بعد از ریاضیات، نوبت فیزیک است؛ هوش مصنوعی تا کجا پیش می‌رود؟
پژوهشگران ییل دریافتند که هوش مصنوعی در صورت طرح دقیق پرسش‌ها می‌تواند مسائل دشوار فیزیک را با دقتی چشمگیر حل کند.
پژوهشگران ییل دریافتند که هوش مصنوعی در صورت طرح دقیق پرسش‌ها می‌تواند مسائل دشوار فیزیک را با دقتی چشمگیر حل کند.
هوش مصنوعی در حل مسائل پیچیده ریاضی به پیشرفت چشمگیری رسیده است؛ تا جایی که برخی دانشمندان نگران‌اند انبوه اثبات‌های تولیدشده با این فناوری، ارزیابی پژوهش‌های جدید را دشوار کند و حتی سرعت پیشرفت علم را کاهش دهد. اکنون نشانه‌هایی وجود دارد که هوش مصنوعی می‌تواند در فیزیک نیز نقش پررنگ‌تری ایفا کند.
جان سوس، پژوهشگر دانشگاه ییل، معتقد است توانایی هوش مصنوعی در حل مسائل فیزیک ممکن است کمتر از حد واقعی ارزیابی شده باشد. برخی مدل‌های پیشرفته در ۶ آزمون تخصصی برای سنجش توانایی حل مسائل دشوار فیزیک، امتیازهایی در حدود ۳۰ درصد کسب کرده بودند؛ اما این نتایج با تجربه سوس و همکارانش از کار با این مدل‌ها همخوانی نداشت.
به گزارش نیوساینتیست ، بررسی دقیق آزمون‌ها نشان داد که تعدادی از پرسش‌ها دارای خطا یا تعریف‌های مبهم هستند و اطلاعات کافی برای رسیدن به پاسخ درست را در اختیار مدل‌ها قرار نمی‌دهند. پس از اصلاح این مشکلات، امتیاز هوش مصنوعی در برخی موارد به ۹۴ درصد رسید.
ارزیابی توانایی هوش مصنوعی فقط به دشواری مسائل وابسته نیست؛ صورت‌بندی دقیق پرسش‌ها و ارائه اطلاعات کافی نیز اهمیت زیادی دارد. سوس می‌گوید هوش مصنوعی احتمالاً در حل هر مسئله‌ای که به‌روشنی تعریف شده، حتی اگر بسیار دشوار باشد، عملکرد فوق‌العاده‌ای خواهد داشت و ممکن است از بهترین متخصصان انسانی نیز بهتر عمل کند. داده‌های پژوهش او و همکارانش از این دیدگاه پشتیبانی می‌کنند.
اما فیزیک فقط شامل مسائلی با پاسخ مشخص و قواعد دقیق نیست. بسیاری از پرسش‌های مهم این علم زمانی مطرح می‌شوند که دانشمندان با پدیده‌ای روبه‌رو هستند که هنوز توضیح روشنی برایش ندارند. در چنین شرایطی، توانایی محاسباتی به‌تنهایی کافی نیست و پژوهشگر باید راهی برای شناخت و توضیح پدیده پیدا کند.
یکی از دلایل پیشرفت سریع هوش مصنوعی در ریاضیات، امکان تبدیل مسائل و اثبات‌ها به قالب‌های رایانه‌ای قابل‌بررسی است. این روش که «رسمی‌سازی ریاضی» نام دارد، ایده‌ها و گزاره‌های ریاضی را به ساختاری تبدیل می‌کند که نرم‌افزارهای تخصصی می‌توانند مراحل استدلال آن را بررسی کنند. اگر اثباتی تمام بررسی‌های لازم را با موفقیت پشت سر بگذارد، می‌توان با اطمینان بسیار زیادی از درستی آن سخن گفت.
چنین رویکردی به هوش مصنوعی کمک می‌کند علاوه بر ارائه راه‌حل، درستی آن را نیز در چارچوب قواعد مشخص ارزیابی کند. اگرچه استفاده از رسمی‌سازی در فیزیک هم در حال توسعه است، این روش هنوز به اندازه ریاضیات پیشرفت نکرده است.
