جدیدترین مطالب
فصلنامه «گام سوم» شماره ۲
در این شماره مقالات متنوعی در موضوعات اقتصاد، آینده‌پژوهی، خانواده به همراه بخش‌های نوشتار، سیاست و پرونده‌ای با عنوان «داووس ۲۰۲۵» چاپ شده است.
جستجو برای طول عمر هم‌اکنون به پایان رسیده است!
مطالعه‌ی افرادی که بیش از صد سال عمر می‌کنند می‌تواند راز زندگی طولانی‌تر و سالم‌تر را آشکار کند. اما آمارها داستان دیگری روایت می‌کنند.
چطور بدون اینکه بدانیم از ما سوءاستفاده می‌شود؟
چقدر باید بگذرد تا بالاخره از جهنم شخصی خود بیدار شویم؟ چگونه از خواستن مرگ به خواستن زندگی رسیدم
اضطراب اقلیمی در کودکان؛زنگ خطری برای والدین
وقتی کودکان و نوجوانان به آینده فکر می‌کنند، یک بار اضافی دارند: آنها باید با آینده‌ی بیشتری نسبت به بزرگ‌ترها مواجه شوند.
پربازدیدترین مطالب
هوش مصنوعی و سیاست: چگونه بفهمیم چه چیزی و چه کسی واقعی است؟
اگر خوش‌شانس باشیم، فناوری‌های جدید فقط باعث سردرگمی مختصری می‌شوند. وگرنه، حوزه سیاسی ما می‌تواند برای همیشه تغییر کند.
انواع هوش، کاربردهای هوش هیجانی و تقویت آن در کودکان
ین مطلب نگاهی دارد به انواع هوش و نقش مهم آنها در زندگی روزمره و توانایی‌های شناختی انسان. همچنین مروری بر هوش هیجانی و کاربردها و روش‌های تقویت آن در کودکان.
کاهش هدررفت غذا با اپلیکیشن موبایلی
اگرچه این اپلیکیشن غذای باقی‌مانده‌ی رستوران‌ها را ارزان در اختیار کاربران قرار می‌دهد، اما همچنان ابهاماتی درباره‌ی میزان واقعی کاهش هدررفت و استفاده‌ی تجاری برخی کسب‌وکارها از این سیستم وجود دارد.
نویسنده: جان پاولوس مترجم: نیوشا امیدی ۱۳ اردیبهشت ۱۴۰۴
هوش مصنوعی، عامل تحول در علم؛ واکنش دانشمندان چیست؟
هوش مصنوعی تقریباً به تمام حوزه‌های علمی نفوذ کرده است. اما برای بهره‌گیری کامل از تأثیر آن، دانشمندان به آموزش‌های بهتری نیاز دارند.هوش مصنوعی، یکی از بزرگ‌ترین دستاوردهای علمی، اکنون در آستانه تکمیل چرخه خود برای متحول کردن خود علم است.
این مطلب نوشته‌ای است از جان پاولوس که در تاریخ ۱۱ اکتبر ۲۰۲۴ با عنوان
AI Is Revolutionizing Science. Are Scientists Ready
در وب‌سایت Northwestern منتشر شده است.
پس از تجزیه‌وتحلیل ده‌ها میلیون مقاله علمی، پژوهشگران مدرسه مدیریت کلاگ،«داشون وانگ و جیان گائو»، دریافتند که هوش مصنوعی این پتانسیل را دارد که تقریباً بر تمام رشته‌های علمی تأثیر مثبت بگذارد (البته نه به یک اندازه). اما آنها همچنین دریافتند که دانشمندان در بیشتر رشته‌ها فاقد مهارت‌ها و آموزش‌های لازم برای استفاده صحیح از هوش مصنوعی هستند. برای بهره‌گیری کامل از مزایای این فناوری، آموزش‌های تکمیلی و همکاری‌های میان‌رشته‌ای ضروری به نظر می‌رسد.
هوش مصنوعی، یکی از بزرگ‌ترین دستاوردهای علمی، اکنون در آستانه تکمیل چرخه خود برای متحول کردن خود علم است.
