آیا ChatGPT تحقیقات را متحول خواهد کرد؟

آی‌تی‌من- دانشمندان برنده جایزه نوبل اکنون از مدل‌ها یا الگوهای زبانی بزرگ استفاده می‌کنند، اما کارشناسان می‌گویند تاثیرگذاری این مدل‌ها بر تحقیقات در آغاز راه است.

مایکل لویت، بیوفیزیکدان اهل آفریقای جنوبی که در سال ۲۰۱۳ برنده جایزه نوبل شیمی ‌شد، گفت: ChatGPT می‌تواند هر کسی را ۳۰ درصد باهوش‌تر کند که قابل توجه است.

ChatGPT همانند یک شریک مکالمه است که شما را وادار می‌کند خارج از چارچوب فکر کنید یا یک تیم تحقیقاتی که میلیون‌ها کتاب و میلیون‌ها مقاله مجلات را خوانده‌اند.

لویت که یکی از پیشگامان مدل‌سازی کامپیوتری مولکول‌ها است، به راحتی تحت تأثیر جادوی فناوری قرار نمی‌گیرد، با این حال وی اذعان کرد که تحت تأثیر مدل‌های زبانی بزرگ که سال گذشته ظهور یافتند، قرار گرفته است.

وی گفت: من در طول زندگی ام انتظار چنین چیزهایی را نداشتم. اینها ابزار بسیار قدرتمندی هستند. هنوز هم هر روز کد می‌نویسم، اما ChatGPT برنامه‌ها را بسیار خوب می‌نویسد.

این بیوفیزیکدان دانشگاه استنفورد، از نزدیک مشاهده کرده است که چگونه فناوری می‌تواند به سرعت نحوه دسترسی به دانش را تغییر دهد، اما هیچ چیز با ظرفیت‌های مدل‌های زبانی بزرگ قابل مقایسه نیست.

وی گفت: استفاده از گوگل را از سال ۱۹۹۸ و دو سال قبل از انتشار عمومی‌آن شروع کردم؛ زیرا سرگئی برین بنیانگذار آن در کلاس من بود. برین مرد بسیار باهوشی بود که پیشنهاد تبدیل آن به یک سرویس اشتراک را رد کرد. گوگل قدرت تاثیرگذاری دارد، اما ChatGPT از آن هم قوی‌تر است.

ChatGPTکه مقالات علمی ‌و نویسندگان ساختگی را اختراع می‌کند، برخی از دانشمندان را نگران کرده است. اما از نظر لویت محققان باید بتوانند نتایج دردسرساز را تشخیص دهند.

وی گفت: ChatGPT مثل داشتن یک دوست فوق‌العاده باهوش است که همیشه حقیقت را نمی‌گوید، اما ما می‌توانیم این اشتباهات را تشخیص دهیم. نیمی‌از کارهایی که دانشمندان انجام می‌دهند دارای نقص است، اما ما در مرتب سازی داده‌ها عملکرد خوبی داریم.

مارتین چالفی، بیوشیمیدان دانشگاه کلمبیا که در سال ۲۰۰۸ برنده جایزه نوبل شیمی ‌شد، هم مشتاق هوش مصنوعی به عنوان ابزار کمکی در تحقیقات است.

وی گفت: اخیرا به پزشک مراجعه کردم و او معاینات معمول خود را انجام داد و گفت از هوش مصنوعی برای تجزیه و تحلیل نتایج استفاده کرده است.

چالفی با تشبیه این کار پزشک با بهره برداری از هوش مصنوعی در تحقیقات اظهار داشت: پزشک هر کاری را که یک پزشک انجام می‌دهد انجام داد، اما تشخیص دوم را نیز دریافت کرد که ممکن است نظر او را عوض کند. اگر پزشکم پیشنهاد می‌کرد مرا به دستگاهی وصل کند تا برای درمان من تصمیم بگیرد، خوشحال نمی‌شدم. اما این چیزی نیست که در تحقیقات اتفاق می‌افتد؛ نمی‌دانم چرا شما چنین کمکی را نمی‌خواهید.

با این حال، سایر برندگان نوبل در مورد خروجی ChatGPT و سایر چت بات‌ها که کل مجموعه آثار علمی‌ را اسکن می‌کنند، کاملا متقاعد نشده‌اند. در جریان مباحثه ای در نشست سالانه برندگان جایزه نوبل لینداو که ده‌ها برنده نوبل در جزیره لینداو در جنوب آلمان گردهم آمدند، برخی نسبت به اعتماد بیش از حد محققان به شناخت مدل‌های زبانی بزرگ ابراز نگرانی کردند.

آنها می‌گویند: باید بدانیم این برنامه‌ها از چه مجموعه داده‌هایی استفاده می‌کنند. این موضوع باید شفاف باشد. مقررات باید این برنامه‌ها را ملزم کند، حاشیه قطعیت را مشخص یا دستکم مقالات علمی‌با نتایج متناقض که می‌تواند محققان را به جست‌وجوی دیدگاه‌های متفاوت ترغیب کند، مشخص کند.

هوش مصنوعی در سال‌های آینده نیروی مهمی‌برای موفقیت خواهد بود. برخی دیگر پا را فراتر گذاشته و می‌گویند کمیته نوبل باید بطور جدی به فکر تغییر قوانین خود باشد تا هوش مصنوعی یا دستکم محققان هوش مصنوعی واجد شرایط دریافت این جایزه شوند. فناوری AlphaFold شرکت DeepMind که معمای تاشدگی پروتئین را که تقریباً ۵۰ سال لاینحل باقی مانده بود، حل کرد و به دانشمندان این امکان را داد که شکل سه بعدی یک مولکول را بر اساس توالی اسید آمینه آن تعیین کنند. این فناوری نمونه خوبی از یک پیشرفت است که باید واجد شرایط دریافت جایزه باشد.

