قدرت هوش مصنوعی

در سال‌های گذشته، هوش مصنوعی از ابزار کمکی در حاشیه فعالیت‌های علمی و فنی به یکی از عناصر مرکزی در فرآیند تحقیق و توسعه تبدیل شده است. اگر تا همین چند سال پیش، کاربرد اصلی این فناوری در خودکارسازی وظایف تکراری، پردازش سریع داده‌ها یا بهبود بهره‌وری در تولید کالا و خدمات خلاصه می‌شد، امروز به‌طور فزاینده‌ای شاهد آن هستیم که هوش مصنوعی به طور مستقیم در تولید دانش و ایده‌های جدید نقش ایفا می‌کند. همین تحول باعث شده پرسش‌های تازه‌ای درباره ماهیت تحقیق و توسعه، بازده سرمایه‌گذاری در آن و نقش نیروی انسانی در کنار ماشین‌ها مطرح شود. برای مثال، در علوم زیستی، سامانه‌هایی همانند AlphaFold توانسته‌اند مسئله‌ای را حل کنند که سال‌ها یکی از چالش‌های بزرگ زیست‌شناسی مولکولی با نام پیش‌بینی ساختار سه‌بعدی پروتئین‌ها بود. کاری که پیشتر به آزمایش‌های پرهزینه و زمان‌بر نیاز داشت، اکنون با کمک الگوریتم‌های یادگیری ماشین و در زمان کوتاهی انجام می‌شود. 

در چنین فضایی، مقاله «Artificial Intelligence in Research and Development» نوشته بنجامین اف. جونز تلاش می‌کند به این پرسش پاسخ دهد که هوش مصنوعی دقیقاً چگونه و در چه شرایطی می‌تواند تحقیق و توسعه را متحول کند؟ جونز که از اقتصاددانان برجسته حوزه نوآوری و رشد اقتصاد است، در این مقاله چهارچوب تحلیلی ارائه می‌دهد که به‌جای تمرکز صرف بر پیامدهای کلان همانند رشد اقتصاد یا اشتغال، مستقیم به فرآیند توسعه و تحقیق (R&D) می‌پردازد. نکته اساسی در رویکرد جونز این است که تحقیق و توسعه را به‌عنوان مجموعه‌ای از وظایف مختلف در نظر می‌گیرد؛ وظایفی که برخی از آنها را انسان‌ها بهتر انجام می‌دهند و برخی دیگر را ماشین‌ها. برای مثال، خلاقیت مفهومی، درک زمینه اجتماعی یا قضاوت‌های پیچیده ممکن است همچنان متکی بر انسان باشد، در حالی‌که پردازش حجم عظیمی از داده‌ها، شناسایی الگوها یا اجرای شبیه‌سازی‌های تکراری می‌تواند به‌مراتب کارآمدتر انجام شود. جونز در مقاله‌اش تاکید می‌کند، اگر بخشی از فرآیند تحقیق به‌شدت محدودکننده باشد، پیشرفت در سایر بخش‌ها نمی‌تواند به‌طور کامل اثرگذار شود. برای مثال، اگر تحلیل داده‌ها به‌سرعت انجام شود و جمع‌آوری داده‌های باکیفیت یا انجام آزمایش‌های واقعی زمان‌بر و پرهزینه باشد، سرعت پیشرفت همچنان محدود است. بازده سرمایه‌گذاری در هوش مصنوعی، به ساختار کل فرآیند تحقیق و توسعه و میزان مکمل بودن سایر نهاده‌ها بستگی دارد.

یکی دیگر از ایده‌های مهم مقاله، بحث «بازده نهایی هوش» است. جونز نشان می‌دهد حتی اگر هوش مصنوعی هوشمند شود، افزایش بیشتر در سطح هوش لزوماً به افزایش متناسب در خروجی تحقیق منجر نمی‌شود. همان‌طور که در تیم انسانی، اضافه کردن پژوهشگران بدون تغییر در ساختار کار یا منابع می‌تواند بازده نزولی ایجاد کند، در مورد هوش مصنوعی نیز ممکن است محدودیت‌هایی وجود داشته باشد که اثر نهایی آن را کاهش دهد. در مجموع، مقاله بنجامین اف. جونز کمک می‌کند نگاه واقع‌بینانه‌تری به نقش هوش مصنوعی در تحقیق و توسعه داشته باشیم. این مقاله نه دچار خوش‌بینی افراطی است و نه بدبینی ساده‌انگارانه، بلکه تلاش می‌کند با چهارچوب تحلیلی نشان دهد که اثر واقعی هوش مصنوعی به چه عواملی بستگی دارد.

