ادامه از پست قبلی
در ادامه، پژوهشگران با کمک Claude حدود ۵.۷ میلیارد جفت جهش نزدیک به یکدیگر را در داده‌های پروژه 1000 Genomes بررسی کردند و شواهدی از نقش فرایندی موسوم به gene conversion به دست آوردند. از دید شوارتز، این نمونه نشان می‌دهد هوش مصنوعی می‌تواند به پژوهشگران برای استخراج الگوهای علمی از مجموعه‌داده‌های عظیمی که هم‌اکنون در آرشیوهای عمومی وجود دارند کمک کند. این یافته همچنان در مسیر بررسی و اعتبارسنجی علمی قرار دارد.
از اقتصاد تا زبان‌شناسی
دامنه آزمایش‌ها حتی از علوم طبیعی نیز فراتر رفت. در یک پروژه اقتصادی، سامانه‌ای مبتنی بر هوش مصنوعی بسته‌های بازتولید مربوط به ۴۴۵۲ مقاله در پنج مجله مهم اقتصادی را بررسی کرد و کدهای نوشته‌شده با ابزارهایی مانند MATLAB و Stata را به کد متن‌باز تبدیل کرد. حدود ۳۰ هزار روال محاسباتی در این فرایند بررسی شدند.
در زبان‌شناسی نیز Claude همراه با سه زبان‌شناس در ساخت پایگاه داده AccStack مشارکت کرد؛ مجموعه‌ای درباره الگوهای تکیه واژگان که ۶۰۷۲ زبان را پوشش می‌دهد و کتاب‌شناسی آن حدود ۱۶۰ هزار اثر در حوزه واج‌شناسی را در بر می‌گیرد.
پروژه‌های دیگری نیز در حوزه‌هایی مانند تبارشناسی تکاملی، علوم زمین، ژنومیک، لکه‌های خورشیدی، فیزیک ریاضی، کیهان‌شناسی و آمار در حال انجام یا بررسی هستند. نویسنده تأکید می‌کند که بسیاری از این نتایج هنوز باید بیشتر بررسی و اعتبارسنجی شوند.
درس اصلی: انسان هنوز باید «جهت» را تعیین کند
شاید مهم‌ترین نتیجه گزارش آنتروپیک نه توانایی Claude در محاسبه، بلکه مشخص شدن مرز میان نقش انسان و ماشین باشد.
تجربه شوارتز نشان داد Claude می‌تواند با سرعت بسیار بالا مقاله بخواند، برنامه بنویسد، محاسبات انجام دهد و میان رشته‌های مختلف ارتباط پیدا کند. اما در تشخیص اینکه کدام نتیجه از نظر علمی مهم است، عملکرد آن قابل اعتماد نیست. در چند پروژه، Claude نتیجه‌ای را بسیار مهم تلقی کرده بود، در حالی که متخصصان آن حوزه آن را چندان جالب نمی‌دانستند.
بنابراین الگویی که در این آزمایش‌ها موفق بوده تقریباً چنین است: هوش مصنوعی مسئله‌ها و ارتباط‌های بالقوه را پیدا می‌کند و محاسبات سنگین را انجام می‌دهد؛ پژوهشگر انسانی و متخصص حوزه، اهمیت علمی نتیجه را ارزیابی و مسیر تحقیق را تعیین می‌کنند.
شوارتز تأکید می‌کند که دانشمند باید نتایج Claude را زیر سؤال ببرد، محاسبات را بررسی کند و «ذوق علمی» و تشخیص مسئله مهم را خود وارد فرایند کند. همچنین نباید اجازه داد عامل هوش مصنوعی بدون کنترل، زمان و منابع محاسباتی را صرف مسیرهای بی‌ثمر کند.
آیا روش علمی در حال تغییر است؟
پاسخ نویسنده منفی است. به اعتقاد او حتی با پیشرفت مدل‌های هوش مصنوعی، علم همچنان به داده‌های واقعی، آزمایش، کنترل نتایج و طرح پرسش‌های جدید بر اساس یافته‌های قبلی نیاز خواهد داشت. هوش مصنوعی می‌تواند این چرخه را بسیار سریع‌تر کند، اما جایگزین خود چرخه علمی نمی‌شود.
از این منظر، آینده علم شاید نه «دانشمند هوش مصنوعی» در برابر «دانشمند انسانی»، بلکه نوع جدیدی از تقسیم کار باشد: ماشین در جست‌وجوی گسترده میان میلیون‌ها مقاله، روش و مجموعه‌داده و انجام محاسبات طاقت‌فرسا؛ و انسان در انتخاب پرسش‌های ارزشمند، تشخیص معنای نتایج و تعیین جهت پژوهش.
شاید مهم‌ترین پیام «Claude-shaped science» همین باشد: توان واقعی هوش مصنوعی در علم زمانی آشکار می‌شود که از آن نخواهیم دقیقاً مانند انسان پژوهش کند، بلکه بفهمیم ماشین در چه نوع مسائلی برتری دارد و سپس توانایی آن را با قضاوت و تخصص علمی انسان ترکیب کنیم.
https://t.me/UT_Central_Library