در واقع، برخی از سیستم‌های هوش مصنوعی پیش از این موفق شده‌اند مسائل علمی پیچیده‌ای را حل کنند، مانند پیش‌بینی ساختار پروتئین‌ها،دستاوردی که اخیراً با دریافت جایزه نوبل مورد تقدیر قرار گرفت،و کشف الگوریتم‌های جدید ریاضی. با سرعت بالای پیشرفت این فناوری، دلایل زیادی برای باور به این وجود دارد که تأثیر آن در آینده حتی بیشتر خواهد شد.
داشون وانگ، استاد مدیریت و سازمان‌ها در مدرسه مدیریت کلاگ، که همچنین مدیر مرکز علمی علم و نوآوری (CSSI) و هم‌مدیر مؤسسه رایان در زمینه پیچیدگی است، می‌گوید:
«به نظر من، پرسش اساسی امروز در مورد هوش مصنوعی آن است که آیا این فناوری می‌تواند اکتشافات علمی جدیدی انجام دهد؟ این موضوع معمولاً به‌عنوان یک نقطه عطف حیاتی در مسیر رسیدن به هوش مصنوعی عمومی در نظر گرفته می‌شود.»
با توجه به پیشرفت‌های گذشته،و چشم‌انداز پیشرفت‌های بیشتر در آینده،داشون وانگ و جیان گائو، استادیار پژوهشی در مرکز علمی علم و نوآوری (CSSI)، تصمیم گرفتند بررسی کنند که هوش مصنوعی در حال حاضر چگونه به علم کمک می‌کند، در آینده چه تأثیری خواهد داشت، و آیا نظام آموزشی دانشمندان آینده را به‌درستی برای بهره‌گیری از این فرصت آماده می‌کند یا خیر.
پس از تجزیه‌وتحلیل ده‌ها میلیون مقاله پژوهشی، گائو و وانگ برای نخستین بار پاسخ‌های کمی به این پرسش‌ها ارائه کردند.
آنها دریافتند که از سال ۲۰۱۵ تاکنون، تأثیر هوش مصنوعی تقریباً به همه حوزه‌های علمی،از زیست‌شناسی و شیمی گرفته تا زمین‌شناسی و فیزیک،گسترش یافته است. همچنین، پژوهشگرانی که از تکنیک‌های هوش مصنوعی استفاده می‌کنند، از یک «مزیت استنادی»برخوردارند، به این معنا که مقالاتشان تأثیرگذاری بیشتری در میان همتایانشان دارد.
اما گائو و وانگ همچنین دریافتند که مزایای هوش مصنوعی به‌طور یکنواخت در میان رشته‌های علمی توزیع نشده است؛ در رشته‌هایی که سهم بیشتری از پژوهشگران را زنان و اقلیت‌ها تشکیل می‌دهند، این مزایا کمتر است.
و شاید مهم‌تر از همه، به‌جز چند رشته خاص، یک «شکاف قابل‌توجه» بین میزان آموزش‌دیدگی دانشمندان یک رشته برای استفاده از هوش مصنوعی و میزان مزایای بالقوه‌ای که این فناوری می‌تواند برای آن حوزه فراهم کند، وجود دارد.
وانگ در این باره می‌گوید:
«این همان بینش کلیدی مقاله است، عدم تطابق میان عرضه و تقاضا برای استعدادهای هوش مصنوعی در میان رشته‌های مختلف»
برای سنجش میزان استفاده و مزایای هوش مصنوعی در علوم مختلف، گائو و وانگ یک مجموعه‌داده عظیم را تحلیل کردند که شامل عناوین و چکیده‌های نزدیک به ۷۵ میلیون مقاله علمی در ۱۹ حوزه علمی و ۲۹۲ زیرشاخه بود که بین سال‌های ۱۹۶۰ تا ۲۰۱۹ منتشر شده‌اند.
نفوذ هوش مصنوعی به‌سرعت در حال گسترش است
ابتدا، پژوهشگران از داده‌ها برای ارائه یک تعریف جامع از اینکه «هوش مصنوعی» برای دانشمندان فعال در حوزه‌های مختلف چه معنایی دارد، استفاده کردند.