مقاله چه می‌گوید؟

این مقاله تحقیق و توسعه را نه به‌عنوان فعالیت یکپارچه و مبهم، بلکه به‌صورت مجموعه‌ای از «وظایف» یا فعالیت‌های مشخص در نظر می‌گیرد. در ساده‌ترین حالت، می‌توان آنها را همان مراحل آشنای پژوهش علمی دانست. در حوزه توسعه محصول نیز وظایفی همانند طراحی، نمونه‌سازی اولیه و آزمون محصول وجود دارد. اگر دقیق‌تر نگاه کنیم، هر یک از این مراحل شامل مجموعه‌ای از کارهای تخصصی‌ است که بسته به رشته علمی یا نوع پروژه، تفاوت زیادی با هم دارند. نگاه وظیفه‌محور به تحقیق و توسعه به مقاله اجازه می‌دهد از ادبیات موجود در الگوهای مبتنی بر وظایف استفاده کند. الگو‌هایی که در گذشته برای تحلیل اثر ماشین‌ها و اتوماسیون بر بازار کار و تولید به‌کار رفته‌اند. ایده اصلی الگوها آن است که ماشین‌ها می‌توانند برخی از وظایفی را که پیشتر به دست نیروی انسانی انجام می‌شد، به عهده بگیرند و در انجام آنها از انسان بهتر شوند. بنجامین جونز در این مقاله از همین منطق استفاده می‌کند، اما آن را به حوزه تولید ایده‌ها و دانش تعمیم می‌دهد. تفاوت مهم مقاله با بسیاری از مطالعات قبلی این است که تمرکز اصلی نه بر تعادل عمومی اقتصاد و رشد بلندمدت، بلکه بر تصمیم‌های خُرد در سطح تیم‌های تحقیقاتی، آزمایشگاه‌ها، نهادهای پژوهشی یا بنگاه‌هاست. پرسش محوری این است که واحد پژوهشی با بودجه مشخص، چگونه می‌تواند منابع را میان انسان و ماشین به‌گونه‌ای تخصیص دهد که بیشترین پیشرفت علمی یا فناورانه را به ازای هر دلار هزینه به‌دست آورد؟

برای درک بهتر این رویکرد، می‌توان پروژه پژوهشی واقعی را در نظر گرفت. برای مثال در اقتصاد، انجام پژوهش با داده‌های اداری آمریکا شامل مراحل متعددی است. شکل‌دادن به ایده و استراتژی تجربی، گرفتن مجوزهای قانونی برای دسترسی به داده‌ها، یادگیری ساختار پایگاه‌های داده، نوشتن کدهای آماری، تحلیل نتایج و در نهایت طی‌کردن فرآیندهای افشای نتایج. در مقابل، در طراحی داروی ضد سرطان، مسیری کاملاً متفاوت طی می‌شود. شناسایی جهش ژنتیکی موثر، بررسی ساختار و عملکرد پروتئین مربوطه، استفاده از ابزارهای آزمایشگاهی پیشرفته، سپس آزمون دارو روی سلول‌ها، حیوانات و انسان‌ها. مقاله نشان می‌دهد که با وجود این تفاوت‌ها، هر دو نوع پروژه را می‌توان به‌صورت مجموعه‌ای از وظایف دید که هرکدام ظرفیت متفاوتی برای استفاده از هوش مصنوعی دارند.

نویسنده تاکید می‌کند مزیت نگاه کلی آن است که هم وظایف خلاقانه، همانند جست‌وجوی ایده‌های جدید، و هم وظایف اجرایی، همانند اجرای آزمایش‌ها یا تحلیل داده‌ها، در چهارچوب واحد قرار می‌گیرند. هرچند این رویکرد ممکن است برخی جزئیات ظریف فرآیند خلاقیت را نادیده بگیرد، اما در عوض تصویر جامع‌تری از فعالیت‌های تحقیقاتی ارائه می‌دهد. به این ترتیب، می‌توان بررسی کرد که هوش مصنوعی در کدام بخش‌ها بیشترین اثر را دارد؟ و در کدام بخش‌ها همچنان وابستگی شدیدی به انسان وجود دارد؟

