هوش مصنوعی در حال تغییر علم است - چگونه؟ چه کسی باید اذیت شود؟ 

نگاهی انتقادی به تأثیر هوش مصنوعی (AI) بر علم از دیدگاه‌ها و بازیگران مختلف - از سرمایه‌گذاران دولتی گرفته تا مؤسسات خصوصی با فناوری پیشرفته - نگرانی مشترک در مورد عدم شفافیت و همکاری در ایجاد رویکردی انسان محورتر را نشان می‌دهد. به وعده علم به عنوان یک کالای عمومی جهانی عمل کند.

سوال دیگر مطرح نیست if هوش مصنوعی در حال تغییر علم است، اما چگونهماتیو دنیس در مراسم امسال صحبت کرد اجلاس جهانی دیجیتال با هدف با یک جلسه پانل در مورد تأثیرات هوش مصنوعی در مورد چگونگی انجام و سازماندهی علم.

با گذشت کمتر از یک سال از انتشار عمومی اولیه ChatGPT 4، علاقه به موضوع هوش مصنوعی و همچنین کاربرد آن در کل چرخه تولید علم افزایش یافته است. یامین آیت آمور، رئیس بخش دیجیتال و ریاضی آژانس تحقیقات ملی فرانسه (ANR)، این علاقه را تقریباً در همه رشته‌ها می‌بیند. و در حالی که آژانس از ابزارهای هوش مصنوعی برای ارزیابی پیشنهادهای تحقیقاتی استفاده نمی‌کند، آنها به خوبی می‌دانند که نمی‌توانند محدودیت‌های مشابه استفاده از هوش مصنوعی را در کار علمی خود بر دیگران اعمال کنند.

در حالی که استفاده از هوش مصنوعی در علم سوالات و گاهی اوقات شک و تردیدهای بسیاری را ایجاد می کند، اما در مورد وعده های آن نیز هیجان زیادی وجود دارد. پتانسیل وجود دارد، اگر ساختارهای مناسب را در جای خود قرار دهیم. ریکاردو باتیستا لیت، مدیر عامل هوش مصنوعی برای تحقیقات بهداشتی مشترک I-DAIR، درس‌هایی را از گذشته بازگو می‌کند که فناوری‌های مخرب که در سیستم‌های شکسته اعمال می‌شوند، شکستگی بیشتری ایجاد کردند. فناوری‌های هوش مصنوعی می‌توانند به رفاه عمومی کمک کنند - اگر به طور خاص آنها را برای انجام این کار از ابتدا طراحی کنیم.

موج فعلی توسعه هوش مصنوعی، با این حال، تقریباً به طور انحصاری توسط بخش خصوصی هدایت می شود، با منابعی که به مراتب از هر سرمایه گذاری عمومی فراتر می رود. و بدون پر کردن شکاف عمومی و خصوصی در تحقیق و توسعه، غیرممکن است که در مورد طراحی مشترک هوش مصنوعی مسئولیت‌پذیرتر و فراگیر صحبت کنیم.

کریستینا یان ژانگ، مدیر عامل موسسه متاورس، به همکاری عمومی و خصوصی در علم و فناوری معتقد است. او موافق است که رفاه انسان باید در هسته توسعه فناوری قرار گیرد. در سیستم علمی فعلی، محققان مجبورند به جای تاثیر واقعی، معیارهایی مانند استناد مجلات را دنبال کنند.

Yamine Ait-Ameur اضافه می کند که فقط این نیست. چالش کلیدی دیگری برای استفاده از هوش مصنوعی در علم وجود دارد. ابزارهای هوش مصنوعی اغلب می‌توانند نتایج و نتایجی بهتر از انسان‌ها ایجاد کنند. به عنوان مثال، AlphaFold، یک سیستم یادگیری عمیق هوش مصنوعی که برای پیش‌بینی ساختار پروتئین آموزش دیده است، در حال حاضر از روش‌های مبتنی بر نیروی انسانی بهتر عمل کرده است. اما نمی‌توانیم نتایج آن را به‌طور قابل اعتمادی تکرار، تأیید و توضیح دهیم. تا زمانی که نتوانیم فرآیندهایی را که در "جعبه‌های سیاه" هوش مصنوعی اتفاق می‌افتد درک کنیم، استفاده از هوش مصنوعی در علم مشکلات فنی و اخلاقی بزرگی را ایجاد می‌کند.

حضار در جلسه پانل این احساس را به اشتراک گذاشتند که تغییرات بزرگی که اکنون در علم شاهد آن هستیم، تنها آغاز راه است: «در اواسط قرن نوزدهم در آغاز انقلاب صنعتی است. آیا ما در تلاشیم تا نظام فئودالی را تطبیق دهیم یا دوره نوظهور را تحلیل می کنیم؟»

ریکاردو باتیستا لیته موافق است. "ما در این لحظه از زمان به گذشته نگاه خواهیم کرد و از خود خواهیم پرسید که آیا کار درستی انجام داده ایم یا خیر. ما فرصتی داشتیم که جریان را تغییر دهیم.»