اصلاح خطاها و ابهام‌های موجود در آزمون‌های فیزیک، امتیاز برخی مدل‌های هوش مصنوعی را از حدود ۳۰ درصد به ۹۴ درصد افزایش داد
دلیل این تفاوت آن است که فیزیک با جهان واقعی سروکار دارد؛ جهانی که در آن داده‌ها ممکن است ناقص باشند، اندازه‌گیری‌ها با عدم قطعیت همراه‌اند و بسیاری از پدیده‌ها هنوز به‌خوبی شناخته نشده‌اند. در این شرایط، دانشمندان باید با ساخت مدل، ارائه تقریب یا طراحی شبیه‌سازی، رفتار پدیده‌ها را توضیح دهند و پیش‌بینی کنند.
ولادیمیر آرنولد، ریاضیدان و فیزیکدان، زمانی گفته بود که ریاضیات بخشی از فیزیک است که آزمایش‌های آن هزینه چندانی ندارند. منظور وی این بود که در ریاضیات می‌توان بسیاری از مسائل را با استدلال منطقی و محاسبات بررسی کرد، اما در فیزیک برای فهم رفتار واقعی طبیعت، معمولاً باید فرضیه‌ها را با آزمایش‌های عملی سنجید.
از نگاه سوس، خلاقیت در همین مرحله اهمیت پیدا می‌کند؛ زمانی که فیزیکدان باید از مشاهده پدیده‌ای ناشناخته به ساخت مدلی برسد که آن را توضیح دهد. هنوز مشخص نیست هوش مصنوعی بتواند تمام این مراحل را به‌طور مستقل انجام دهد.
هوش مصنوعی هم‌اکنون در برخی آزمایشگاه‌های فیزیک برای کارهایی فراتر از محاسبات و برنامه‌نویسی به کار گرفته می‌شود. لوگان رایت، پژوهشگر دانشگاه ییل، دوره‌ای درباره کاربرد این فناوری در پژوهش‌های فیزیک تدریس می‌کند و می‌گوید محتوای دوره دائماً با پیشرفت ابزارهای هوش مصنوعی تغییر می‌کند.
به اعتقاد رایت، یکی از راه‌های مؤثر برای استفاده از هوش مصنوعی، طراحی آزمایش‌هایی است که ورودی‌ها و خروجی‌های آن‌ها با رایانه کنترل شوند. در این شرایط، هوش مصنوعی می‌تواند تنظیمات آزمایش را تغییر دهد، داده‌های حاصل را تحلیل کند و براساس نتایج، مراحل بعدی را پیش ببرد.
برای مثال، اگر دستگاهی بتواند پارامترهای آزمایش را خودکار تغییر دهد و نتایج را به‌صورت دیجیتال ثبت کند، هوش مصنوعی می‌تواند آزمایش را با تنظیمات مختلف تکرار کند و الگوهایی را شناسایی کند که به شناخت بهتر پدیده مورد بررسی کمک می‌کنند.
رایت توضیح می‌دهد که هوش مصنوعی از طریق زبان و کد با جهان تعامل می‌کند؛ بنابراین، هرچه بتوان مشاهدات و اقدامات یک آزمایش را به داده‌های دیجیتال و دستورهای رایانه‌ای تبدیل کرد، امکان استفاده مؤثر از این فناوری بیشتر می‌شود.
یکی از نمونه‌های عملی این رویکرد در آزمایشگاه رایت در حال اجرا است. پژوهشگران در این آزمایش بررسی می‌کنند که شکل‌های مختلف پالس‌های لیزری چه تأثیری بر اتم روبیدیوم می‌گذارند. آن‌ها از مدل هوش مصنوعی کلود، محصول شرکت آنتروپیک، برای کنترل پالس‌های لیزری و جمع‌آوری داده‌ها استفاده می‌کنند.
برخلاف بسیاری از مسائل ریاضی که می‌توان درستی پاسخ آن‌ها را با استدلال منطقی بررسی کرد، پژوهش در فیزیک اغلب به آزمایش و شناخت پدیده‌های ناشناخته نیاز دارد
کلود می‌تواند پیش‌بینی کند که یک پالس لیزری مشخص چه نتیجه‌ای به همراه خواهد داشت و سپس پیش‌بینی خود را با اجرای آزمایش بررسی کند. به این ترتیب، هوش مصنوعی در چرخه‌ای از پیش‌بینی، آزمایش و ارزیابی نتایج مشارکت می‌کند.
