمح للعلماء بتجربة المزيد من خيارات التصميم في عمليات المحاكاة قبل إجراء تجارب في العالم الحقيقي.
على سبيل المثال ، استخدم العلماء في معهد كاليفورنيا للتكنولوجيا نماذج محاكاة سوائل الذكاء الاصطناعي لتصميم قسطرة أفضل تلقائيًا يمكن أن تمنع التدفق العكسي للبكتيريا وتسبب العدوى. ستعمل هذه القدرة على تغيير العملية المتزايدة للاكتشاف العلمي بشكل أساسي ، مما يسمح للباحثين بتصميم الحلول المثلى منذ البداية ، على عكس ما رأيناه لسنوات مع ابتكارات الشعيرات في تصميم المصباح الكهربائي.
عند الدخول في الخطوة التجريبية ، سيتمكن الذكاء الاصطناعي من إجراء التجارب بشكل أسرع وأرخص وعلى نطاق أوسع. على سبيل المثال ، يمكننا بناء آلات تعمل بالذكاء الاصطناعي ، مع مئات الأنابيب الدقيقة التي تعمل ليلاً ونهارًا ، مما ينتج عينات بسرعة لا يستطيع البشر مطابقتها. بدلاً من قصر أنفسهم على ست تجارب ، يمكن للعلماء استخدام أدوات الذكاء الاصطناعي لإجراء ألف تجربة.
العلماء القلقون بشأن عملية المنحة أو النشر أو الحيازة التالية لن يكونوا مرتبطين بالتجربة الآمنة مع أعلى فرصة للنجاح ؛ سيكونون أحرارًا في متابعة فرضيات أكثر جرأة ومتعددة التخصصات. على سبيل المثال ، عند تقييم جزيئات جديدة ، يميل الباحثون إلى التمسك بمرشحين مشابهين هيكليًا لتلك التي نعرفها بالفعل ، لكن نماذج الذكاء الاصطناعي لا يجب أن يكون لها نفس التحيزات والقيود.
في النهاية ، سيتم إجراء الكثير من العلوم في "مختبرات مستقلة" - منصات روبوتية مستقلة جنبًا إلى جنب مع الذكاء الاصطناعي. هنا ، يمكننا جلب قدرات الذكاء الاصطناعي من العالم الرقمي إلى العالم المادي. ظهرت مثل هذه المختبرات الآلية بالفعل في شركات مثل Emerald Cloud Lab و Artificial ، وحتى مختبر Argonne الوطني.
أخيرًا ، في مرحلة التحليل والملخص ، سيتجاوز المختبر الآلي الأتمتة ويستخدم LLM لتفسير التجربة التالية والتوصية بها للتشغيل بناءً على النتائج التجريبية المنتجة. بعد ذلك ، كشريك في عملية البحث ، يمكن لمساعد مختبر الذكاء الاصطناعي طلب الإمدادات لاستبدال تلك المستخدمة في التجارب السابقة وإعداد التجربة التالية الموصى بها وتشغيلها بين عشية وضحاها. كانت النتائج جاهزة بينما كان المجربون لا يزالون نائمين في المنزل.
** الاحتمالات والقيود **
قد يرتجف الباحثون الشباب بعصبية في مقاعدهم عند الاحتمال. لحسن الحظ ، قد تكون الوظائف الجديدة الناشئة عن هذه الثورة أكثر إبداعًا وأقل غموضًا من معظم أعمال المختبر الحالية.