مقاله همچنین به سایر دیدگاه‌های مهم درباره نقش هوش مصنوعی در تحقیق و توسعه اشاره می‌کند. برخی پژوهشگران بر این باورند که هوش مصنوعی می‌تواند جست‌وجوی خلاقانه در فضای ناشناخته را بهبود دهد؛ یعنی کمک کند مسیرهایی کشف شوند که برای انسان‌ها پرریسک یا نامطمئن به نظر می‌رسند. دیدگاه دیگری بر توانایی هوش مصنوعی در ترکیب دانش‌های پراکنده تاکید دارد. بر اساس مفهوم «بار دانش»، با انباشت دانش بشری، هر پژوهشگر انسانی تنها می‌تواند بخش کوچکی از کل دانش موجود را درک کند. در چنین شرایطی، هوش مصنوعی می‌تواند حجم عظیمی از اطلاعات را همزمان پردازش و ترکیب کند، که می‌تواند مزیت بزرگی داشته باشد. نمونه‌هایی همانند سامانه GNoME نشان می‌دهند هوش مصنوعی می‌تواند ترکیب‌های جدیدی از مواد یا مسیرهای شیمیایی را شناسایی کند که برای پژوهشگران انسانی به‌سادگی قابل مشاهده نیستند. مقاله نشان می‌دهد برای ارزیابی واقعی پتانسیل هوش مصنوعی در تحقیق و توسعه، باید دقیقاً بدانیم چه وظایفی در فرآیند پژوهش وجود دارد، کدام‌یک از آنها قابل‌واگذاری به ماشین هستند و این واگذاری تا چه حد می‌تواند محدودیت‌های موجود را کاهش دهد؟ این چهارچوب، پایه‌ای تحلیلی فراهم می‌کند که بتوان درباره آینده تحقیق و توسعه در عصر هوش مصنوعی قضاوت کرد، نه صرفاً بر اساس خوش‌بینی یا بدبینی کلی، بلکه بر مبنای ساختار واقعی فعالیت‌های پژوهشی.

یافته‌های مقاله

یافته‌های مقاله بنجامین اف. جونز نشان می‌دهد اثر هوش مصنوعی بر تحقیق و توسعه خودکار و یکسان نیست، بلکه به چند عامل قابل‌شناسایی بستگی دارد. مهم‌ترین نتیجه مقاله این است که با وجود پیشرفت‌های بزرگ در هوش مصنوعی، شتاب گرفتن پژوهش و نوآوری به‌طور خودکار اتفاق نمی‌افتد. بلکه میزان اثرگذاری AI به ساختار وظایف پژوهشی، بهره‌وری نسبی ماشین در انجام این وظایف و وجود یا نبود گلوگاه‌ها در فرآیند تولید ایده‌ها وابسته است. این نتیجه در تضاد با دیدگاه‌هایی قرار می‌گیرد که تصور می‌کنند افزایش شدید هوش ماشین‌ها به‌تنهایی می‌تواند موجی از پیشرفت‌های سریع و بی‌وقفه علمی ایجاد کند.

یکی از یافته‌های اساسی مقاله این است که سهم وظایفی که هوش مصنوعی می‌تواند انجام دهد، اهمیت دارد. اگر هوش مصنوعی تنها قادر باشد بخش کوچکی از وظایف تحقیقاتی را پوشش دهد، حتی اگر در همان بخش‌ها کارآمد باشد، اثر نهایی آن بر خروجی تحقیق محدود است. برای مثال، اگر هوش مصنوعی بتواند تحلیل داده‌ها را سریع‌تر از انسان انجام دهد، اما تعریف مسئله، طراحی آزمایش یا تفسیر نتایج همچنان انسانی باقی بماند، سرعت کل پروژه چندان افزایش نمی‌یابد. در مقابل، اگر هوش مصنوعی بتواند در طیف گسترده‌ای از وظایف نقش ایفا کند، آنگاه امکان جهش واقعی در بهره‌وری تحقیق و توسعه فراهم می‌شود.

یافته دوم به بهره‌وری نسبی هوش مصنوعی در وظایف مختلف مربوط است. مقاله نشان می‌دهد مهم نیست AI  «قابل استفاده» باشد؛ مهم این است که هوش مصنوعی چقدر بهتر یا بدتر از انسان عمل می‌کند. اگر بهره‌وری AI  در وظیفه تنها کمی بالاتر از نیروی انسانی باشد، اثر آن بر نرخ پیشرفت محدود است. اگر در برخی وظایف، ماشین بتواند با چند برابر سرعت یا دقت انسان کار کند، همان بخش‌ها می‌توانند به محرک‌های اصلی پیشرفت تبدیل شوند. نمونه‌های واقعی این وضع را می‌توان در حوزه‌هایی همانند کشف مواد جدید یا پیش‌بینی ساختار پروتئین‌ها مشاهده کرد، جایی‌که AI فضای جست‌وجو را به‌شدت گسترش داده است.

