هیچ محصولی در سبد خرید نیست.
بررسی نقش هوش مصنوعی در تحول علم و فناوری
6دقیقه
آنچه در این مقاله میخوانید [پنهانسازی]
تا چند سال پیش، هوش مصنوعی بیشتر با رباتها، دستیارهای دیجیتال و تولید تصویر شناخته میشد. اما امروز، این فناوری وارد آزمایشگاهها و مراکز پژوهشی شده است و به دانشمندان کمک میکند پاسخ پرسشهایی را پیدا کنند که حل آنها در گذشته سالها زمان میبرد.
هوش مصنوعی اکنون در زمینههایی مانند کشف دارو، پیشبینی آبوهوا، طراحی مواد جدید، شناخت بیماریها و بررسی تغییرات اقلیمی کاربرد دارد. البته این فناوری قرار نیست جای دانشمندان را بگیرد؛ بلکه مانند یک دستیار بسیار قدرتمند، سرعت بررسی دادهها و آزمایش ایدههای تازه را بیشتر میکند.
هوش مصنوعی چگونه به دانشمندان کمک میکند؟
پژوهش علمی معمولاً با یک پرسش آغاز میشود. دانشمند برای پاسخدادن به آن، داده جمع میکند، آزمایش انجام میدهد و نتایج را بررسی میکند. این روند گاهی بسیار طولانی است؛ بهویژه زمانی که حجم دادهها زیاد باشد.
برای مثال، یک پژوهشگر ممکن است مجبور باشد هزاران مقاله، میلیونها تصویر یا تعداد زیادی ترکیب شیمیایی را بررسی کند. انجام چنین کاری برای انسان بسیار زمانبر است، اما هوش مصنوعی میتواند در مدت کوتاهی حجم بزرگی از اطلاعات را تحلیل کند.
این فناوری میتواند:
- الگوهای پنهان در دادهها را پیدا کند؛
- نتیجه برخی آزمایشها را پیشبینی کند؛
- گزینههای نامناسب را کنار بگذارد؛
- و مسیرهای تازهای برای ادامه پژوهش پیشنهاد دهد.
نکته مهم: هوش مصنوعی فقط بر اساس دادههایی که در اختیارش قرار گرفتهاند کار میکند. اگر دادهها ناقص یا نادرست باشند، نتیجه آن هم میتواند اشتباه باشد.
نقش هوش مصنوعی در کشف دارو
ساخت یک داروی جدید، فرایندی طولانی و پرهزینه است. ابتدا باید بیماری و عامل ایجادکننده آن بهخوبی شناخته شود. سپس پژوهشگران باید مولکولی پیدا کنند که بتواند روی هدف موردنظر اثر بگذارد.
این مولکول باید چند ویژگی مهم داشته باشد:
- اثر درمانی مناسبی ایجاد کند؛
- برای بدن سمی نباشد؛
- بهدرستی جذب شود؛
- در بدن به محل مناسب برسد؛
- و امکان تولید آن در مقیاس صنعتی وجود داشته باشد.
در روشهای قدیمی، دانشمندان ترکیبات زیادی را یکییکی آزمایش میکردند. بسیاری از این ترکیبات از همان ابتدا مناسب نبودند، اما شناسایی آنها به زمان و هزینه زیادی نیاز داشت.
هوش مصنوعی میتواند پیش از انجام آزمایش، هزاران ترکیب را بررسی کند و گزینههای امیدوارکنندهتر را مشخص کند.
آلفافولد و شناخت ساختار پروتئینها
پروتئینها در بدن نقشهای گوناگونی دارند و بسیاری از بیماریها به عملکرد آنها مربوط میشوند. برای طراحی یک داروی مؤثر، پژوهشگران باید بدانند هر پروتئین چه شکل و ساختاری دارد.
سامانهای مانند AlphaFold توانست پیشبینی ساختار سهبعدی پروتئینها را با سرعت و دقتی بسیار بالا انجام دهد. این پیشرفت، شناخت پروتئینها و طراحی دارو را وارد مرحله تازهای کرد.
نسخه جدیدتر این سامانه، یعنی AlphaFold 3، میتواند ارتباط میان پروتئینها و مولکولهای دیگری مانند DNA، RNA و برخی ترکیبات دارویی را نیز بررسی کند.
