شورای بینالمللی علوم و عضو آن، انجمن علوم و فناوری چین (CAST)، با همکاری طبیعت، یک مجموعه پادکست شش قسمتی جدید را راهاندازی کردهاند که به بررسی چشمانداز در حال تحول مشاغل تحقیقاتی میپردازد. در سراسر این مجموعه، محققان تازهکار و میانرده با دانشمندان ارشد گفتگو خواهند کرد و تجربیات رشد، همکاری و تابآوری در مواجهه با تغییرات سریع را به اشتراک خواهند گذاشت.
در این قسمت سوم، مرسه کراساس، مدیر علوم اجتماعی و انسانی محاسباتی در مرکز ابر رایانه بارسلوناو محمد حسینی، استادیار اخلاق در دانشگاه نورث وسترن، بحث کنید که چگونه هوش مصنوعی و دیجیتالی شدن، مشاغل علمی و فرآیند تحقیق را متحول میکنند.
این گفتگو هم فرصتها و هم چالشهایی را که هوش مصنوعی برای محققان تازهکار و میانسال به ارمغان میآورد، برجسته میکند. در حالی که فناوریهای جدید پیشرفتهایی را ممکن میسازند و مسیرهای کاملاً جدیدی از تحقیق را میگشایند، نگرانیهایی را نیز در مورد عدالت دسترسی، اتکای بیش از حد به ابزارهای خودکار و فرسایش تفکر انتقادی ایجاد میکنند.
ایزی کلارک: ۰۰:۰۱
سلام و خوش آمدید. من ایزی کلارک، روزنامهنگار علمی هستم و در این پادکست که با همکاری شورای بینالمللی علوم و با حمایت انجمن علم و فناوری چین ارائه میشود، در مورد قدرت کمکهای دیجیتال و هوش مصنوعی معروف به هوش مصنوعی، اهمیت آن برای مشاغل علمی و همچنین تهدید بالقوه آن برای فعالیتهای علمی بحث خواهیم کرد.
امروز، من با مرسه کروساس، مدیر علوم اجتماعی و انسانی محاسباتی در مرکز ابررایانه بارسلونا و رئیس کمیته دادههای شورای بینالمللی علوم، معروف به CODATA، همراه هستم.
مرسی کراساس: ۰۰:۴۲
سلام.
ایزی کلارک: ۰۰:۰۱
و محمد حسینی، استادیار اخلاق در دانشگاه نورث وسترن شیکاگو و عضو آکادمی جهانی جوانان.
محمد حسینی: ۰۰:۵۱
سلام. چطوری؟
ایزی کلارک: ۰۰:۰۱
خیلی خب، متشکرم. فکر میکنم برای شروع، سوالی که از هر دوی شما دارم این است که چرا اکنون زمان مهمی برای تأمل در مورد چگونگی شکلگیری مشاغل علمی توسط دیجیتالسازی و هوش مصنوعی است؟
محمد حسینی: ۰۰:۵۱
من فکر میکنم ما شاهد تصمیمگیریهای بیشتر و بیشتری مبتنی بر داده توسط محققان هستیم که گاهی اوقات به تصمیمگیریهای ملی یا محلی نیز سرایت میکند، که خوب است، اما از نظر مشاغل علمی، این بدان معناست که باید مهارتهای جدیدی را به محققان آموزش دهیم.
و این همیشه همینطور بوده است. اما به دلیل نقطه اوج، همه چیز آنقدر سریع پیش میرود که به سختی میتوانیم به آن برسیم. ماشینها آنقدر توانمند میشوند که میتوانند جایگزین نیروی کار انسانی در علم شوند. اکنون در برههای حساس برای بحث در مورد دیجیتالی شدن و بررسی اینکه چه کسی از این فناوریها سود میبرد، چه کسی ممکن است جا بماند و چگونه میتوانیم شفافیت و عدالت را در استفاده از آنها تضمین کنیم، قرار داریم.
ایزی کلارک ۰۱:۵۴
مرسی، نظرت چیه؟
مرسی کراساس: ۰۰:۴۲
یکی از اولین موارد این است که هوش مصنوعی مدت زیادی است که در علم مورد استفاده قرار میگیرد و این تغییر به تدریج در حال رخ دادن است. درست است که اکنون استفاده از هوش مصنوعی به عنوان روش در بسیاری از تولیدات علمی به طور نمایی در حال افزایش است.
بنابراین، از بررسی مرور ادبیات گرفته تا تلاش برای فهمیدن سوال تحقیق، تا پردازش و جمعآوری دادهها، و سپس خود تحلیل، و همچنین انتشار نتایج علمی. منظورم این است که، حدس میزنم آن نقطه اوجی که محمد از آن صحبت میکرد، تأثیر بسیار گستردهتری نسبت به گذشته دارد.