لویت گفت: بقای جایزه نوبل به خاطر اعتبار آن است. بنابراین می‌دانیم چرا کمیته نوبل نمی‌خواهد این جایزه را به یک رایانه بدهد. این همان جایزه‌ای است که آلبرت انیشتین یک قرن پیش تصاحب کرد. اما این یک سوال منصفانه است چرا که هوش مصنوعی همه چیز را تغییر داده است.

شوتاک پاتل، برنده جایزه ۲۵۰ هزار دلاری ACM در سال ۲۰۱۸، گفت: در واقع، این موضوع که آیا هوش مصنوعی برنده جایزه نوبل خواهد شد یا نه، قابل بحث است، زیرا چندین جایزه نوبل آینده وجود دارد که به شدت به فناوری اتکا دارند.

جایزه ای سی ام به محققان برجسته در اوایل یا اواسط دوران فعالیت آنها اعطا می‌شود و دومین جایزه بزرگ در رایانه پس از جایزه تورینگ یک میلیون دلاری ACM که «نوبل محاسبات» نامیده می‌شود، است.

پاتل مدیر بخش فناوری‌های سلامت گوگل و استاد دانشگاه واشنگتن گفت: هر کسی که جایزه نوبل واکسن کووید را دریافت کند، مطمئناً از هوش مصنوعی استفاده کرده است. هوش مصنوعی در توالی‌یابی سریع ژنوم SARS-CoV-۲ بسیار حیاتی بود.

حوزه تحقیقاتی این محقق که جمع‌آوری داده‌های سلامت با استفاده از تلفن‌های همراه و فناوری‌های پوشیدنی مانند ساعت‌های هوشمند است، با ظهور مدل‌های زبانی در چند ماه گذشته متحول شده است. شیوه‌هایی که آزمایشگاه او برای نظارت بر ضربان قلب بیمار یا بررسی سطح انسولین خون با استفاده از دوربین‌های استاندارد تلفن همراه، یا بررسی بیماری سل با استفاده از میکروفون تلفن ابداع کرده، بدون شک نوآوری‌های هیجان‌انگیزی است، اما این دانشمند رایانه گفت یک مانع بزرگ در این زمینه، پردازش انبوه داده‌های بی‌درنگ از دستگاه‌های دیجیتال است.

به گفته پاتل، به لطف مدل زبانی، محققان دیگر نیازی به کدگذاری مجموعه داده‌های دریافتی ندارند و قادر به پردازش و حتی تفسیر این داده‌ها با حداقل آموزش بودند.

وی تاکید کرد: این کار تقریباً به‌اندازه سامانه ای که پنج سال برای توسعه آن کار می‌کردیم، دقیق بود.

پاتل گفت محققان حوزه سلامت که نظارت بر سلامت تعداد معدودی بیمار را انجام می‌دادند، اکنون با مدل‌های زبانی که قادر به تحلیل و تفسیر داده‌های دستگاه‌های پوشیدنی هستند، به زودی می‌توانند داده‌های میلیون‌ها نفر را دریافت کنند.

وی افزود: اگر می‌خواهید با مشکلاتی مانند تشخیص بیماری‌های نادر قبل از بروز علایم آنها مقابله کنید، این ابزار فوق‌العاده مفید است. ما قبلاً توانسته‌ایم مدلی را برای یافتن یک مشکل سلامتی خاص، آموزش دهیم.

به گفته پاتل، ترکیب هوش مصنوعی با دستگاه‌های دیجیتالی زندگی امروزی، مرزهای دستاوردهای تحقیقاتی را جابجا می‌کند. دستگاه‌های دارای مدل‌های زبانی را می‌توان برای تهیه سفارشی برنامه‌های تناسب اندام و تغذیه برای بهبود سلامت عمومی‌بکار برد.

وی ادامه داد: به جای اینکه به مردم بگوییم باید ورزش کنند یا کمتر غذا بخورند، وزارتخانه‌های بهداشت باید ساعت‌های هوشمند ارائه دهند و هوش مصنوعی برنامه‌های بسیار خاصی را برای تناسب اندام و تغذیه بر اساس شخصیت و عادات و رفتارهای افراد تولید کند. با دسترسی به تلفن افراد، می‌توان برنامه بهداشتی طراحی کرد که احتمال موفقیت آن را بیشتر می‌کند.

برخی از صاحبنظران آشکارا این موضوع را مطرح کرده‌اند که آیا کاهش بهره‌وری علمی‌در حال حاضر در دانش امروز یک قاعده شده است و با داشتن تیم‌های بزرگ‌تر، تجهیزات گران‌تر و زمان بیشتر برای یافتن ایده‌های جدید تأثیر بسیار کمتری نسبت به پیشرفت‌های گذشته دارند. مطالعه‌ای در سال ۲۰۲۰ در نشریه «American Economic Review» با عنوان «آیا یافتن ایده‌ها سخت‌تر است؟» برآورد کرد که بهره‌وری علمی‌به حدود ۳ درصد دهه ۱۹۳۰ رسیده است.

پاتل گفت: این نوع تحقیقات در چند سال گذشته رشد انفجاری داشته، اما در چند ماه گذشته به سطح جدیدی ارتقا یافته است. اکنون هیجان انگیزترین زمان برای محقق شدن است.