يمكن لأدوات الذكاء الاصطناعي أن تخفض الحواجز أمام دخول العلماء الجدد وتفتح الفرص لأولئك المستبعدين تقليديًا من هذا المجال. نظرًا لأن LLMs قادرة على المساعدة في بناء الكود ، لن يحتاج طلاب STEM بعد الآن إلى إتقان لغات الترميز الغامضة ، وفتح باب البرج العاجي أمام المواهب الجديدة غير التقليدية وتسهيل حصول العلماء على التعرض لمجالات خارج مجالاتهم الخاصة. في القريب العاجل ، قد يتخطى طلاب ماجستير القانون المدربون تدريبًا خاصًا تقديم المسودات الأولى للعمل المكتوب ، مثل مقترحات المنح ، وقد يتم تطويرهم لتقديم مراجعات "النظراء" للأوراق الجديدة جنبًا إلى جنب مع المراجعين البشريين.
تتمتع أدوات الذكاء الاصطناعي بإمكانيات مذهلة ، ولكن يجب أن ندرك ما هو الاتصال البشري الذي لا يزال مهمًا ، ولا نزيده كثيرًا. على سبيل المثال ، ليس من السهل دمج الذكاء الاصطناعي والروبوتات بنجاح من خلال المختبرات الآلية. من الصعب نقل الكثير من المعرفة الضمنية التي يتعلمها العلماء في المختبر إلى الروبوتات التي تعمل بالذكاء الاصطناعي. وبالمثل ، يجب أن نكون مدركين للقيود المفروضة على LLMs الحالية ، وخاصة الهلوسة ، قبل أن نمنحهم الكثير من الأعمال الورقية والبحث والتحليل.
لا تزال شركات مثل OpenAI و DeepMind تقود زمام الأمور من خلال اختراقات ونماذج وأوراق بحثية جديدة ، لكن الهيمنة الحالية على الصناعة لن تستمر إلى الأبد. حتى الآن ، تميز DeepMind في التركيز على مشاكل محددة جيدًا بأهداف ومقاييس واضحة. كان نجاحها الأكثر شهرة في مسابقة التقييم النقدي للتنبؤ بالهيكل ، والتي تنبأ فيها فريق البحث بالشكل الدقيق للبروتين بناءً على تسلسل الأحماض الأمينية.
من عام 2006 إلى عام 2016 ، كان متوسط الدرجة لأصعب فئة حوالي 30 إلى 40 على مقياس CASP من 1 إلى 100. فجأة ، في عام 2018 ، سجل نموذج AlphaFold التابع لشركة DeepMind عددًا هائلاً من النقاط يبلغ 58 نقطة. بعد ذلك بعامين ، سجلت نسخة محدثة تسمى AlphaFold2 87 نقطة ، تاركة منافسيها البشريين وراءهم.
بفضل الموارد مفتوحة المصدر ، بدأنا نرى نمطًا تصل فيه الصناعة إلى معايير معينة ثم تتدخل الأوساط الأكاديمية لتحسين النموذج. بعد أن أصدرت DeepMind AlphaFold ، أصدر Minkyung Baek و David Baker من جامعة واشنطن RoseTTAFold ، والذي يستخدم إطار عمل DeepMind للتنبؤ ببنية مجمعات البروتين بدلاً من هياكل البروتين الفردية التي يمكن لـ AlphaFold التعامل معها في البداية. والأكثر من ذلك ، أن الأوساط الأكاديمية محمية بشكل أكبر من الضغوط التنافسية للسوق ، لذا يمكنهم المغامرة بما يتجاوز المشكلات المحددة جيدًا والنجاحات القابلة للقياس التي اجتذبت DeepMind.
بالإضافة إلى الوصول إلى آفاق جديدة ، يمكن للذكاء الاصطناعي المساعدة في التحقق من صحة ما نعرفه بالفعل من خلال معالجة أزمة التكرار العلمي. أفاد حوالي 70 ٪ من العلماء أنهم لم يتمكنوا من تكرار تجارب عالم آخر - وهو رقم محبط. نظرًا لأن الذكاء الاصطناعي يقلل من تكلفة ومجهود إجراء التجارب ، سيكون من الأسهل في بعض الحالات تكرار النتائج أو استخلاص استنتاجات لا يمكن تكرارها ، مما يساعد على تحسين الثقة في العلم.