به کمک این فناوری، پژوهشگران میتوانند بهتر بررسی کنند که:
- یک دارو چگونه به پروتئین هدف متصل میشود؛
- چرا یک ترکیب شیمیایی اثر درمانی دارد؛
- کدام مولکول احتمالاً عوارض بیشتری ایجاد میکند؛
- و چه ترکیباتی ارزش آزمایشکردن دارند.
هوش مصنوعی میتواند مسیر رسیدن به یک داروی جدید را کوتاهتر کند، اما نتیجه نهایی باید در آزمایشگاه و سپس در کارآزماییهای بالینی بررسی شود.
آیا هوش مصنوعی بهتنهایی دارو میسازد؟
خیر. هوش مصنوعی میتواند ترکیبهای مناسب را پیشنهاد دهد، اما نمیتواند ایمنی یک دارو را بهتنهایی ثابت کند.
هر داروی جدید باید مراحل مختلفی را پشت سر بگذارد:
- آزمایشهای سلولی؛
- آزمایشهای پیشبالینی؛
- کارآزمایی روی انسان؛
- بررسی عوارض جانبی؛
- و دریافت مجوز از نهادهای مسئول.
بنابراین، هوش مصنوعی در این مسیر یک ابزار پژوهشی قدرتمند است، نه جایگزین پزشک، داروساز یا پژوهشگر.
کشف مواد جدید؛ از باتری بهتر تا فناوریهای پیشرفتهتر
جهان امروز به مواد جدیدی نیاز دارد؛ موادی که سبکتر، مقاومتر، ارزانتر و سازگارتر با محیطزیست باشند.
برای نمونه، ساخت باتریهای بهتر به موادی نیاز دارد که:
- انرژی بیشتری ذخیره کنند؛
- دیرتر فرسوده شوند؛
- سریعتر شارژ شوند؛
- و خطر آتشگرفتن کمتری داشته باشند.
پیداکردن چنین موادی ساده نیست. تعداد ترکیبهای شیمیایی احتمالی بسیار زیاد است و بررسی همه آنها با روشهای سنتی تقریباً غیرممکن خواهد بود.
در اینجا، هوش مصنوعی میتواند میلیونها ترکیب احتمالی را بررسی کند و موادی را که ویژگیهای مناسبتری دارند، به پژوهشگران معرفی کند.
برای مثال، پروژه GNoME با استفاده از یادگیری عمیق، ساختارهای گوناگون مواد را بررسی و تعداد زیادی ترکیب پایدار را پیشنهاد کرده است.
البته پیشنهاد رایانهای، پایان کار نیست. دانشمندان باید این مواد را در آزمایشگاه بسازند و ویژگیهای واقعی آنها را اندازهگیری کنند.
نکته: یک ماده ممکن است روی صفحه رایانه بسیار مناسب به نظر برسد، اما تولید آن در آزمایشگاه دشوار یا بسیار گران باشد.
پیشبینی آبوهوا با کمک هوش مصنوعی
پیشبینی آبوهوا یکی از دشوارترین مسائل علمی است. دما، فشار هوا، رطوبت، سرعت باد، وضعیت اقیانوسها و بسیاری عوامل دیگر، وضعیت آبوهوا را تغییر میدهند.
مدلهای سنتی هواشناسی با استفاده از قوانین فیزیک و ابررایانهها کار میکنند. این مدلها همچنان اهمیت زیادی دارند، اما اجرای آنها گاهی به زمان و توان محاسباتی بالایی نیاز دارد.
مدلهای جدید هوش مصنوعی مانند GraphCast و GenCast تلاش میکنند وضعیت آبوهوا را سریعتر پیشبینی کنند. این مدلها با بررسی دادههای گذشته، الگوهای موجود در جو را یاد میگیرند و بر اساس آن، وضعیت آینده را پیشبینی میکنند.
هوش مصنوعی میتواند در پیشبینی موارد زیر مفید باشد:
- بارش شدید؛
- سیل؛
- موج گرما؛
- موج سرما؛
- طوفان؛
- خشکسالی؛
- و تغییرات ناگهانی دما.
پیشبینی دقیقتر آبوهوا میتواند به کشاورزان، نیروهای امدادی، شرکتهای برق، فرودگاهها و مدیران شهری کمک کند.
