هوش مصنوعی کشف علمی را وارونه کرد نقش دانشمند در عصر داده
به گزارش ابزار اپل، امروز داده و هوش مصنوعی نقش ابزار اصلی تحول در فرآیند اکتشافات علمی را ایفا می کنند. آنها نه صرفا ابزار تحلیل، بلکه بستر تشکیل نوع جدیدی از کشف هستند.
به گزارش ابزار اپل به نقل از مهر، تحول در علم همیشه با تحول در ابزارهای آن همراه بوده است. هر ابزاری که به دانشمند امکان داده افق مشاهده را گسترش دهد، در عمل مرزهای کشف را جابه جا کرده است. از این نقطه نظر، تلسکوپ نه فقط ابزار رصد ستارگان، بلکه نشانه عبور از جهان عصر نجوم مبتنی بر چشم غیرمسلح به جهانی تازه بود؛ همانطور که میکروسکوپ، نگاه علمی را از سطح قابل رؤیت به عمق سلولی و مولکولی برد. به همین قیاس، شتاب دهنده های ذرات تنها ابزارهای فیزیکی نبودند، بلکه زبان جدیدی برای توصیف ساختار هستی پدید آوردند. امروز هم داده و هوش مصنوعی چنین نقشی را ایفا می کنند. آنها نه فقط ابزار تحلیل، بلکه بستر ایجاد نوع تازه ای از کشف هستند. در این مرحله جدید، داده تنها ماده خام مشاهده نیست؛ بلکه به منبع تولید فرضیه، بازسازی پدیده ها، شبیه سازی شرایط غیرقابل دسترس و حتی اعتبارسنجی علمی تبدیل گشته است. آزمایش علمی که قبل تر کنشی مستقیم و تجربی بود، حال بیشتر در قلمروی محاسبه و مدل سازی رخ می دهد. این دگرگونی فقط یک تحول تکنولوژیک نیست؛ بلکه بازتعریفی عمیق از معنای مشاهده، معیارهای صحت علمی و جایگاه دانشمند در تولید دانش به حساب می آید. به بیان دیگر، تغییر ابزار، تغییر ماهیت پروسه کشف را بهمراه آورده است. این نوشتار کوتاه با محوریت تحول پروسه کشف و تغییر نقش دانشمند به عنوان محور اصلی، به تحلیل روند انتقال علم از مشاهده به شبیه سازی می پردازد؛ روندی که در آن آزمایشگاه، دیگر نقطه آغاز پژوهش نیست، بلکه به ایستگاه غائی و مرجع تأیید نتایج مدلهای داده محور تبدیل می شود. این یعنی کشف، قبل از مشاهده و در قلمرو محاسبه رخ می دهد و مشاهده، نقش داور غائی را بر عهده دارد.
دگرگونی ماهیت کشف علمی: از مشاهده تا شبیه سازی
در خیلی از رشته های علمی، آزمایش که سابقاً سرآغاز پژوهش بود، حال به مرحله غائی تبدیل گشته است. این تغییر فقط یک جابه جایی در ترتیب مراحل پژوهش نیست؛ بلکه بیان کننده تغییر فلسفی در پروسه کشف است. در گذشته، دانشمند کار خودرا با پرسش و فرضیه آغاز می کرد و آزمایش، میدان مواجهه مستقیم با طبیعت بود. اما امروز، طبیعت ابتدا در مقیاس دیجیتال بازسازی می شود. پژوهشگر بجای آزمون تک به تک فرضیه ها در محیط فیزیکی، ابتدا هزاران سناریو، مدل و ترکیب را در محیط های شبیه سازی دیجیتال اجرا می کند، رفتار سیستم را در وضعیت متفاوت می سنجد و تنها نتایج معنادار و امیدبخش