این ویدیو در مورد یکی از بزرگ‌ترین چالش‌های دنیای آکادمیک، یعنی گرفتن فاند و تاییدیه برای پروژه‌های علمی صحبت می‌کنه. پیام اصلیش اینه که تو دنیای امروز، داشتن یه ایده نوآورانه و تئوری قوی اصلاً کافی نیست، بلکه چیزی که سرنوشت پروژه رو تعیین می‌کنه «امکان‌پذیریِ عملی و لجستیکی» اونه. داورهای انسانی (مثل پنل‌های ارزیابی NIH) پروژه‌ها رو بر اساس واقعیت‌های فیزیکی، منابع موجود و توانایی تیم برای مدیریت و کاهش ریسک‌ها ارزیابی می‌کنن. اونا می‌خوان مطمئن بشن که شما تو دنیای واقعی و با وجود همه محدودیت‌ها، می‌تونین از فاز اجرای پروژه جون سالم به در ببرین و این موضوع رو به وضوح از بخش تئوری و فرضیه جدا می‌کنن. در مقابل، وقتی پای مدل‌های زبانی بزرگ (LLMها) برای داوری و ارزیابیِ پیش‌بینانه این پروژه‌ها وسط میاد، یه ضعف بزرگ خودش رو نشون می‌ده. هوش مصنوعی درکی از دنیای فیزیکی و محدودیت‌های محیطی نداره و صرفاً مثل یه تمرینِ ساده‌لوحانه سعی می‌کنه کلمات متن رو با هم تطبیق بده. به همین خاطر، وقتی اطلاعات آزمایش به صورت ناقص به ماشین داده می‌شه، عملکردش به شدت افت می‌کنه و استدلالش از هم می‌پاشه. در نهایت، نتیجه‌گیری می‌شه که محقق‌ها برای گرفتن فاند باید روی واقعیت‌های آشفته‌ی فیزیکی تمرکز کنن و نمی‌تونن برای ارزیابی امکان‌پذیری لجستیکی پروژه، فقط به الگوریتم‌ها تکیه کنن.
✅ بخشی از دوره جامع هوش‌مصنوعی در پژوهش
🔹 تلگرام . یوتیوب . توییتر . لینکدین
هوش‌مصنوعی در پژوهش، برگزارکننده دوره‌های آموزشی هوش‌مصنوعی