ایزی کلارک: ۰۰:۰۱
نکات زیادی وجود دارد که باید در نظر گرفته شوند. شما به انتشار مقاله اشاره کردید و به زودی به آن خواهیم پرداخت. اما از نظر فرصتها، چه فرصتهایی را برای محققان تازه کار و میانسال از این موضوع میبینید و چگونه این موضوع چشمانداز علمی مبتنی بر هوش مصنوعی را تغییر میدهد؟
محمد حسینی: ۰۰:۵۱
من حدس میزنم فرصتها بیشتر حول محور کشفیات جدید و انجام کارهایی هستند که پنج سال پیش حتی یک رویا هم محسوب میشدند. هر حوزهای که میتوانست از مدلسازی بهرهمند شود، اکنون بسیار سریعتر در حال حرکت است. این یک فرصت است، به خصوص برای محققان تازهکار و میانسال که ممکن است در استفاده از هوش مصنوعی مهارت بیشتری داشته باشند، اما با برخی بدهبستانها همراه است. یافتن فرصت در این پویایی جدید نیازمند نوع جدیدی از کنجکاوی است که ما در آن آموزش ندیدهایم. اما من فکر میکنم باید سعی کنیم وظایفی را در زمینههای تحقیقاتی پیدا کنیم که قابل خودکارسازی نباشند و سعی کنیم در چنین وظایفی سرآمد باشیم.
برای مثال، حوزه تحقیقاتی من، من یک محقق اخلاق هستم. نوشتن یک مقاله مستدل از قبل خودکار شده است. اما مربیگری، تدریس در یک کلاس حضوری که تعاملی و جذاب نیز هست، یا انجام مصاحبه برای جمعآوری دادهها و کسب بینشهای جدید از تجربیات زندگی افراد - اینها وظایفی هستند که به راحتی نمیتوان آنها را خودکار کرد. و من فکر میکنم ما باید این گروه از وظایف را در زمینه تحقیقاتی خود پیدا کنیم و سعی کنیم در آنها سرآمد باشیم.
ایزی کلارک: ۰۰:۰۱
و مرسی؟
مرسی کراساس: ۰۰:۴۲
من خطر زیادی برای جایگزینی دانشمندان یا دانشمندان تازهکار یا دانشمندان میانسال نمیبینم. چیزی که من میبینم فرصتهایی برای سوالات تحقیقاتی جدید است که بسیاری از دانشمندان نسلهای قبلی حتی نمیتوانستند به پرسیدن آنها فکر کنند، درست است؟ بنابراین، نه، فقط این نیست که، خب، اکنون میتوانیم از این ابزارها استفاده کنیم، بلکه میتوانیم در مورد برخی زمینهها به روشی کاملاً متفاوت فکر کنیم. در زیستپزشکی، در تغییرات اقلیمی، در فیزیک و زیستشناسی برای ژنتیک، این میتواند با استفاده از هوش مصنوعی و انواع جدید دادهها تغییر کند.
ایزی کلارک: ۰۰:۰۱
فکر میکنم میبینیم که روشهای مختلف زیادی وجود دارد که میتوانیم به هوش مصنوعی روی آوریم و وظایف مختلف را انجام دهیم، و در مورد بازآموزی مهارتها صحبت کردهایم. بنابراین، به نظر شما محققان تازهکار و میانسال در حوزههای علمی باید به چه نکاتی توجه کنند و از کجا میتوانند حمایت دریافت کنند؟
مرسی کراساس: ۰۰:۴۲
اکنون بیش از هر زمان دیگری مهم است که در علم بسیار دقیق باشیم و درک کنیم که در نهایت، چه از هوش مصنوعی استفاده کنیم و چه از ابزارهای دیگر، علم همان کاری است که ما انجام میدهیم، و علم استنتاج است و علم باید عمومی باشد. روشها، دادهها و نحوه انجام آن باید توسط دیگران تأیید شود.
این یعنی، باز هم، ما فقط از ابزارهای هوش مصنوعی برای دادن پاسخ به خودمان استفاده نمیکنیم، بلکه باید در نحوه اعتبارسنجی این پاسخها متخصصتر شویم. و برای این کار، باید در مورد نظریه زمینههایی که در آنها تحقیق میکنیم و دقت خروجیها، آمادگی بیشتری داشته باشیم.
ایزی کلارک: ۰۰:۰۱
آره، منظورم اینه که محمد، من هم دوست دارم نظرت رو در این مورد بدونم چون میدونم که این چیزیه که خیلی بهش توجه میکنی.
