موهبت اصلی هوش مصنوعی

فرارو- پتانسیل واقعی هوش مصنوعی ممکن است در توانایی آن برای مواجهه با یکی از چالش‌های بنیادین علم امروز نهفته باشد، یعنی انبوه داده‌هایی که دانشمندان به دلیل کمبود وقت یا ابزار لازم قادر به بررسی کامل آن‌ها نیستند.

به نقل از آتلانتیک و گزارشی از فرارو، داریو آمودی، مدیرعامل شرکت آنتروپیک، بارها تأکید کرده است که هوش مصنوعی قادر است در طول یک دهه آینده به درمان بسیاری از بیماری‌ها بپردازد. او در پایان ماه گذشته اظهار داشت که شرکتش اولین گام را در راستای تحقق این پیش‌بینی برداشته است: مدل هوش مصنوعی کلود تنها در کمتر از ۲۴ ساعت نوع جدیدی از آنزیم را شناسایی کرده که به گفته آنتروپیک، شباهت‌هایی با تکنیک ویرایش ژن کریسپر دارد که برای درمان برخی بیماری‌ها به کار می‌رود.

آنتروپیک در زمان اعلام این خبر، خاطرنشان کرد که این یافته می‌تواند به عنوان یکی از کشفیات تحول‌آفرین در پزشکی در نظر گرفته شود. این شرکت همچنین به نقل از یکی از متخصصان برجسته ویرایش ژن، نامبرده را «واقعاً جالب‌توجه» توصیف کرد.

اگرچه، این شرکت پذیرای این واقعیت بود که هنوز به‌طور کامل نمی‌داند کلود دقیقا چه چیزی را شناسایی کرده و آیا واقعا این کشف از اهمیت ویژه‌ای برخوردار است یا خیر. این اولین نتیجه‌ای بود که از آزمایشگاه زیست‌شناسی آنتروپیک که در بهار همان سال تأسیس شده بود، منتشر گردید؛ اما انتشار آن با تردید‌های قابل‌توجهی روبرو شد.

چندین دانشگاهی و حتی مدیرعامل شرکت داروسازی الای لیلی بر این باورند که آنتروپیک یک دستاورد کوچک و تدریجی را به عنوان یک کشف بزرگ ارائه کرده است. فئودور اورنوف، دانشمندی که اصطلاح «ویرایش ژنوم» را ابداع کرده و در پروژه‌ای نزدیکی با کریسپر به آنتروپیک مشغول همکاری است، تصریح کرد که هنوز مشخص نیست آیا آنچه که کلود یافته، به واقع یک آنزیم باشد.

چندین پژوهشگر نیز به روزنامه نیویورک‌تایمز اعلام کردند که از سال‌ها قبل از وجود این سامانه احتمالی اطلاع داشته‌اند. گروهی از دانشگاه کپنهاگ حتی مدعی شدند که نتایج اخیر آنتروپیک ممکن است حاصل تعاملات آزمایشگاهی آن‌ها با کلود باشد. آنتروپیک در پاسخ تأکید کرد که مدل کلود به‌وسیله‌ی متن گفتگوهای کاربران آموزش داده نمی‌شود.

بنابراین، هنوز معلوم نیست که این یافته چه تأثیری بر پیشرفت در حوزه پزشکی خواهد داشت. با این وجود، هیاهویی که پیرامون آن ایجاد شده، باعث شده که نکته‌ای برجسته‌تر تحت‌الشعاع قرار بگیرد: کلود ظاهراً توانسته است حجم زیادی از داده‌های زیستی را تجزیه و تحلیل کند؛ کاری که در صورت عدم وجود این ابزار، ممکن است بسیار دشوار و زمان‌بر باشد.

