توماس ولف: چرا مدل های زبانی کنونی قادر به کشف نوبل نیستند

توماس ولف، پژوهشگر ارشد هوش مصنوعی در شرکت Hugging Face، هشدار می‌دهد که نسل فعلی مدل‌های بزرگ زبانی احتمالاً قادر به تولید اکتشافات علمی واقعاً نوآورانه و در حد جایزه نوبل نخواهند بود. او این سیستم‌ها را بیشتر دستیارهای توانمندی می‌داند که برای تولید ایده، تحلیل داده و تسریع کارهای پژوهشی مفیدند، اما توانایی خلق نظریه‌های بنیادی و تغییر دهنده پارادایم را ندارند. در این مقاله، دیدگاه ولف را بررسی می‌کنیم، چالش‌های ساختاری مدل‌های زبانی را توضیح می‌دهیم، نقش عملی این ابزارها در پژوهش را شرح می‌دهیم و راه‌های ممکن برای ارتقای آن‌ها به سمت ابزارهای کشف واقعی را مرور می‌کنیم.

چرا چت‌بات‌های رایج از تولید اکتشاف واقعی ناتوان‌اند

ولف معتقد است مشکل از ساختار شکل‌گیری این مدل‌ها نشأت می‌گیرد. مدل‌های زبانی مدرن به‌طور عمده بهینه‌سازی شده‌اند تا احتمال‌مندترین توکن بعدی را در یک دنبالهٔ متن پیش‌بینی کنند. این هدف طراحی باعث می‌شود مدل‌ها در پایان دادن به جملات، خلاصه‌سازی مقالات، و ارائهٔ پیشنهاداتی که ظاهراً معقول به نظر می‌رسند بسیار توانمند باشند؛ اما همین هدف مانع از آن می‌شود که آن‌ها ایده‌هایی کم‌احتمال، ضدّ جریانِ رایج، یا کاملاً غافلگیرکننده را تولید کنند—ایده‌هایی که غالباً لازمهٔ اکتشافات بنیادین‌اند.

در عمل، ساختار یادگیری مبتنی بر حدس توکن بعدی به نفع تطابق با قرائت‌های رایج و هم‌راستایی با ورودی کاربر عمل می‌کند. این هم‌راستایی چنانچه کاربر خواهان تأیید یا تداوم یک زمینهٔ فکری باشد، موجب تولید پاسخ‌هایی می‌شود که به سطوح پذیرش، کنسرن‌ اجماعی یا منابعِ آموزشی که مدل از آن‌ها یاد گرفته، نزدیک‌تر است تا تولید یک فرضیهٔ رادیکال و خلافِ انتظار.

تاریخ علم نشان می‌دهد که دانشمندان پیشگام معمولاً رویکردی مخالفت‌آمیز و انتقادی دارند: آن‌ها چارچوب‌های پذیرفته‌شده را به چالش می‌کشند، فرضیات مبنایی را بازنگری می‌کنند و ایده‌های با احتمال ظاهری پایین را که در نگاه نخست نامعمول یا غیرمنطقی به‌نظر می‌رسند، دنبال می‌کنند. نمونهٔ کلاسیک، کوپرنیک است که نظام خورشیدمرکزی را به‌عنوان جایگزینی برای دیدگاه زمین‌مرکزی پیشنهاد داد. مدل‌های امروزی اما به دلیل سوگیری داده‌ای و هدف آموزشی‌شان تمایل دارند در چارچوب‌ها و فرض‌های موجود باقی بمانند و از آن‌ها فراتر نروند.

علاوه بر این، خودِ فرآیند آموزش مدل‌های بزرگ بر مبنای داده‌های تاریخی و متنی است که بازتاب‌دهندهٔ دیدگاه‌ها، خطاها و نقطه‌نظرهای انسانی گذشته است. بنابراین مدل نه تنها با هدفِ پیش‌بینی توکن آموزش می‌بیند، بلکه با مجموعه‌ای از تعصباتِ جمعی نیز آشنا می‌شود که تولید ایده‌های واقعاً متضاد با اجماع را دشوار می‌سازد. حتی زمانی که مدل توانایی ترکیب اطلاعات مختلف را دارد، خلق یک نظریهٔ جدید نیازمند بازسازی روش‌شناختی، طراحی آزمایش‌های جدید و مواجهه با عدم قطعیت‌هایی است که بیرون از حوزهٔ صرفاً زبانی قرار دارند.

نه یک جادو، بلکه یک هم‌پیمانِ بسیار توانمند

این بدان معنا نیست که هوش مصنوعی در پژوهش بی‌فایده است. ولف پیش‌بینی می‌کند که ابزارهایی مانند ChatGPT و مدل‌های مشابه می‌توانند به‌عنوان هم‌پیمان یا هم‌خلبان برای پژوهشگران عمل کنند. آن‌ها قادرند فرایندهایی را که زمان‌بر، تکراری یا خسته‌کننده‌اند تسریع کنند: مرور ادبیات، طبقه‌بندی و خلاصه‌سازی مقالات، پیشنهاد مسیرهای تجربی، اتوماسیون تحلیل‌های داده‌ای تکراری و کمک در ترکیب نتایج از منابع مختلف.