را برای ورود به لابراتوار انتخاب می کند. این رویکرد، منطق تصمیم گیری علمی را تغییر داده است. بجای اینکه لابراتوار محل آزمون احتمالات باشد، حال محل تأیید غائی فرضیات مستخرج از پروسه شبیه سازی بدل شده است. لابراتوار در نقش مرجع داوری باقیمانده، اما خود کشف در لایه ای مقدماتی تر و در قلمرو محاسبه رخ می دهد. در ادامه به مرور بعضی از نمونه های برجسته این پروسه می پردازیم: پروژه «Materials Project» در لابراتوار برکلی، قبل از ساخت هر ماده، هزاران ترکیب را در کامپیوتر شبیه سازی و خاصیت های الکتریکی، ساختاری و شیمیایی آنرا پیشبینی می کند. این یعنی مسیر سنتی اصلاح، مشاهده و ساخت، جای خودرا به ساخت، انتخاب و شبیه سازی داده است. پلتفرم «EBRAINS» در پروژه «Human Brain Project»، به محققان امکان می دهد رفتار مدارهای عصبی و پاسخ به داروها را بدون آزمایش روی انسان یا حیوان مدل سازی کنند. این رویکرد نه تنها سرعت کشف را بیشتر می کند، بلکه بار اخلاقی و هزینه های آزمایش های بیولوژیک را هم می کاهد. پروژه «Earth-2» شرکت انویدیا با استفاده از مدلهای محاسباتی پیچیده، سناریوهای مختلف تغییرات اقلیمی را با دقتی بی سابقه پیشبینی می کند. این پروژه بجای انتظار برای وقوع پدیده ها، مدلها آینده را پیشاپیش قابل مشاهده می سازد. ازاین رو تحول در این مقطع تنها افزایش سرعت یا صرفه جویی در هزینه نیست؛ بلکه تغییر منطق و جایگاه کشف در مراحل ساخت علم بحساب می آید. کشف علمی با حرکت از آزمون مبتنی بر تجربه، به آزمون مبتنی بر شبیه سازی از میدان تجربه به میدان شبیه سازی منتقل شده است.
ابزارهای جدید علم: داده به عنوان ابزار و موضوع
در این الگوی جدید، داده نه تنها ماده خام پژوهش است، بلکه به «زبان» و «زیرساخت» اندیشیدن علمی تبدیل گشته است. داده دیگر فقط چیزی نیست که مشاهده شود؛ بلکه مؤلفه ای است که بازتولید، پاک سازی، وزن دهی و در نهایت به عنوان چارچوب تصمیم سازی درنظر گرفته می شود. این یعنی داده از سطح «ورودی» به سطح «منطق تولید دانش» ارتقا یافته است. در چنین وضعیتی، دانشمند بجای تکرار آزمایش های پرهزینه و زمان بر، از مدلهای هوش مصنوعی برای جهت دهی مسیر پژوهش استفاده می نماید. یعنی مدل بجای آن که ابزار تحلیل نتایج باشد، به نقطه آغاز پروسه پژوهش تبدیل می شود. در ساختار جدید، مدل مسیرهایی را که ارزش بررسی دارند پیشنهاد می دهد، گزینه ها را غربال می کند و حتی گاهی فرضیه هایی را مطرح می سازد که قبل تر تصور آنها برای ذهن انسان دشوار یا غیرمحتمل بود. در این روند، «مدل» نه تنها ابزاری برای تحلیل، بلکه رکن اولین تولید دانش و شکل دهنده منطق کشف است؛ به صورتی که ابتدا مدل می سازد، سپس انسان تأیید می کند.