یکی از مزیت‌های این روش، امکان اجرای طولانی‌مدت آزمایش‌ها بدون نیاز به حضور مداوم پژوهشگر است. به گفته رایت، آزمایش‌ها می‌توانند در طول شب ادامه پیدا کنند و در این مدت، به‌اندازه کاری که ممکن است یک انسان در طول یک هفته انجام دهد، پیش بروند. پژوهشگران حتی می‌توانند از راه دور و با استفاده از تلفن همراه، ایده‌های خود را پیشنهاد و پس از بازگشت به آزمایشگاه، نتایج را بررسی کنند.
البته این روش برای تمام مسائل فیزیک مناسب نیست. رایت تأکید می‌کند که هوش مصنوعی احتمالاً در حوزه‌هایی بیشترین کارایی را خواهد داشت که شرایط آزمایش در آن‌ها محدود، مشخص و کنترل‌شدنی است. از نظر او، یکی از مسیرهای مهم پیشرفت آینده فیزیک، استفاده حداکثری از این قابلیت‌ها برای حل مسائل در چنین حوزه‌هایی خواهد بود.
یکی از پرسش‌های مهم درباره آینده هوش مصنوعی در فیزیک این است که آیا این فناوری می‌تواند آزمایش‌هایی طراحی کند که حتی دانشمندان نیز در ابتدا منطق آن‌ها را درک نکنند.
رایت معتقد است چنین اتفاقی ممکن است در آینده‌ای نزدیک رخ دهد. هوش مصنوعی می‌تواند آزمایشی پیشنهاد کند که انسان‌ها به‌طور کامل از منطق طراحی آن سر درنیاورند، اما بتوانند تجهیزات لازم را بسازند و آن را اجرا کنند. چنین آزمایشی ممکن است به نتایج تازه و غیرمنتظره‌ای منجر شود.
البته، دستیابی به نتیجه جدید لزوماً به معنای درک علمی آن نیست. اگر هوش مصنوعی رابطه‌ای ناشناخته را کشف کند، اما پژوهشگران نتوانند توضیح دهند چرا آن رابطه وجود دارد یا نتیجه چگونه به دست آمده است، آیا می‌توان این دستاورد را پیشرفتی واقعی در علم دانست؟
پرسشی مشابه در ریاضیات نیز مطرح است: اگر هوش مصنوعی اثباتی ارائه دهد که درستی آن قابل‌بررسی باشد، اما انسان نتواند منطق آن را به‌خوبی درک کند، آیا این اثبات به فهم ما از ریاضیات کمک کرده است؟
این مسئله در فیزیک اهمیت بیشتری دارد؛ زیرا هدف این علم صرفاً پیش‌بینی نتیجه آزمایش‌ها نیست، بلکه توضیح پدیده‌های طبیعی و شناخت سازوکارهای پشت آن‌ها نیز اهمیت دارد.
هوش مصنوعی هم‌اکنون می‌تواند در تحلیل داده‌ها، حل مسائل، برنامه‌نویسی و کنترل تجهیزات آزمایشگاهی به پژوهشگران کمک کند. این فناوری همچنین امکان بررسی فرضیه‌های بیشتر در زمان کمتر را فراهم می‌کند و شاید به کشف روابطی منجر شود که شناسایی آن‌ها با روش‌های معمول دشوار است.
هوش مصنوعی ممکن است بتواند آزمایش‌هایی طراحی کند که به نتایج علمی تازه‌ای منجر شوند، حتی اگر دانشمندان در ابتدا منطق طراحی آن‌ها را به‌طور کامل درک نکنند
بااین‌حال، توانایی حل مسئله با توانایی انجام یک پژوهش علمی کامل تفاوت دارد. هنوز باید مشخص شود که هوش مصنوعی تا چه اندازه می‌تواند پرسش‌های پژوهشی تازه مطرح و پدیده‌های ناشناخته را به مدل‌های معنادار تبدیل کند و نتایج خود را به شکلی توضیح دهد که به درک عمیق‌تر طبیعت منجر شود.
بنابراین، هنوز نمی‌توان گفت هوش مصنوعی به‌زودی جای فیزیکدانان را خواهد گرفت؛ اما می‌تواند شیوه انجام پژوهش را تغییر دهد و در برخی حوزه‌های مشخص، بخش بزرگی از فرایند آزمایش را بر عهده بگیرد.
شاید چالش اصلی آینده فقط این نباشد که هوش مصنوعی می‌تواند به پرسش‌های علمی پاسخ دهد یا نه؛ بلکه این باشد که آیا انسان می‌تواند نتایج آن را بفهمد، توضیح دهد و به دانشی قابل‌اتکا تبدیل کند یا نه.