در نقش یک هم‌یار پژوهشی، این مدل‌ها می‌توانند بار شناختی محققان را کاهش دهند. نمونه‌هایی از کاربرد عملی شامل کشف معادل‌های علمی در متون متعدد، پیشنهاد پارامترهای اولیه برای طراحی آزمایشات، پیش‌پردازش و پاک‌سازی داده‌ها، تولید مستندسازی تجربی و حتی تسهیل نگارش پیش‌نویس‌های مقالات است. این قابلیت‌ها می‌توانند چرخهٔ پژوهش را کوتاه‌تر کرده و پژوهشگران را قادر سازند زمان بیشتری را به طراحی آزمایش‌های خلاقانه و تحلیل انتقادی اختصاص دهند.

در حال حاضر نمونه‌هایی از دستاوردهای عملی وجود دارد. برای مثال، AlphaFold شرکت DeepMind توانمندی چشمگیری در پیش‌بینی ساختار پروتئین‌ها نشان داد که در جریانِ فرایندهای کشف دارو و پژوهش‌های زیستی مؤثر واقع شده است. اما نکتهٔ مهم این است که AlphaFold را باید به‌عنوان حل یک مسئلهٔ پیش‌بینی مشخص و قابل تعریف دید، نه به‌عنوان اختراع یک نظریهٔ زیست‌شناسی از اصول پایه. AlphaFold الگویی است که برای یک کار مشخص —پیش‌بینی ساختار سه‌بعدی از توالی آمینو‌اسیدی— آموزش دیده و در همان چارچوب عملکرد بسیار خوبی دارد.

این مثال آشکار می‌سازد که برخی از کاربردها که قالب‌بندی مسئله در آن‌ها روشن است، بیشترین بهره را از مدل‌های پیش‌بینی می‌برند. از سوی دیگر، تبدیل داده‌ها و مشاهدات به یک نظریهٔ جدید و قابل آزمایش نیازمند فرایندهای نظری و تجربی است که فراتر از مهارت صرف در بازتولید یا ترکیب الگوهای زبانی است. بنابراین در حالی که ابزارهای هوش مصنوعی می‌توانند در عملیاتی کردن و مقیاس‌بندی بخش‌هایی از پژوهش نقش‌آفرینی کنند، فاصلهٔ قابل ملاحظه‌ای بین این کمک‌ها و خلق اکتشافات بنیادین وجود دارد.

ادعاهای بلندپروازانه و واقعیت محتاطانه

شک و تردید ولف پس از خواندن مقالات و بیانات برخی رهبران دیگر حوزهٔ هوش مصنوعی تشدید شد؛ افرادی که پیش‌بینی کرده‌اند AI می‌تواند در زیست‌شناسی و پزشکی تحولات سریع و چشم‌گیری ایجاد کند که دهه‌ها پیشرفت را ظرف چند سال فشرده کند. در حالی که برخی از صداهای صنعتی از بازهٔ زمانی بسیار کوتاه و تغییرات گسترده سخن گفته‌اند، ولف هشدار می‌دهد که معماری فعلی و اهداف آموزشی مدل‌های بزرگ دستیابی به چنین شتابی را بدون تغییرات بنیادین در رویکردها و طراحی‌ها بعید می‌سازد.

در تحلیل و تفکیک این ادعاها، باید بین دو نوع پیشرفت تفاوت قائل شد: پیشرفت‌های مهندسی‌شده در ابزارها و فرایندها که می‌توانند بهره‌وری را بالا ببرند، و جهش‌های نظری که چارچوب‌های علمی را دگرگون می‌کنند. ابزارهای مبتنی بر مدل‌های زبانی عموماً در دستهٔ اول قرار دارند؛ آن‌ها می‌توانند فرایندها را سریع‌تر کنند، اما برای ایجاد دستهٔ دوم (یعنی نظریه‌پردازی انقلابی) نیاز به سازوکارهای متفاوتی است—سازوکارهایی که ممکن است شامل ترکیب روش‌های نمادین، استدلال علّی و بازخورد تجربی مستقیم باشند.

همچنین نباید فراموش کرد که پیش‌بینی زمان‌بندی توسعه‌های فناورانه همیشه دشوار است. تغییرات کوچک در معماری شبکه‌ها، روش‌های یادگیری، یا دسترسی به داده‌های نو و تجربی می‌تواند در بلندمدت تأثیرات غیرقابل‌پیش‌بینی ایجاد کند. با این حال، ولف تاکید دارد که انتظار برای جایگزینی کامل روش‌های انسانی و خلاقیت انتقادی با مدل‌های کنونی، نگرشی خوش‌بینانه و به‌زودی‌تحقق‌نیافتنی است.