در رشته علوم کامپیوتر، گائو و وانگ پنج زیرشاخه اصلی هوش مصنوعی را شناسایی کردند: یادگیری ماشین، هوش مصنوعی، بینایی کامپیوتری، پردازش زبان طبیعی، و تشخیص الگو. سپس، آنها از میان مقالات مربوط به این حوزه‌ها، پرتکرارترین عبارات کلیدی مرتبط با تکنیک‌های خاص هوش مصنوعی را استخراج کردند،عباراتی مانند «یادگیری نظارت‌شده»، «تعبیه کلمات» و «شبکه‌های خصمانه تولیدی»
در مرحله بعد، پژوهشگران این عبارات مرتبط با هوش مصنوعی، یا همان «n-gram»ها را در کل مجموعه مقالات منتشرشده در هر رشته و حوزه علمی جست‌وجو کردند تا مشخص شود که این تکنیک‌ها در کجا و با چه فراوانی به کار رفته‌اند.
داشون وانگ
تجزیه‌وتحلیل آنها نشان داد در حالی که استفاده از هوش مصنوعی در علوم مختلف طی دو دهه گذشته به‌طور پیوسته افزایش یافته است، یک «رشد انفجاری»شبیه به چوب هاکی از سال ۲۰۱۵ در بسیاری از رشته‌ها آغاز شد.
(شاید تصادفی نباشد که در همان سال، مجله Nature یک مقاله مروری تأثیرگذار درباره« یادگیری عمیق »منتشر کرد که توسط سه تن از پیشگامان هوش مصنوعی نوشته شده بود، و هم‌زمان الگوریتم‌های هوش مصنوعی عملکردی فراتر از سطح انسانی را در طبقه‌بندی تصاویرImageNet به نمایش گذاشتند.)
بین سال‌های ۲۰۱۵ تا ۲۰۱۹، میزان استفاده مستقیم از هوش مصنوعی در مقالات فیزیک، مهندسی، زمین‌شناسی و روان‌شناسی ۲۴ درصد بیشتر از یک سناریوی کنترل فرضی افزایش یافت. سایر رشته‌ها، از زیست‌شناسی و اقتصاد گرفته تا علم مواد و جامعه‌شناسی، نیز رشدهایی بین ۱۰ تا ۳۰ درصد را تجربه کردند.
همچنین، پژوهشگران دریافتند که مقالاتی که شامل n-gramهای هوش مصنوعی بودند، تقریباً دو برابر بیشتر از سایر مقالات احتمال داشت که به یک «مقاله موفق» در حوزه خود تبدیل شوند،یعنی در ۵ درصد برتر از نظر تعداد استنادها در میان مقالات همان رشته و همان سال قرار بگیرند.
هوش مصنوعی و علم فردا
در گام بعد، پژوهشگران تلاش کردند مزایای بالقوه هوش مصنوعی برای رشته‌های علمی در آینده را تخمین بزنند.
برای انجام این کار، آنها یک تحلیل متفاوت از عبارات کلیدی در مقالات علمی انجام دادند تا «وظایف حوزه‌ای» (field tasks) را استخراج کنند،یعنی ترکیب‌هایی از افعال و اسامی که نشان می‌دهند دانشمندان در هر رشته چه کارهایی انجام می‌دهند.
برای مثال، در زیست‌شناسی، یکی از این وظایف ممکن است شناسایی ژن باشد؛ در شیمی، می‌تواند کاتالیز واکنش باشد. سپس، گائو و وانگ ترکیب‌های مشابه فعل-اسمرا از مقالات مرتبط با هوش مصنوعی و همچنین از میان ۷.۱ میلیون پتنت ثبت‌شده در اداره ثبت اختراعات و علائم تجاری ایالات متحده بین سال‌های ۱۹۷۶ تا ۲۰۱۹جمع‌آوری کردند تا مجموعه‌ای از «توانایی‌های هوش مصنوعی (AI capabilities)» را شناسایی کنند.