چالش بزرگ علم امروز؛ داده‌های بیشتر و فرصت‌های کم‌تر برای تحلیل

در آستانه قرن بیست‌ویکم، محققان برای نخستین بار موفق شدند توالی کامل نزدیک به سه میلیارد حرف از ساختار دی‌ان‌ای انسان را تعیین کنند. پروژه ژنوم انسان به مدت ۱۳ سال به طول انجامید و هزینه‌ای معادل ۲.۷ میلیارد دلار در برداشت. امروزه، تعیین توالی کامل یک ژنوم فردی تنها در مدت یک روز و با هزینه‌ای حدود ۲۰۰ دلار ممکن است.

این پیشرفت‌های چشمگیر، سبب افزایش بسیار زیاد داده‌های ژنومی در دسترس عموم شده است که مدیریت و تحلیل آن‌ها به یک چالش بزرگ تبدیل شده‌است. در دیگر حوزه‌ها نیز، مانند تحقیقات درباره پروتئین‌ها، پیشرفت تکنولوژی منجر به تولید انبوه داده‌ها شده است.

اما جمع‌آوری داده‌ها تنها نیمی از فرایند علمی را شامل می‌شود. پژوهشگران بایستی قادر به ذخیره، انتقال و بررسی داده‌ها باشند و از میان انبوه اطلاعات، الگوهای معناداری استخراج کنند. کمیته‌ای از متخصصان در حوزه زیست‌اطلاعات در سال ۲۰۱۲ اعلام کرد که «گلوگاه بهره‌وری علمی» از تولید داده به تحلیل آن‌ها انتقال یافته است. تلاش‌های ابتدایی مؤسسه ملی سلامت آمریکا برای حل این موضوع نیز به سرعت با مشکلاتی مواجه شد.

اگر دانشمندان بتوانند اطلاعات تولید شده را به شکلی مؤثر تحلیل کنند، احتمالاً می‌توانند ژن‌ها یا اجزای سلولی مناسب‌تری را برای هدف‌گذاری شناسایی کنند و به این ترتیب به توسعه داروهای جدید دست یابند. مشکل اینجاست که حجم داده‌ها، فراتر از توان تحلیل جامع پژوهشگران است.

چگونه هوش مصنوعی به کمک دانشمندان می‌شتابد؟

در چنین شرایطی، هوش مصنوعی می‌تواند به عنوان ابزاری قوی برای جست‌وجو عمل کند. بو وانگ، استادیار دانشگاه تورنتو و دانشمند ارشد هوش مصنوعی در یک شرکت کشف دارو، بر این باور است که تأثیر اصلی این فناوری در توسعه توانایی دانشمندان برای تحلیل داده‌هاست.

سیستم‌های هوش مصنوعی قابلیت تحلیل مجموعه‌های عظیم داده‌ها را دارند و می‌توانند موارد غیرمعمولی را شناسایی کنند که ارزش بررسی عمیق‌تر توسط محققان را دارند. آن‌ها همچنین قادرند فرضیه‌هایی درباره دلایل مشاهده الگوهای غیرمعمول ارائه دهند و در ارزیابی اولیه این فرضیات نیز ایفای نقش کنند. مدل‌های پیش‌بینی می‌توانند به پژوهشگران کمک نمایند تا آزمایش‌هایی را انتخاب کنند که بالاترین احتمال دستیابی به نتایج سودمند را دارند.

در مراحل بعدی، آزمایشگاه‌های خودکار ممکن است به اجرای آزمایشات منتخب نیز بپردازند. با این حال، پژوهشگران در مورد اینکه آیا هوش مصنوعی واقعاً به طراحی آزمایش‌هایی که به تحول بینجامد کمک می‌کند یا دانشمندان را به سمت گزینه‌های ایمن‌تر و کمتر ریسک‌پذیر سوق می‌دهد، هم‌نظر نیستند.

همه حوزه‌های زیست‌شناسی به یک اندازه از هوش مصنوعی بهره‌مند نمی‌شوند

هوش مصنوعی هم‌اکنون در حوزه پزشکی نیز به کار گرفته می‌شود. در بسیاری از بیمارستان‌های ایالات متحده از مدل‌هایی استفاده می‌شود که با اتکا به سوابق پزشکی افراد، خطر ابتلا به برخی بیماری‌ها مانند انواع خاصی از سرطان را پیش‌بینی می‌کنند.