مفتاح التكرار والثقة هو الشفافية. في عالم مثالي ، سيكون كل شيء في العلم مفتوحًا ، بدءًا من المقالات التي لا تحتوي على نظام حظر الاشتراك غير المدفوع إلى البيانات المفتوحة المصدر ، والأكواد ، والنماذج. لسوء الحظ ، نظرًا للمخاطر التي يمكن أن تشكلها مثل هذه النماذج ، فليس من العملي دائمًا فتح المصدر لجميع الطرز. في كثير من الحالات ، تفوق مخاطر الشفافية الكاملة مزايا الثقة والإنصاف. ومع ذلك ، طالما أننا نستطيع أن نتحلى بالشفافية بشأن النماذج - خاصة نماذج الذكاء الاصطناعي الكلاسيكية ذات الاستخدامات المحدودة - يجب أن نفتح المصدر لها.
** أهمية التنظيم **
في جميع هذه المجالات ، يجب مراعاة القيود والمخاطر الكامنة في الذكاء الاصطناعي. يعد الذكاء الاصطناعي أداة قوية لأنه يمكّن البشر من إنجاز المزيد بوقت أقل وتعليم أقل ومعدات أقل. لكن هذه القدرات تجعله أيضًا سلاحًا خطيرًا يمكن أن يقع في الأيدي الخطأ. وقع أندرو وايت ، الأستاذ في جامعة روتشستر ، مع شركة OpenAI للمشاركة في اختبار "الفريق الأحمر" ، والذي يمكن أن يكشف مخاطر GPT-4 قبل إصداره. باستخدام نماذج اللغة وإطعامهم الأدوات ، وجد وايت أن GPT-4 يمكن أن يقترح مركبات خطيرة وحتى يطلبها من موردي المواد الكيميائية. لاختبار العملية ، قام بشحن مركب اختبار (آمن) إلى منزله في الأسبوع التالي. قالت شركة OpenAI إنها استخدمت نتائج White لتعديل GPT-4 قبل إصدارها.
حتى البشر ذوي النوايا الحسنة تمامًا لا يزالون قادرين على دفع الذكاء الاصطناعي لتحقيق نتائج سيئة. لا ينبغي أن نقلق كثيرًا بشأن إنشاء Terminator ، وكما يقول عالم الكمبيوتر Stuart Russell ، يجب أن نقلق أكثر بشأن أن نصبح King Midas. أراد الملك أن يتحول كل شيء يلمسه إلى ذهب ، وبسبب هذا ، أدى احتضان عرضي إلى مقتل ابنته.
ليس لدينا أي آلية لجعل الذكاء الاصطناعي يغير أهدافه ، حتى لو استجاب لأهدافه بطرق لا يمكننا التنبؤ بها. من الافتراضات التي يُستشهد بها كثيرًا أنه يُطلب من الذكاء الاصطناعي إنتاج أكبر عدد ممكن من مشابك الورق. مصممًا على تحقيق هدفه ، يخطف النموذج شبكة الطاقة ويقتل أي إنسان يحاول إيقافها بينما تتراكم مشابك الورق. لقد أصبح العالم في حالة من الفوضى. الذكاء الاصطناعي يربت على مؤخرته ويبتعد ؛ لقد قام بعمله. (تكريمًا لهذه التجربة الفكرية الشهيرة ، يحمل العديد من موظفي OpenAI مقاطع ورقية تحمل علامات تجارية معهم).
تمكنت OpenAI من تنفيذ مجموعة رائعة من الضمانات ، لكنها ستبقى في مكانها طالما أن GPT-4 موجود على خوادم OpenAI. قد يأتي اليوم قريبًا عندما يتمكن شخص ما من تكرار النموذج ووضعه على الخادم الخاص به. تحتاج النماذج المتطورة مثل هذه إلى الحماية لمنع اللصوص من تدمير الأسوار الأمنية للذكاء الاصطناعي التي أضافها مطوروها الأصليون بعناية.
