«علم به سبک کلود»؛ هوش مصنوعی چگونه وارد فرایند واقعی پژوهش می‌شود؟

آیا هوش مصنوعی می‌تواند به‌جای آنکه فقط مقاله‌ها را خلاصه کند یا برای پژوهشگران کد بنویسد، در تولید واقعی دانش علمی مشارکت کند؟ متیو شوارتز، استاد فیزیک دانشگاه هاروارد، در گزارشی که اول اکتبر ۲۰۲۶ در وب‌سایت آنتروپیک منتشر شده، تجربه‌ای متفاوت از همکاری با Claude را شرح می‌دهد. نتیجه‌ای که او به آن رسیده، شاید برخلاف تبلیغات رایج درباره هوش مصنوعی باشد: مدل‌های زبانی هنوز «دانشمند» نیستند، اما اگر مسائلی متناسب با توانایی‌های خاص آنها انتخاب شود، می‌توانند سرعت پژوهش را به شکل چشمگیری افزایش دهند.
مشکل: هوش مصنوعی باهوش است، اما دانشمند نیست
شوارتز پیش‌تر Claude را مانند یک دستیار پژوهشی به کار گرفته بود. ارزیابی او این بود که Claude Opus 4.5 در برخی فعالیت‌ها مانند یک دانشجوی تحصیلات تکمیلی قوی، اما بسیار سریع‌تر عمل می‌کند. مشکل اینجا بود که پژوهشگر دائماً باید مسیر کار را اصلاح می‌کرد، مدل را از موضوعات بی‌اهمیت بازمی‌گرداند و نتیجه‌گیری‌هایش را کنترل می‌کرد.
به اعتقاد شوارتز، میان کاری که دانشمندان از هوش مصنوعی انتظار دارند و کاری که مدل‌های زبانی واقعاً در آن توانمندند، نوعی «عدم تطابق» وجود دارد. Claude و GPT ممکن است در علم بسیار توانا باشند، اما مانند یک دانشمند انسانی فکر و عمل نمی‌کنند. به‌خصوص در پرسش‌های عمیق مفهومی و تشخیص اینکه کدام مسئله از نظر علمی واقعاً مهم است، همچنان به هدایت انسان نیاز دارند.
شوارتز این بار تصمیم گرفت روش کار را معکوس کند: به جای تلاش برای وادار کردن Claude به کار کردن مانند یک پژوهشگر انسانی، به دنبال مسائلی رفت که با توانایی‌های Claude سازگار بودند. او این مسائل را «Claude-shaped problems» یا «مسائل متناسب با کلود» نامید.
تولد BootLoops
این تجربه به ساخت مجموعه‌ای متن‌باز از ابزارها و روش‌های علمی به نام BootLoops انجامید. این سامانه نوعی چارچوب برای استفاده از مدل‌های زبانی در محاسبات دقیق علوم کمی است و به یک مدل خاص نیز محدود نیست.
نقطه قوت هوش مصنوعی در اینجا، توانایی ترکیب حجم بزرگی از دانش ریاضیات، آمار، برنامه‌نویسی و مقالات علمی است. ممکن است روشی که سال‌ها در یک شاخه از فیزیک استفاده شده، برای حل مسئله‌ای در زیست‌شناسی نیز مناسب باشد، اما متخصصان دو حوزه از کار یکدیگر اطلاع نداشته باشند. Claude در پیدا کردن چنین ارتباط‌هایی توانایی قابل توجهی نشان داده است.
نخستین آزمایش جدی در حوزه تخصصی خود شوارتز، یعنی فیزیک ذرات، انجام شد. او از Claude خواست روش‌های محاسباتی مربوط به «دامنه‌های پراکندگی» را از مقالات و زبان‌های برنامه‌نویسی مختلف جمع‌آوری و در قالبی واحد پیاده‌سازی کند. به گفته شوارتز، Claude یکی از نتایج مقاله او را در حدود ۲۰ دقیقه بازتولید کرد؛ کاری که نوشتن کد آن برای خود او هفته‌ها طول کشیده بود.
کار به همین‌جا ختم نشد. مجموعه ابزارهای ساخته‌شده توانست سراغ انتگرال‌های بسیار دشوار فیزیک نظری برود. پس از چند هفته، BootLoops سی انتگرال را از ابتدا تا انتها محاسبه کرده بود؛ ۱۵ مورد بازتولید نتایج شناخته‌شده و ۱۵ مورد، به گفته نویسنده، محاسباتی بودند که پیش از آن انجام نشده بودند.
از فیزیک به زیست‌شناسی و بوم‌شناسی
جالب‌ترین بخش تجربه زمانی آغاز شد که Claude متوجه شد روش‌های ریاضی مشابه در رشته‌های ظاهراً نامرتبط نیز وجود دارند. برخی از تکنیک‌های فیزیک ریاضی می‌توانستند برای مسائل ژنتیک جمعیت، زیست‌شناسی تکاملی، بوم‌شناسی و رشته‌های دیگر به کار روند.
برای مثال، در بوم‌شناسی معادله‌ای وجود داشت که حدود دو دهه امکان حل آن در مقیاس بزرگ فراهم نشده بود. Claude تشخیص داد این مسئله با ابزارهای BootLoops سازگار است و توانست آن را حل کند. استفاده از این روش روی داده‌های جنگل Barro Colorado Island در پاناما نشان داد ترکیب گونه‌های درختی بسیار سریع‌تر از آنچه «نظریه خنثی تنوع زیستی» پیش‌بینی می‌کند تغییر می‌کند.
اما اینجا نکته مهمی آشکار شد: حل یک مسئله لزوماً به معنای کشف علمی مهم نیست. وقتی شوارتز نتیجه را به یک متخصص بوم‌شناسی نشان داد، او توضیح داد که اصل این نتیجه برای بوم‌شناسان چندان شگفت‌آور نیست. متخصص انسانی جهت پژوهش را تغییر داد و همکاری پژوهشگر، Claude و متخصص حوزه در نهایت به مدلی برای بررسی ویژگی‌های زیستی گونه‌ها منجر شد.
بررسی ۵.۷ میلیارد جفت جهش ژنتیکی
نمونه مهم دیگر در ژنتیک جمعیت اتفاق افتاد. Claude ابتدا با استفاده از روش‌هایی برگرفته از فیزیک ریاضی یک مسئله محاسباتی قدیمی را حل کرد، اما متخصصان زیست‌شناسی پیشنهاد کردند پژوهش به سمت پرسش علمی مهم‌تری هدایت شود.
ادامه در پست بعدی