افق‌های ممکن برای تحقیق

• سیستم‌های ترکیبی: ترکیب استدلال نمادین، مدل‌های آگاه از علیّت و حلقه‌های بازخوردِ مبتنی بر آزمایش می‌تواند ابزارهایی ایجاد کند که بیشتر مناسبِ کشف علمی باشند. در چنین سیستم‌هایی، بخش نمادین می‌تواند قواعد و منطق صریح را مدیریت کند، بخش یادگیری ماشینی الگوها را استخراج کند و بخش بازخورد تجربی صحت و قابل‌اعتماد بودن فرضیات را بیازماید.
• علم با نقش فعال انسان: فرایندهایی که از ترکیب تولید فرضیه توسط هوش مصنوعی و شک‌ورزی و اعتبارسنجی توسط انسان استفاده می‌کنند، احتمال موفقیت بالاتری در تولید دانش جدید دارند. در این مدل، هوش مصنوعی به عنوان تولیدکنندهٔ پیشنهادات و انسان‌ها به‌عنوان قضاوت‌گر و طراح آزمایش عمل می‌کنند تا فرضیات به شکل نظام‌مند آزموده شوند.
• استارتاپ‌هایی با هدف فراتر رفتن از دستیار: چندین شرکت نوپا، از جمله Lila Sciences و FutureHouse، به دنبال راه‌هایی هستند تا هوش مصنوعی را از سطح کمک و تسهیل به سطح تولید بینش واقعی ارتقا دهند. این شرکت‌ها بر ایجاد بسته‌های نرم‌افزاری و پلتفرم‌هایی کار می‌کنند که داده‌های تجربی، مدل‌های نظری و فرایندهای آزمایشی را به هم پیوند دهند تا حلقهٔ کشف علمی سریع‌تر و هدفمندتر شود.

به بیان خلاصه، مدل‌های زبانی کنونی در تقویت پژوهشگران انسانی بسیار موفق هستند، اما جایگزینی خلاقیتِ پیچیده، انتقادی و گاهی نامنظمِ انسانی که مولد اکتشافات نوبلی است هنوز در دسترس نیست. تصمیمات هوشمندانه در کوتاه‌مدت شامل سرمایه‌گذاری روی سیستم‌هایی هستند که شهود انسانی و توانایی‌های تجربی را تقویت می‌کنند؛ نه تلاش برای حذف کامل نقش انسان از فرایند کشف علمی.

در ادامه، نکات تکمیلی و توصیه‌های عملی برای پژوهشگران و مدیران پژوهش که می‌خواهند از قابلیت‌های فعلی هوش مصنوعی به‌طور مؤثر استفاده کنند آورده شده است:

• تمرکز بر مسائل مشخص و قابل اندازه‌گیری: وقتی مسئلهٔ پژوهشی به شکل یک وظیفهٔ پیش‌بینی یا طبقه‌بندی مشخص فرمول‌بندی می‌شود، احتمال موفقیت ابزارهای یادگیری ماشین بسیار بالاتر است.
• ایجاد حلقه‌های بازخورد تجربی سریع: ترکیب مدل‌سازی با آزمایشات کوچک و سریعی که به‌سرعت دادهٔ کافی برای اصلاح مدل فراهم می‌آورند، سرعت چرخهٔ یادگیری را افزایش می‌دهد.
• نگهداری تنوع دیدگاه‌ها در داده‌ها: از آنجا که مدل‌ها بازتاب‌دهندهٔ داده‌های آموزشی‌اند، تضمین تنوع و کیفیت داده‌ها می‌تواند تا حدی از سوگیری‌هایی که مانع تولید ایده‌های جدید می‌شوند بکاهد.
• آموزش پژوهشگران در استفادهٔ انتقادی از مدل‌ها: پژوهشگران باید بدانند مدل‌ها چه کارهایی را خوب انجام می‌دهند و کجا نیاز به تردید و بررسی انسانی است؛ این دانش به استفادهٔ مؤثرتر از هوش مصنوعی کمک می‌کند.
• ترکیب روش‌های نمادین و یادگیری ماشینی: توسعهٔ چارچوب‌های هیبرید که از منطق صریح و استدلال علّی بهره می‌برند می‌تواند توان کشف را بالا ببرد.

این توصیه‌ها نشان می‌دهند که بهترین مسیر برای شکوفایی استفاده از هوش مصنوعی در علم، مسیر هم‌افزایی انسان و ماشین است؛ مسیری که در آن هر یک نقش‌هایی را که در آن‌ها برتری دارند ایفا می‌کنند. در عمل، این به معنای تمرکز بر ابزارهای افزایندهٔ بهره‌وری، استقرار سیستم‌های بازخوردی و حمایتی که پژوهشگر را در فرایند نظریه‌پردازی و آزمون همراهی کنند، و پرورش فرهنگ پژوهشی است که از استفادهٔ انتقادی و خلاق از این ابزارها پشتیبانی می‌کند.

در پایان، باید به این نکته اشاره کرد که ظهور فناوری‌هایی مانند مدل‌های زبانی بزرگ فرایندی پیوسته و تدریجی است. اگرچه ممکن است در آینده تغییرات بنیادین و غیرقابل‌انتظاری رخ دهد، اما در وضعیت کنونی و مبتنی بر معماری و اهداف آموزشی مرسوم، هوش مصنوعی ابزارِ تسریع، تحلیل و تولید ایده‌های کمّی و کمکی است — نه جایگزین خلاقیت انسانی در تولید اکتشافات علمیِ انقلابی.