دوقلوهای دیجیتال و داده مصنوعی: لابراتوار جدید اکتشافات علمی
هنگامی که آزمایش قبل از واقعیت و در محیط شبیه سازی انجام می گیرد، «دوقلوهای دیجیتال» نقش لابراتوار را بر عهده می گیرند. دوقلوی دیجیتال، تنها یک مدل یا نمودار ساده نیست؛ بلکه نوعی بازنمایی پویا و تعاملی از یک سیستم واقعی است که پیوسته با داده های تازه بروزرسانی می شود و رفتار سیستم را در وضعیت متفاوت شبیه سازی می کند. این یعنی پژوهشگر می تواند آینده را قبل از آنکه در جهان واقعی رخ دهد، مورد آزمون قرار دهد. کاربرد این رویکرد گسترده و میان رشته ای است. در ادامه به بررسی بعضی از نمونه های توسعه این فناوری و کاربردهای آن می پردازیم: صنعت هوافضا (ناسا): قبل از ساخت حتی یک پیچ از نمونه اولیه هواپیما، صدها ساعت آزمایش شبیه سازی آیرودینامیک صورت می گیرد. محاسبات جریان هوا، فشار، استهلاک و شرایط بحرانی در محیط دیجیتال بررسی می گردد و تنها طراحی هایی که در مقابل هزاران سناریو مقاوم هستند، وارد مرحله ساخت فیزیکی می شوند. انرژی و زمین شناسی (شرکت های «Shell» و «BP»): مخازن زیرزمینی، شکست سنگ، فشار سیالات و مسیرهای حفاری، در چارچوب داده های مصنوعی مدل سازی می شوند. در این فرآیند، دوقلوی دیجیتال بجای طبیعت به پژوهشگران نشان داده است که حفاری در چه مناطقی سودآور است و کجا ریسک ریزش یا خروج گاز وجود دارد. در کشاورزی (برنامه «OneSoil» و سامانه های مشابه): مزارع دیجیتال نه فقط نمونه نقشه زمین، بلکه مدل کامل اثر بارندگی، دما، خاک، زمان کشت و نوع بذر هستند. کشاورز با استفاده از این ابزارها می تواند سناریوهای مختلف را بدون هزینه یا ریسک روی مزرعه واقعی آزمایش کند. در دنیای جدید، لابراتوار بازهم مهم می باشد، اما حال نقش آن تغییر یافته است. لابراتوار نقطه شروع نیست، بلکه مرجع تأیید غائی محسوب می شود؛ جایی که واقعیت، نتیجه دنیای شبیه سازی را داوری می کند. این یعنی جهان واقعی دیگر بستر کشف نیست و به ابزار اثبات علمی بدل شده است.
نقش جدید دانشمند: معمار اعتماد و ناظر بر مدل
بااینکه مدلها سریع تر، دقیق تر و فراگیرتر از هر زمان دیگری شده اند، اما بازهم فاقد قدرت قضاوت هستند. در این بین، وظیفه اصلی دانشمند به شکل بنیادین تغییر یافته است. در گذشته، دانشمند خود در مرکز میدان عمل بود؛ او آزمایش ها را اجرا می کرد، واکنش ها را مستقیماً مشاهده می نمود و از راه آزمون و خطا به کشف علمی دست می یافت. همین طور تجربه کردن و لمس کردن پدیده ها بخش جدایی ناپذیر پروسه علمی بود؛ اما در عصر داده، این نقش کم کم جابه جا شده است. امروز دانشمند دیگر الزاماً در کنار ابزارهای فیزیکی نمی ایستد، بلکه در مقابل مدلها و سامانه های شبیه سازی قرار می گیرد. او بجای انجام آزمایش های پی درپی، محیط های شبیه سازی را طراحی و کنترل می کند و بجای مشاهده مستقیم پدیده ها، کیفیت داده های ورودی و منطق یادگیری مدل را ارزیابی می نماید؛ چونکه نتیجه غائی هر مدل، به اندازه داده هایی که آنرا ساخته اند معتبر است. با تحول بیش از پیش فناوری، دانشمند همین طور بجای تکرار آزمون و خطا، تلاش می کند مسیرهای یادگیری مدل را بهینه کند و بسنجد نتایج مدل تا چه اندازه با واقعیت سازگار هستند. در این معنا، نقش دانشمند از کشف مبتنی بر تجربه به کشف از راه هدایت و اعتبارسنجی مدل تغییر یافته است. او حال مسئول اعتبار، صحت و شفافیت مدل هاست و تعیین می کند چه زمانی میتوان به خروجی مدل اعتماد کرد و چه زمانی باید نسبت به آن تردید داشت.
