تابستان امسال، یک قرص جدید برای درمان یک بیماری مزمن ریوی وارد مرحله آزمایشی انسانی شد. مطالعات قبلی بیخطر بودن این قرص را تایید میکنند، اما اثربخشی آن در کاهش علائم فیبروز هنوز نامشخص است. هدف آزمایشی در حال انجام، تعیین اثربخشی آن احتمالاً تا سال آینده است. چیزی که این را منحصر به فرد می کند این است که احتمالاً اولین دارویی است که کاملاً توسط هوش مصنوعی (AI) طراحی شده است که تا این حد پیشرفت کرده است.
Insilico Medicine، شرکت بیوتکنولوژی تولید کننده این قرص، از مدلهای مختلف هوش مصنوعی برای شناسایی هدف جدیدی برای درمان فیبروز و تعیین مولکولهای مناسب برای این دارو استفاده کرد. با این برنامهها، اینسیلیکو تنها در دو سال و نیم از آغاز به آزمایشهای انسانی اولیه رسید، جدول زمانی بسیار کوتاهتری نسبت به پنج سال معمول. حتی اگر این قرص بی اثر باشد، داروهای دیگری که به کمک هوش مصنوعی ساخته می شوند برای توسعه آینده آماده میشوند و جایگزینی سریعتر برای داروهای سنتی ارائه میکنند .
هوش مصنوعی چقدر بهتر از انسان است؟
هوش مصنوعی نقش بسزایی در دگرگونی رشته های مختلف علمی ایفا می کند. در ماههای اخیر، هوش مصنوعی طوفانهای استوایی را سریعتر و دقیقتر از مدلهای معمولی پیشبینی کرده است، متا از مدلی رونمایی کرده است که اسکنهای مغز را برای بازتولید ادراکات بصری تجزیه و تحلیل میکند، و گوگل از هوش مصنوعی برای پیشنهاد میلیونها ماده جدید برای ابررایانهها و وسایل نقلیه الکتریکی استفاده میکند. درست همانطور که هوش مصنوعی خطوط بین متن و تصاویر ساخته شده توسط انسان و کامپیوتر را محو می کند، عناصر بنیادی تحقیقات علمی را تسریع و تغییر شکل می دهد و اکتشافاتی را امکان پذیر می کند که در غیر این صورت دست نیافتنی بودند.
با وجود سرعت بیسابقه پیشرفتهای علمی مبتنی بر هوش مصنوعی، این نگرانی وجود دارد که هوش مصنوعی جدایی از جنبه انسانی تحقیق را معرفی کند. به طور سنتی، دانش از مشاهده و تبیین جهان طبیعی به دست آمده است. با این حال، مدلهای هوش مصنوعی معاصر پاسخهایی را بدون توجیه شفاف ارائه میکنند و ماهیت کشف را به چالش میکشند.
هوش مصنوعی در تشخیص الگوهای پیچیده از مجموعه دادههای گسترده برتری دارد و نحوه دسترسی افراد و استفاده از دانش را تغییر میدهد. با این حال، عدم قطعیت در مورد چگونگی فرمولبندی پاسخها توسط رباتهای چت هوش مصنوعی ایجاد میکند. عدم شفافیت سؤالاتی را در مورد صحت و قابل درک بودن محتوای ساخته شده توسط انسان ایجاد می کند. حتی زمانی که پاسخ تولید شده توسط هوش مصنوعی منطقی به نظر می رسد، ممکن است یک میانبر به جای درک واقعی فرآیندها ارائه دهد.
آیا هوش مصنوعی قابل اعتماد است؟
این تغییر پارادایم فراتر از پزشکی است. هوش مصنوعی در حال تغییر شکل حوزه های علمی مختلف است. برای مثال، AlphaFold شرکت DeepMind با پیشبینی ساختارهای پروتئینی در کسری از زمان سنتی، زیستشناسی مولکولی را متحول کرد. سرعت و مقیاس هوش مصنوعی روشهای تحقیق در علوم اعصاب، ژنتیک و نجوم را متحول میکند.
ادغام بالقوه مدلهای هوش مصنوعی و آزمایشهای فیزیکی، یک “آزمایشگاه خودران” را متصور است، جایی که برنامههای کامپیوتری و روباتها در ایجاد فرضیهها، برنامهریزی آزمایشها و تجزیه و تحلیل نتایج با یکدیگر همکاری میکنند. اگرچه نمونه های اولیه وجود دارد، اجرای گسترده یک چشم انداز دور است. در صورت تحقق، این آینده میتواند نرمافزار و روباتها را از ابزار به همکاران ارتقا دهد و پویایی خلق دانش را تغییر دهد.
با وجود پتانسیل تحول آفرین هوش مصنوعی، چالش ها همچنان ادامه دارد. موفقیت AlphaFold به داده های بسیار مدیریت شده متکی بود و فقدان داده های با کیفیت بالا در برخی رشته ها مانع از برنامه های کاربردی هوش مصنوعی می شود. تبدیل ساختارهای مولکولی ایستا به برهمکنشهای دینامیکی در بدن انسان چالش پیچیدهای است. ماهیت زمانبر آزمایشهای بالینی و پیچیدگیهای دنیای واقعی، موانعی را برای راهحلهای سریع تولید شده توسط هوش مصنوعی ایجاد میکند.
معضل شناختی از مبهم بودن مدلهای هوش مصنوعی ناشی میشود که اغلب به آنها «جعبههای سیاه» میگویند. این روش علمی را به چالش میکشد، زیرا درک عملکرد درونی این مدلها برای تشخیص منشأ اکتشافات بسیار مهم است. پرداختن به این امر مستلزم کشف پیچیدگی های مدل های هوش مصنوعی و اصلاح روش علمی برای تطبیق با دانش تولید شده توسط هوش مصنوعی است. ابهامزدایی از پیشبینیهای هوش مصنوعی و درک فرآیندهای تصمیمگیری برای ایجاد اعتماد در قابلیت اطمینان بینشهای تولیدشده توسط هوش مصنوعی ضروری است. چالش در تطبیق قابلیتهای هوش مصنوعی با نیاز به تولید دانش شفاف و قابل درک در ادامه تغییر شکل تحقیقات علمی است.
منابع