در نهایت، آنها این دو مجموعه عبارات کلیدی (یعنی وظایف حوزه‌ای و توانایی‌های هوش مصنوعی) را مقایسه کردند و به‌دنبال همپوشانی‌ها گشتند. اگر یک توانایی هوش مصنوعی به‌عنوان یک وظیفه علمی در یک رشته خاص نیز ظاهر می‌شد، آن رشته به‌عنوان حوزه‌ای بامزایای بالقوه بیشتر از هوش مصنوعی در آینده در نظر گرفته می‌شد.
بر اساس این معیار، گائو و وانگ دریافتند که هوش مصنوعی پتانسیل دارد تا تقریباً به تمامی رشته‌های علمی سود برساند.
البته، تفاوت‌های قابل‌توجهی میان زیرشاخه‌های مختلف یک رشته علمی وجود داشت. برای مثال، در زیست‌شناسی، وظایف مربوط به زیست‌شناسی سامانه‌ای که به مدل‌سازی رایانشی تعاملات پیچیده درون موجودات زنده می‌پردازد ،چهار برابر بیشتر از سایر زیرشاخه‌های زیست‌شناسی، مانند باغبانی یا علوم غذایی، تحت تأثیر هوش مصنوعی قرار داشتند.
بااین‌حال، گائو تأکید می‌کند:«هوش مصنوعی تأثیری فراگیر و مزایایی گسترده برای علوم در رشته‌های مختلف دارد»
پیشروی نابرابر
با این حال، گائو و وانگ دریافتند که رشته‌هایی با نسبت بالاتر از زنان و اقلیت‌های کمتر دیده شده، احتمال کمی دارد که از هوش مصنوعی بهره‌مند شوند،هم از نظر استفاده مستقیم از هوش مصنوعی در حال حاضر و هم از نظر مزایای بالقوه آن در آینده.
به‌عنوان مثال، در جامعه‌شناسی،که تقریباً نیمی از پژوهشگران دارای مدرک دکتری را زنان تشکیل می‌دهند و ۱۶ درصد از آنها به یک گروه نژادی کم‌نمایش‌یافته تعلق دارند،مزایای فعلی هوش مصنوعی برای اینرشته تقریباً نصف میزان آن در فیزیک است. در مقابل، فیزیک دارای نسبت بسیار بالاتری از پژوهشگران مرد، سفیدپوست و آسیایی است.
تحلیل‌های مرتبط با سطح شغلی نیز نشان دادند که:
دانشمندان کم‌نمایش‌یافته‌ای که در تحقیقات مرتبط با هوش مصنوعی مشارکت دارند، افزایش کمتری در «نرخ موفقیت» (hit rate) خود تجربه می‌کنند بر اساس تعداد استنادها) نسبت به سایر پژوهشگران.)
گائو در این باره می‌گوید:
«ما مدت‌هاست می‌دانیم که تغییرات فناوری اغلب منبعی برای نابرابری در بازار کار است»
«اگر پیش‌بینی می‌کنیم که هوش مصنوعی در آینده همچنان به پیشرفت تحقیقات علمی کمک خواهد کرد، باید نگران این باشیم که این مزایا چگونه توزیع می‌شوند.»
یک شکاف آموزشی
اما شاید بزرگ‌ترین یافته این باشد که اکثر رشته‌های علمی برای بهره‌گیری از پیشرفت‌های هوش مصنوعی به‌خوبی آماده نیستند. در نهایت، هوش مصنوعی تنها زمانی می‌تواند به یک حوزه علمی کمک کند که دانشمندان آن مهارت‌ها و آموزش لازم برای استفاده صحیح از آن را داشته باشند.
پژوهشگران برای بررسی میزان آمادگی نظام آموزشی در برابر هوش مصنوعی، یک پایگاه داده شامل ۴.۲ میلیون برنامه درسی دانشگاهی به زبان انگلیسی را برای یافتن ارجاعات علمی به مقالات مرتبط با هوش مصنوعی مورد بررسی قرار دادند. گائو توضیح می‌دهد: «ما می‌خواستیم بدانیم نسل آینده دانشمندان تا چه اندازه برای بهره‌گیری از پیشرفت‌های هوش مصنوعی آماده است.» او می‌افزاید که با اندازه‌گیری میزان اشاره به هوش مصنوعی در محتوای درسی هر رشته، «می‌توانیم سطح سرمایه‌گذاری آن رشته را در آموزش هوش مصنوعی تخمین بزنیم.»