آنچه به دست می آوریم و آن چه از دست می دهیم
در این گذار، موفقیتهای قابل توجهی برای علم پدید آمده است. پروسه تولید فرضیه ها حال با سرعتی بسیار بالاتر صورت می گیرد، چونکه مدلها می توانند هزاران مسیر احتمالی را قبل از ورود به لابراتوار بررسی نمایند. سناریوهایی که قبل تر به سبب محدودیت های فنی، اخلاقی یا هزینه ای امکان آزمون نداشتند، حال در محیط شبیه سازی قابل مشاهده و تحلیل هستند. همین طور بخش بزرگی از هزینه های پژوهشی که قبل تر صرف آزمون و خطاهای طولانی مدت می شد، به مرحله محاسبه و پیشبینی رسیده اند و بنابراین کار آمدی پروسه کشف به صورت شایان توجهی بالا رفته است. اما این تحولات بدون مخاطره نیست. وقتی تجربه مستقیم با طبیعت به حاشیه رانده می شود، بخشی از «حس مشاهده» و «تماس بی واسطه با پدیده» که گاه منجر به کشف های غیرمنتظره می شد، کمرنگ می گردد. مدلها با ظاهر منظم و خروجی های دقیق شان می توانند نوعی اطمینان کاذب ایجاد کنند؛ حال آنکه هر مدل جهان را ساده سازی می کند و همیشه بخشی از واقعیت را کنار می گذارد. همچنین، حذف تصادف، خطا و رخدادهای غیرمنتظره که در تاریخ علم بارها به منشأ کشف های بزرگ تبدیل گشته بود، ممکنست دامنه خلاقیت و شهود علمی را محدود کند. در این بین، نقش دانشمند بالاتر از پیش حیاتی می باشد. او باید مراقب باشد که مدلها، با همه قدرت و ظرافت شان، جایگزین قضاوت و فهم انسانی نشوند. بازگرداندن نقد و سنجش مستدل به قلب پروسه علمی، همان مسئولیتی است که بازهم بر دوش دانشمند باقیمانده است.
جمع بندی
سرانجام، میتوان نتیجه گرفت علم در عصر داده وارد مرحله ای شده است که در آن «کشف» غالباً قبل از مشاهده و آزمایش رخ می دهد و خیلی از پاسخ ها قبل از آنکه در جهان واقعی سنجیده شوند، در چارچوب شبیه سازی و مدل سازی شکل می گیرند. در چنین شرایطی، لابراتوار بازهم اهمیت دارد اما دیگر نقش آن آغازگر پروسه نیست؛ بلکه به داور غائی و مرجع تأیید تبدیل گشته است. به بیان دیگر، لابراتوار حال جایی است که واقعیت، صحت پیشبینی های مدل را می آزماید نه جایی که کشف از آن آغاز شود. در قالب جدید، نقش دانشمند هم دگرگون شده است. او دیگر فقط آزمایشگر نیست؛ بلکه معمار و ناظر سیستم های مدل سازی بحساب می آید. او باید بداند چه نتیجه ای درست به نظر می آید و بفهمد چرا چنین نتیجه ای تولید شده، بر چه داده هایی استوار بوده، چه فرض هایی در آن نهفته است و در کدام نقطه احتمال بروز خطا یا ساده سازی بیش از اندازه وجود دارد. توانایی تشخیص اینکه مدل چه چیزی را نشان داده است و چه چیزی را پنهان می کند، به مهارتی اساسی تبدیل گشته است. در این وضعیت جدید، کنجکاوی، نقد و جستجوی حقیقت، بازهم به عنوان رکن اصلی اکتشاف علم ثابت مانده و ابزارها تغییر کرده اند، مدلها پیشرفته تر شده اند و داده ها به زبان مشترک حوزه های علمی بدل گشته اند، اما مسئولیت بنیادی دانشمند تغییری نکرده است. او بازهم باید مرز میان واقعیت و بازنمایی را میان آن چه مدل می گوید و آن چه جهان واقع می تواند تأیید کند، تشخیص دهد. این مرز، همان جایی است که علم زنده می ماند و تفاوت میان شناخت واقعی و بازنمایی محاسباتی آن آشکار می شود.
منبع: ابزار اپل
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب