ابزارهای هوش مصنوعی FutureHouse برای تسریع تحقیقات علمی منتشر شد

FutureHouse، یک سازمان ناسودبر با پشتیبانی اریک اشمیت، که هدف آن ساخت یک «دانشمند هوش مصنوعی» طی دهه آینده است، اولین محصول اصلی خود را عرضه کرده است: پلتفرم و واسط برنامه‌نویسی (API) با ابزارهای مبتنی بر هوش مصنوعی که برای پشتیبانی از کارهای علمی طراحی شده‌اند.

بسیاری از استارتاپ‌ها در حال رقابت برای توسعه ابزارهای تحقیقاتی هوش مصنوعی در حوزه علمی هستند که برخی از آن‌ها حجم عظیمی از سرمایه خطرپذیر (Venture Capital) را جذب کرده‌اند. به نظر می‌رسد غول‌های فناوری نیز در زمینه هوش مصنوعی برای علم خوش‌بین هستند. اوایل سال جاری، گوگل از «دانشمند هوش مصنوعی همکار» رونمایی کرد، هوش مصنوعی که شرکت گوگل گفت می‌تواند به دانشمندان در ایجاد فرضیه‌ها و طرح‌های تحقیقاتی تجربی کمک کند.

مدیران عامل شرکت‌های هوش مصنوعی OpenAI و Anthropic اظهار داشته‌اند که ابزارهای هوش مصنوعی می‌توانند کشف علمی را به ویژه در پزشکی به شدت تسریع کنند. اما بسیاری از محققان هوش مصنوعی کنونی را در راهنمایی فرآیند علمی به طور ویژه مفید نمی‌دانند، که بخش عمده آن به دلیل عدم قابلیت اطمینان آن است.

FutureHouse چهار ابزار هوش مصنوعی را منتشر کرده است: Crow، Falcon، Owl و Phoenix. Crow می‌تواند در متون علمی جستجو کرده و به سوالات درباره آن‌ها پاسخ دهد؛ Falcon می‌تواند جستجوهای عمیق‌تری در متون علمی انجام دهد، از جمله در پایگاه‌های داده علمی؛ Owl به دنبال کارهای قبلی در یک زمینه موضوعی مشخص می‌گردد؛ و Phoenix با استفاده از ابزارها به برنامه‌ریزی آزمایش‌های شیمی کمک می‌کند.

FutureHouse در پستی گفته است: «برخلاف [سایر هوش‌های مصنوعی]، ابزارهای FutureHouse به مجموعه عظیمی از مقالات با کیفیت بالا و دسترسی آزاد (open-access) و ابزارهای علمی تخصصی دسترسی دارند. آن‌ها همچنین استدلال شفافی دارند و از یک فرآیند چند مرحله‌ای برای بررسی عمیق‌تر هر منبع استفاده می‌کنند. با به هم زنجیر کردن این هوش‌های مصنوعی در مقیاس، دانشمندان می‌توانند سرعت کشف علمی را به شدت تسریع کنند.»

اما به طور قابل توجهی، FutureHouse هنوز با ابزارهای هوش مصنوعی خود به پیشرفت علمی یا کشف جدیدی دست نیافته است.

بخشی از چالش در توسعه یک «دانشمند هوش مصنوعی» پیش‌بینی تعداد بی‌شماری از عوامل مخل است. هوش مصنوعی ممکن است در زمینه‌هایی که نیاز به اکتشاف گسترده وجود دارد، مانند محدود کردن لیست عظیمی از احتمالات، مفید باشد. اما کمتر مشخص است که آیا هوش مصنوعی قادر به حل مسائلی به روش‌های نوآورانه است که منجر به پیشرفت‌های واقعی می‌شود.

نتایج حاصل از سیستم‌های هوش مصنوعی طراحی شده برای علم تاکنون عمدتاً ناامیدکننده بوده‌اند. در سال ۲۰۲۳، گوگل اعلام کرد که حدود ۴۰ ماده جدید با کمک یکی از هوش‌های مصنوعی آن، به نام GNoME، سنتز شده‌اند. با این حال، یک تحلیل خارجی نشان داد که حتی یک مورد از این مواد هم در واقع کاملاً جدید نبوده است.

نقص‌های فنی و خطرات هوش مصنوعی، مانند تمایل آن به «توهم‌زایی» (hallucinate)، نیز دانشمندان را نسبت به تایید آن برای کارهای جدی محتاط می‌کند. حتی مطالعاتی که به خوبی طراحی شده‌اند نیز ممکن است توسط هوش مصنوعی که در اجرای کارهای با دقت بالا مشکل دارد، دچار مشکل شوند.

FutureHouse اذعان می‌کند که ابزارهای هوش مصنوعی آن — به ویژه Phoenix — ممکن است مرتکب خطا شوند.