مهم‌ترین یافته مقاله، نقش گلوگاه‌ها در فرآیند تحقیق و توسعه است. جونز نشان می‌دهد اگر هوش مصنوعی در بسیاری از وظایف عملکرد فوق‌العاده‌ای داشته باشد، وجود چند گلوگاه می‌تواند سرعت فرآیند را کُند کند. برای مثال، در تحقیقات پزشکی، سرعت تحلیل داده‌ها ممکن است بالا برود، اما مراحل آزمایش بالینی، محدودیت‌های اخلاقی و مقرراتی همچنان زمان‌بر باقی بمانند. در چنین شرایطی، بازده نهایی سرمایه‌گذاری در AI کاهش می‌یابد، زیرا پیشرفت نمی‌تواند به‌طور کامل محدودیت بخش دیگری را جبران کند. این ایده به‌ویژه برای سیاست‌گذاران اهمیت دارد، زیرا نشان می‌دهد تمرکز صرف بر توسعه الگوریتم‌ها بدون توجه به زیرساخت‌ها و نهادهای مکمل می‌تواند نتایج محدودی داشته باشد.

یافته مهم دیگر مقاله به مفهوم «بازده نهایی هوش» مربوط می‌شود. جونز نشان می‌دهد با افزایش سطح هوش مصنوعی، بازده نهایی آن لزوماً ثابت یا افزایشی نیست و ممکن است کاهش یابد. به بیان ساده، داشتن ماشین‌های هوشمند همواره به معنای پیشرفت سریع‌ نیست، مگر آنکه سایر عوامل محدودکننده نیز همزمان بهبود یابند. این نتیجه دیدگاه متعادلی در برابر تصورات مربوط به فراهوش مصنوعی ارائه می‌دهد و تاکید می‌کند در سناریوهای خوش‌بینانه، ساختار واقعی تحقیق و توسعه نقش تعیین‌کننده  دارد.

پرده پایانی

اثر هوش مصنوعی بر سرعت پیشرفت علمی و فناورانه به سه عامل وابسته است. نخست، اینکه چه سهمی از وظایف پژوهشی از طریق AI انجام می‌شود. دوم، اینکه AI در انجام این وظایف چقدر از انسان بهره‌ورتر است. سوم، شدت گلوگاه‌ها در فرآیند تحقیق و توسعه. جونز نشان می‌دهد اگر یکی از این عوامل نادیده گرفته شود، تصویر نادرستی از توان واقعی هوش مصنوعی به دست می‌آید. به‌ویژه، وجود گلوگاه‌ها می‌تواند حتی اثر پیشرفته‌ترین سامانه‌های AI را محدود کند.

یکی از پیام‌های مهم مقاله این است که بهبود شدید عملکرد هوش مصنوعی در تعداد محدودی از وظایف، به‌تنهایی کافی نیست. حتی اگر تصور کنیم میلیون‌ها هوش مصنوعی در سطح نبوغ انسانی به‌طور همزمان کار می‌کنند، باز هم تا زمانی‌که این هوش‌ها نتوانند بخش بزرگی از کل وظایف تحقیقاتی را پوشش دهند، شتاب چشمگیری در پیشرفت رخ نمی‌دهد. به بیان ساده، «هوش مصنوعی قدرتمند» الزاماً به «هوش مصنوعی تحول‌آفرین» منجر نمی‌شود. بازده نهایی هوش، زمانی که فقط روی بخش کوچکی از کار پژوهش متمرکز باشد، محدود باقی می‌ماند.

مقاله همچنین تاکید می‌کند گلوگاه‌ها در تحقیق و توسعه رایج‌ هستند. محدودیت‌های نهادی، قوانین، نیاز به آزمایش‌های واقعی، کمبود داده یا تجهیزات، همگی می‌توانند سرعت پیشرفت را کاهش دهند. به همین دلیل، اگر قرار است هوش مصنوعی نقش مهم‌تری در تحقیق و توسعه ایفا کند، باید بتواند دامنه وسیعی از وظایف را پوشش دهد یا همزمان این محدودیت‌ها کاهش یابند. تمرکز صرف بر ساخت الگوریتم‌های هوشمند بدون توجه به این عوامل مکمل، اثر محدودی دارد. نویسنده مقاله بر اهمیت اندازه‌گیری تجربی تاکید می‌کند. او نشان می‌دهد مطالعات هوش مصنوعی می‌تواند بگوید هوش مصنوعی دقیقاً در چه وظایفی، با چه کیفیتی و در چه مقیاسی موثر است. چنین اطلاعاتی برای درک واقع‌بینانه آینده تحقیق و توسعه ضروری است. جمع‌بندی مقاله این است که آینده تحقیق و توسعه در عصر هوش مصنوعی نه به سطح مطلق هوش ماشین‌ها، بلکه به گستره کاربرد آنها و ساختار واقعی فرآیند پژوهش بستگی دارد.