محمد حسینی: ۰۰:۵۱
بله، کاملاً. و همچنین میخواهم به آنچه مرسه اینجا گفت برگردم. بله، فکر کردن به نظریه مهم است، و در عین حال، افراد زیادی هستند که اکنون استدلال میکنند که به دلیل ظهور علم دادهمحور، ما شاهد پایان نظریه اجتماعی هستیم. نظریه واقعاً به آن اندازه مهم نیست زیرا مردم میتوانند فقط دادهها را جمعآوری کنند و دادهکاوی انجام دهند تا ببینند چه چیزی مرتبط است، بدون اینکه حتی قبل از جمعآوری دادهها فرضیهای داشته باشند.
و من فکر میکنم این یک پیشرفت قابل توجه است که نیاز به توجه و دقت زیادی دارد. فکر میکنم یکی از چالشهایی که میخواهم به آن اشاره کنم این واقعیت است که ما بسته به موقعیت مکانی به منابع مختلفی دسترسی داریم. همچنین از نظر آنچه مؤسسات ارائه میدهند، نابرابریهایی داریم. من این امتیاز را دارم که در یک دانشگاه خصوصی مرفه در ایالات متحده مستقر هستم که دسترسی رایگان به مدلهای مختلف هوش مصنوعی را ارائه میدهد، اما این مورد برای میلیونها محقق دیگر صدق نمیکند.
و این نابرابری، بسیاری از افراد دیگر را در موقعیت نامساعدی قرار میدهد. بسیاری از دانشگاهها حتی سیاست کلی برای استفاده از مدلهای هوش مصنوعی ندارند. اگر من در چنین دانشگاهی بودم، واقعاً سعی میکردم با مدیریت دانشگاه یا کتابخانه صحبت کنم و از آنها بخواهم که راهنمایی و آموزش ارائه دهند.
مرسی کراساس: ۰۰:۴۲
برای پیگیری خطر بیش از حد دادهمحور شدن. من قبول ندارم که این مسیری است که باید برویم، درست است؟ نتایج، تقاطع بین مدل نظری و این رویکرد دادهمحور است. اما در مورد استفاده از هوش مصنوعی مولد یا انواع جدید ابزارهای هوش مصنوعی، فکر میکنم اروپا رویکرد کاملاً متفاوتی نسبت به سایر نقاط دارد.
و اکنون در حال توسعه یک استراتژی جدید هوش مصنوعی در علم و علم برای هوش مصنوعی هستیم. ما باید مراقب باشیم که از چه نوع ابزار هوش مصنوعی استفاده میکنیم، آیا تعریف روشنی از دادههای مورد استفاده دارند، آیا متنباز هستند، آیا بر هوش مصنوعی قابل اعتماد تمرکز دارند یا خیر، و من فکر میکنم این بسیار مهم است.
ایزی کلارک: ۰۰:۰۱
میخواستم در اینجا به نکتهای هم اشاره کنم. ما در مورد چگونگی استفاده از هوش مصنوعی در کار و انتشار آثار صحبت میکنیم. خب محمد، به نظر شما محققان تازهکار و میانسال باید در مورد انتشار آثار و استفاده از هوش مصنوعی به چه نکاتی توجه داشته باشند؟
محمد حسینی: ۰۰:۵۱
بله، فکر میکنم یکی از چیزهایی که باید واقعاً به آن توجه داشته باشیم این است که چه وظیفهای را به هوش مصنوعی واگذار میکنیم؟ چه وظیفهای را از هوش مصنوعی میخواهیم؟ وقتی این رونق هوش مصنوعی شروع شد، هوش مصنوعی بیشتر در انتهای فرآیند تحقیق شما، مثلاً در مرحله ویرایش متن و بهبود خوانایی و غیره، مورد استفاده قرار میگرفت.
اما حالا ما داریم این وظایف مهم را به هوش مصنوعی واگذار میکنیم، و دفعهی بعد که میخواهید به سوال تحقیقاتی بعدیتان فکر کنید، به جای اینکه عمیقتر به کتابهای درسی که میخوانید یا مقالات جدیدی که میخوانید فکر کنید، با خودتان میگویید، آه، بگذارید بپرسم هوش مصنوعی در این مورد چه میگوید. این خیلی اعتیادآور میشود، و من محققان را تشویق میکنم که از وظایفی که واگذار میکنند آگاه باشند و از خود بپرسند، آیا ارزشش را دارد؟
پیشنهاد من این است که چیزی را صرفاً به خاطر انتشار چیزی منتشر نکنید، مگر اینکه حرف واقعاً مهمی برای گفتن داشته باشید. به این فکر کنید که به چه کسی استناد میکنید. اگر از هوش مصنوعی برای یافتن منابع استفاده میکنید، حتماً محتوایی را که به آن استناد میکنید بخوانید، زیرا بسیاری از اوقات این استنادها نامربوط هستند.