لمعالجة الاستخدامات السيئة المتعمدة وغير المقصودة للذكاء الاصطناعي ، نحتاج إلى تنظيم معقول ومستنير لعمالقة التكنولوجيا ونماذج مفتوحة المصدر لا تمنعنا من استخدام الذكاء الاصطناعي بطرق تفيد العلم. بينما تخطو شركات التكنولوجيا خطوات واسعة في مجال أمان الذكاء الاصطناعي ، فإن الجهات التنظيمية الحكومية غير مستعدة حاليًا لسن قوانين مناسبة ويجب أن تفعل المزيد لمواكبة آخر التطورات.
خارج التنظيم ، يمكن للحكومات - جنبًا إلى جنب مع الأعمال الخيرية - دعم المشاريع العلمية ذات العوائد الاجتماعية المرتفعة ولكن القليل من العائد المالي أو الحوافز الأكاديمية. هناك العديد من المجالات ذات الإلحاح بشكل خاص ، بما في ذلك تغير المناخ والأمن البيولوجي والتأهب للأوبئة. في هذه المجالات نحن في أمس الحاجة إلى السرعة والحجم اللذين توفرهما محاكاة الذكاء الاصطناعي والمختبرات الآلية.
إلى الحد الذي تسمح به الاعتبارات الأمنية ، يمكن للحكومات أيضًا المساعدة في تطوير مجموعات بيانات كبيرة وعالية الجودة مثل التي يعتمد عليها AlphaFold. تعتبر مجموعات البيانات المفتوحة منافع عامة: فهي تفيد العديد من الباحثين ، لكن الباحثين ليس لديهم حافز يذكر لإنشائها بأنفسهم. يمكن للحكومات والمنظمات الخيرية التعاون مع الجامعات والشركات لتحديد التحديات الكبرى في العلوم التي قد تستفيد من استخدام قواعد البيانات القوية.
الكيمياء ، على سبيل المثال ، لها لغة توحد المجال ، والتي يبدو أنها تساعد نماذج الذكاء الاصطناعي في تحليله بسهولة. لكن لم يتمكن أحد من تجميع بيانات الخصائص الجزيئية المخزنة في عشرات قواعد البيانات بشكل صحيح ، مما يحرمنا من رؤى في المجال الذي يمكن أن تحققه نماذج الذكاء الاصطناعي إذا كان لدينا مصدر واحد فقط. في الوقت نفسه ، يفتقر علم الأحياء إلى البيانات المعروفة والقابلة للحساب التي تستند إليها الفيزياء أو الكيمياء ، وتظل الحقول الفرعية مثل البروتينات المضطربة جوهريًا غامضة بالنسبة لنا. على هذا النحو ، سيتطلب الأمر جهودًا متضافرة أكثر لفهم - بل وتوثيق - البيانات لبناء قاعدة بيانات شاملة.
إن الطريق إلى الاعتماد الواسع النطاق للذكاء الاصطناعي في العلوم طويل ، وعلينا أن نفعل الكثير ، من بناء قواعد البيانات الصحيحة إلى فرض اللوائح الصحيحة ، والحد من التحيز في خوارزميات الذكاء الاصطناعي ، إلى ضمان المساواة في الوصول إلى موارد الحوسبة عبر الحدود.
ومع ذلك ، فهذه لحظة متفائلة للغاية. كانت التحولات العلمية السابقة ، مثل العملية العلمية أو ظهور البيانات الضخمة ، تتطلع إلى الداخل ويمكن أن تجعل العلم أكثر دقة وتنظيمًا. في الوقت نفسه ، يتسم الذكاء الاصطناعي بالتوسع ، مما يسمح لنا بدمج المعلومات بطرق جديدة ودفع الإبداع العلمي والتقدم إلى آفاق جديدة.