نتایج این بررسی را تنها می‌توان ناامیدکننده توصیف کرد. به‌جز سه حوزه محاسباتی (علوم کامپیوتر، ریاضیات و مهندسی)، سایر رشته‌های علمی سرمایه‌گذاری کافی برای آموزش مهارت‌های مرتبط با هوش مصنوعی به دانشجویان تحصیلات تکمیلی و پژوهشگران جوان انجام نداده‌اند، تا بتوانند به‌طور کامل از مزایای هوش مصنوعی بهره‌مند شوند.
برای وانگ، این یافته باید همچون زنگ هشداری برای سیاست‌گذاران در سراسر جهان باشد: «چه اهرم‌هایی در سیاست علمی می‌توانند این مسئله را برطرف کنند؟»
در واقع، پژوهش آنها به یک پاسخ اشاره دارد. زمانی که گائو و وانگ الگوهای همکاری در رشته‌هایی غیر از علوم کامپیوتر (مانند زیست‌شناسی) را تحلیل کردند، دریافتند که تعداد مقالات مرتبط با هوش مصنوعی که از طریق همکاری بین دانشمندان کامپیوتر و زیست‌شناسان منتشر شده، بسیار سریع‌تر از مقالاتی رشد کرده است که صرفاً توسط زیست‌شناسان نوشته شده‌اند.
به عبارت دیگر، دانشمندان در طیف وسیعی از رشته‌ها بیش از پیش به این نتیجه رسیده‌اند که تکیه بر همکارانی با دانش تخصصی‌تر در زمینه هوش مصنوعی برای آنها مفید است. این موضوع نشان می‌دهد که بهره‌گیری کامل از هوش مصنوعی در علم، نه‌تنها به تأمین مالی بیشتر برای آموزش دانشمندان، بلکه به فرصت‌های بیشتر برای همکاری‌های بین‌رشته‌ای نیاز دارد.
تا حدی، این روند از هم‌اکنون آغاز شده است. گائو می‌گوید: «برخی مؤسسات تحقیقاتی در حال راه‌اندازی مراکز پژوهشی بین‌رشته‌ای هستند که اساتید را از حوزه‌های مختلف گرد هم می‌آورند تا در مورد چگونگی استفاده از ابزارها و پیشرفت‌های هوش مصنوعی گفتگو کنند.» او توضیح می‌دهد: «این کار باعث می‌شود پژوهشگران در حین انجام تحقیقات، تعامل بیشتری با یکدیگر داشته باشند و فرصت یادگیری متقابل برایشان فراهم شود.»
اما گائو و وانگ معتقدند که برای به حداکثر رساندن پتانسیل هوش مصنوعی، همکاری‌های بین‌رشته‌ای باید در مقیاسی بسیار گسترده‌تر انجام شود. در همین راستا، نتایج پژوهش آنها در گزارشی جامع‌تر ارائه شد که در آکادمی ملی علوم ایالات متحده مطرح گردید،نهادی که به دولت این کشور در زمینه سیاست‌گذاری‌های علمی مشاوره می‌دهد.
در مورد مزایای هوش مصنوعی برای حوزه تحقیقاتی خودش، گائو خوش‌بین است. او می‌گوید: «من از این که هوش مصنوعی می‌تواند وظایف زمان‌بر و پرزحمت را خودکار کند و خلاقیت ما را تقویت کند، هیجان‌زده‌ام. این فناوری می‌تواند ما را از کارهای تکراری آزاد کند تا زمان بیشتری برای طرح پرسش‌های جدید، کاوش در حوزه‌های پیچیده‌تر، و گسترش مرزهای دانش داشته باشیم.»
درباره نویسنده:
جان پاولوس؛ نویسنده و فیلم‌ساز در زمینه علم، فناوری و طراحی است.
