آیا هوش مصنوعی می‌تواند اینشتین دوم باشد؟ چالش کشف علمی توسط ماشین

آیا هوش مصنوعی می‌تواند اینشتین دوم باشد؟ دانشمندان و پژوهشگران حوزه فناوری در حال بررسی این پرسش بنیادین هستند که آیا مدل‌های زبانی پیشرفته قادرند به جای بازتولید اطلاعات، به کشفیات خلاقانه‌ای دست یابند که ساختار جهان را دگرگون کند.

آزمون تاریخی برای سنجش هوش عمومی

در سال‌های اخیر، ایده‌ای برای سنجش میزان نزدیک شدن به هوش مصنوعی عمومی (AGI) مطرح شده است. دِمیس هاسابیس، از بنیان‌گذاران دیپ‌مایند، پیشنهاد داده است که اگر یک مدل زبانی بزرگ تنها با داده‌های موجود تا سال ۱۹۱۱ آموزش ببیند، آیا می‌تواند نظریه نسبیت عام را که بعدها توسط اینشتین ارائه شد، بازتولید کند؟

این رویکرد که به «مدل‌های زبانی تاریخی» معروف شده، تلاش می‌کند مرز میان اطلاعات موجود و خلاقیت علمی را مشخص کند. پژوهشگران می‌خواهند بدانند آیا ماشین‌ها می‌توانند از دل داده‌های محدود، قوانین بنیادین طبیعت را استخراج کنند یا خیر.

چالش استدلال ربایشی و جهش‌های خلاقانه

یکی از موانع اصلی در مسیر رسیدن به این هدف، تفاوت میان انواع استدلال است. مدل‌های فعلی عمدتاً بر پایه استدلال استقرایی عمل می‌کنند؛ یعنی با مشاهده الگوهای تکراری در حجم عظیمی از داده‌ها، محتمل‌ترین پاسخ را ارائه می‌دهند.

«جهش‌های بزرگ علمی، مانند تغییر پارادایم، اغلب از دل ناهنجاری‌ها و داده‌های اندک بیرون می‌آیند، در حالی که هوش مصنوعی فعلی تمایل دارد این موارد را میانگین‌گیری و حذف کند.»

در مقابل، دانشمندان بزرگ از استدلال ربایشی (Abductive reasoning) استفاده می‌کنند. این نوع تفکر، یعنی ابداع یک علت یا نظریه جدید برای یک پدیده منفرد که پیش از آن هرگز مطرح نشده است. مدل‌های کنونی در یافتن الگوهای موجود عالی هستند، اما در ایجاد ایده‌های کاملاً نو از مشاهدات محدود، با شکست مواجه می‌شوند.

شکست در بازسازی قوانین فیزیک

تجربیات عملی نشان داده است که مدل‌های زبانی در درک عمیق قوانین فیزیکی ضعف دارند. برای مثال، پژوهش‌هایی در موسسه فناوری ماساچوسل (MIT) نشان داد که وقتی مدلی با داده‌های مکانیک مداری آموزش می‌بیند، هرگز موفق به استنباط قانون واقعی گرانش نمی‌شود و در عوض، قوانین اشتباه و منحصر‌به‌فردی برای هر سیستم تولید می‌کند.

با این حال، پیشرفت‌هایی در حوزه ریاضیات، مانند رد کردن برخی فرضیات قدیمی توسط چت‌بات‌های پیشرفته، نشان می‌دهد که این فناوری پتانسیل‌های خود را در درک ساختارهای منطقی زیربنایی حفظ کرده است.

نتیجه‌گیری: فراتر از پیش‌بینی آماری

در نهایت، رسیدن به سطح هوش مصنوعی که بتواند مانند اینشتین پارادایم‌های علمی را تغییر دهد، نیازمند عبور از هدفِ صرفِ «دقت پیش‌بینی» است. برای دستیابی به این مرحله، سیستم‌ها باید علاوه بر داده‌های متنی، با قوانین فیزیکی جهان و فضای ریاضیات نیز به صورت عمیق‌تر و ساختارمندتر آموزش ببینند تا بتوانند از میان نویزهای داده، حقیقت را استخراج کنند.