با این حال، این روش در تمامی شاخه‌های زیست‌شناسی به یکسان موثر نیست. برخی حوزه‌ها به داده‌هایی نیاز دارند که گردآوری آن‌ها دشوارتر است؛ برای مثال، فهم ارتباطات میان سلول‌ها و بافت‌ها به تصاویری میکروسکوپی نیاز دارد که معمولاً به آسانی مانند داده‌های توالی ژنتیکی در دسترس نیستند. استرلینگ چرچمن، استاد ژنتیک در دانشکده پزشکی هاروارد، همچنین به تحقیقات درباره اندامک‌های سلولی و جابجایی مواد درون سلول اشاره می‌کند؛ حوزه‌هایی که به آزمایش‌های دقیق و زمان‌بر احتیاج دارند.

با این وجود، چرچمن معتقد است که هر کجا داده‌های کافی وجود داشته باشد، هوش مصنوعی می‌تواند دستاوردهای قابل‌توجهی به ارمغان آورد. او تابستان را در شرکت اوپن‌ای‌آی سپری کرده و بر روی مدلی خاص برای پژوهشگران علم زیست کار کرده است. از نظر او، این فناوری به‌ویژه به پژوهشگرانی که مهارت برنامه‌نویسی ندارند و قصد دارند خودشان داده‌های تحقیقاتی‌شان را تحلیل کنند، کمک شایانی خواهد کرد. چرچمن امیدوار است که هوش مصنوعی بتواند حداقل ۱۰ برابر سرعت تحلیل داده‌ها را افزایش دهد تا پژوهشگران بتوانند زمان بیشتری را به پرسش‌های زیستی و انجام آزمایش‌ها اختصاص دهند.

ارزش واقعی هوش مصنوعی ممکن است در تسریع علم باشد

کشف اخیر آنتروپیک، نمونه‌ای از قابلیت‌های هوش مصنوعی در شناسایی الگوهای غیرمعمول است که ممکن است از دید پژوهشگران نادیده بماند. ابزارهای موجود همچنین می‌توانند حجم بالایی از داده‌های ژنومی را تحلیل کنند و پیشتر برای شناسایی سامانه‌های نوین و واقعی ویرایش ژن به کار گرفته شده‌اند. کندل کلمنت، مدیر آزمایشگاه زیست‌شناسی محاسباتی در دانشگاه یوتا می‌گوید هوش مصنوعی قادر است چنین تحلیل‌ها را در مقیاسی بسیار بزرگتر انجام دهد و به طور همزمان نتایج میانی را نیز ارزیابی کند.

البته تحقق چنین فرایند به منابع محاسباتی قابل توجهی نیاز دارد. آنتروپیک برای بررسی پایگاه داده‌ای شامل تقریبا دو میلیارد ورودی دی‌ان‌ای، حدود ۹۵۰ عامل کلود را به‌طور هم‌زمان به کار گرفت.

شرکت‌های فعال در حوزه هوش مصنوعی انگیزه‌های قوی دارند تا درباره دستاوردهای پزشکی آتی این فناوری تبلیغات کنند؛ به‌ویژه حالا که انتقادات در مورد آن رو به فزونی است. آمودی به تازگی در شبکه اجتماعی ایکس نوشت که بهترین راه برای قانع کردن منتقدان هوش مصنوعی، کشف درمان واقعی سرطان است. چنین موفقیتی بی‌شک یک نقطه عطف بزرگ خواهد بود. با این حال، کمک به دانشمندان در تجزیه و تحلیل سریع‌تر داده‌ها و پیشبرد تحقیقات نیز از اهمیت ویژه‌ای برخوردار است؛ حتی اگر این اقدامات به اندازه ظهور درمان سرطان انقلابی به نظر نرسند.