برای مثال، اگر احتمال بارش شدید چند روز زودتر مشخص شود، میتوان برای تخلیه مناطق پرخطر، مدیریت سدها یا آمادهسازی نیروهای امدادی تصمیم بهتری گرفت.
پیشبینی قطعی یا احتمالی؟
برخی مدلهای هوش مصنوعی بهجای ارائه یک پاسخ قطعی، چند احتمال را بررسی میکنند. برای نمونه، ممکن است نشان دهند که احتمال بارش شدید ۷۰ درصد است.
این نوع پیشبینی، واقعبینانهتر است؛ زیرا آبوهوا همیشه با مقداری عدمقطعیت همراه است.
هوش مصنوعی، سرعت پژوهش را بیشتر میکند
هوش مصنوعی فقط در کشف دارو و پیشبینی آبوهوا کاربرد ندارد. این فناوری میتواند بسیاری از کارهای روزمره پژوهشگران را نیز سادهتر کند.
برای مثال، یک سامانه هوشمند میتواند:
- مقالههای علمی را دستهبندی کند؛
- موضوعات مرتبط را به هم پیوند دهد؛
- دادههای آزمایشگاهی را تحلیل کند؛
- خطاهای احتمالی را پیدا کند؛
- نتایج چند پژوهش را با هم مقایسه کند؛
- و آزمایش بعدی را پیشنهاد دهد.
در برخی آزمایشگاهها، رباتها نیز در کنار هوش مصنوعی فعالیت میکنند. هوش مصنوعی شرایط مناسب یک آزمایش را پیشنهاد میدهد، ربات آزمایش را انجام میدهد و نتیجه دوباره به سامانه بازگردانده میشود.
این چرخه میتواند بارها تکرار شود و به پژوهشگران کمک کند در زمان کوتاهتری به نتیجه برسند.
محدودیتهای هوش مصنوعی در علم
استفاده از هوش مصنوعی در پژوهش، بدون خطر نیست. مهمترین محدودیتهای آن عبارتاند از:
۱. احتمال خطا
هوش مصنوعی گاهی پاسخهایی تولید میکند که درست به نظر میرسند، اما پایه علمی محکمی ندارند. به همین دلیل، هر نتیجه باید بررسی شود.
۲. وابستگی به دادههای باکیفیت
مدل هوش مصنوعی از دادهها یاد میگیرد. اگر دادهها اشتباه یا ناقص باشند، پیشبینی مدل نیز قابل اعتماد نخواهد بود.
۳. دشواری توضیح نتایج
برخی مدلها میتوانند نتیجه دقیقی ارائه دهند، اما توضیح اینکه چرا به چنین نتیجهای رسیدهاند، دشوار است. این موضوع در پزشکی و داروسازی اهمیت زیادی دارد.
۴. حفظ حریم خصوصی
دادههای پزشکی و اطلاعات بیماران بسیار حساساند. استفاده از این دادهها باید با رعایت اصول اخلاقی و قوانین مربوط به حریم خصوصی انجام شود.
۵. نابرابری علمی
همه دانشگاهها و مراکز پژوهشی به ابررایانه، دادههای گسترده و متخصصان هوش مصنوعی دسترسی ندارند. این مسئله ممکن است فاصله میان مراکز علمی برخوردار و کمبرخوردار را بیشتر کند.
جمعبندی
هوش مصنوعی در حال تغییر روش انجام علم است. این فناوری به پژوهشگران کمک میکند داروها را سریعتر طراحی کنند، ساختار پروتئینها را بهتر بشناسند، مواد جدیدی برای باتری و انرژی پیدا کنند و وضعیت آبوهوا را دقیقتر پیشبینی کنند.
بااینحال، نباید هر نتیجهای را که یک مدل هوش مصنوعی ارائه میدهد، حقیقت قطعی دانست. نتیجه علمی زمانی ارزشمند است که با آزمایش، بررسی مستقل و شواهد معتبر تأیید شود.
آینده علم متعلق به انسان یا ماشین بهتنهایی نیست؛ بلکه متعلق به همکاری هوشمندانه میان انسان و هوش مصنوعی است. هوش مصنوعی میتواند مسیر کشف را کوتاهتر کند، اما انتخاب مسیر درست و سنجش نتیجه، همچنان بر عهده انسان است.