ایزی کلارک: ۰۰:۰۱
و من فکر میکنم این نکتهی خوبی است. بله، راههایی وجود دارد که میتوانیم از هوش مصنوعی استفاده کنیم که ممکن است در برخی موارد مفید باشد، اما برخی از این مهارتها را فعال نگه دارید و مطمئن شوید که از جهات دیگر نیز بررسیهای لازم را انجام میدهید.
و فکر میکنم این احتمالاً ما را به بحث اعتبار میرساند. خب، در حوزه کاری شما و برای عموم مردم، برای حفظ اعتبار در این عصر دیجیتال چه چیزی لازم است؟ مرسی؟
مرسی کراساس: ۰۰:۴۲
خب، فکر میکنم خیلی آسان است. منظورم این است که شما وقتی میتوانید آن را منتقل کنید، وقتی کاملاً آن و آنچه روی آن کار میکنید را درک میکنید و توسط چیز دیگری که شما نمیفهمید ایجاد نشده باشد، اعتبار دارید. برگردیم به ارزشهای علم و علم باز، اینکه تا حد امکان شفاف باشد، اینکه هر کس دیگری بتواند آنچه را که شما انجام دادهاید، از نحوهی اعمال مدل هوش مصنوعی، روش، دادههایی که استفاده کردهاید، گردشهای کاری، اصول منصفانه برای دادههای قابل جستجو، در دسترس، قابل تعامل و قابل استفادهی مجدد، تأیید کند. اما همچنین نرمافزاری که آنچه استفاده میکنید قابل اشتراکگذاری باشد، توسط دیگران قابل جستجو باشد و قابل تأیید باشد.
ایزی کلارک: ۰۰:۰۱
اما راههای هیجانانگیز زیادی وجود دارد که این میتواند ابزاری برای تحول علم و دیجیتالی شدن نیز باشد. بنابراین، مرسه، شما نقش ارتباطات علمی را با رشد فناوری چگونه میبینید؟
مرسی کراساس: ۰۰:۴۲
خب، پس، ارتباطات علمی، ما هنوز باید کارهای زیادی روی آن برای جامعه انجام دهیم. و در حال حاضر انتظاراتی وجود دارد که هوش مصنوعی میتواند در خلاصهسازی بسیاری از خروجیهای علمی و دسترسیپذیرتر کردن آنها برای مخاطبان گستردهتر، نقشی ایفا کند. بنابراین، فکر میکنم این میتواند جالب باشد.
ایزی کلارک: ۰۰:۰۱
و در نهایت، چه چیزی به هر دوی شما در این دنیای دیجیتال، امید به آینده علم میدهد؟ محمد؟
محمد حسینی: ۰۰:۵۱
فکر میکنم چیزی که به من امید میدهد، نسل جدیدی از محققان است که حرف دلشان را میزنند. ما شاهد نسل جدیدی هستیم که جرات میکند افکارش را بگوید و حاضر است برای آن هزینه بپردازد. من در ایالات متحده هستم و انواع شرکتهای بزرگ و اینکه چگونه میتوانند بر چشمانداز تحقیقات و دانشگاهها و همه چیز تأثیر بگذارند را میبینم. بنابراین، دیدن این موضوع برای من بسیار مهم است.
ایزی کلارک: ۰۰:۰۱
و مرسی؟
مرسی کراساس: ۰۰:۴۲
بنابراین، من فکر میکنم که ما ابزارهای بیشتری برای درک نحوه کار، نحوه همکاری و سوالات جدیدی که میتوانیم در علم بپرسیم، داریم. و من فکر میکنم که اگر ماهیت علم و ارزشهای علم باز را از دست ندهیم، و همچنین از این نوع جدید روشهای هوش مصنوعی بهره ببریم، این امید را برای علم بهتر ایجاد میکند.
ایزی کلارک: ۰۰:۰۱
از هر دوی شما خیلی ممنونم که به من ملحق شدید.
اگر شما یک محقق تازه کار یا در اواسط دوران کاری خود هستید و میخواهید بخشی از گفتگو در مورد آینده هوش مصنوعی باشید، به انجمن شورای بینالمللی علوم برای دانشمندان نوظهور بپیوندید.
بازدید: انجمن/علم/شورا برای یافتن اطلاعات بیشتر.
من ایزی کلارک هستم، و دفعهی بعد در مورد اینکه چگونه محققان تازهکار و میاندورهای میتوانند به حفاظت از اقیانوسهای ما کمک کنند و قدرت یک رویکرد بینرشتهای برای انجام این کار بحث خواهیم کرد. تا آن زمان.
بیشتر بخوانید درباره علم بدون مرز: همکاری بینالمللی برای نسل بعدی محققان 
بیشتر بخوانید درباره بازنگری رشد و تابآوری در اکوسیستم تحقیقاتی 
بیشتر بخوانید درباره علوم میانرشتهای: اوایل و اواسط دوران حرفهای، آینده علم را شکل میدهند 