فصل نهم: میکروسکوپی برای دادهها
از میان تمام تأثیرات هوش مصنوعی، هیچکدام احتمالاً به اندازه تأثیر آن بر علم، پزشکی و سلامت به طرز بیسابقهای مثبت نخواهد بود. هوش مصنوعی ابزاری دگرگونکننده برای علم است، درست مانند تلسکوپ و میکروسکوپ. همانطور که آن ابزارها امکان مطالعه چیزهایی را که بیش از حد دور یا کوچک بودند فراهم کردند و زمینههای کاملاً جدیدی از علم را گشودند، هوش مصنوعی نیز به ما اجازه میدهد الگوهایی را در دادهها ببینیم که بیش از حد پیچیده یا ظریف هستند تا مغزهای ما بتوانند آنها را تشخیص دهند.
در طول دهه گذشته، ابزارها و روشهای علمی جدید، از توالییابی ژنوم گرفته تا رادار گشودگی مصنوعی و شتابدهندههای ذرات پرانرژی، به پژوهشگران این امکان را دادهاند که دادههایی بیش از هر زمان دیگری جمعآوری کنند. اما بسیاری از این دادهها آنقدر وسیع هستند که بدون هوش مصنوعی قابل تحلیل نیستند. این فقط حجم خام دادهها نیست که طاقتفرساست، بلکه انبوه مقالات علمی که تلاش میکنند این دادهها را تحلیل کنند نیز چنیناند. پایگاه PubMed، یک مخزن محبوب برای مقالات علوم پزشکی و زیستی، هر سال بیش از یک میلیون مقاله جدید اضافه میکند. به عبارتی، در هر دو ثانیه یک مقاله. همچنین در تمام رشتههای علمی، میلیونها مقاله دیگر نیز هر سال منتشر میشوند.
این شکاف میان تولید دادههای جدید و توانایی ما برای درک آنها ممکن است به توضیح این یافته کمک کند که چرا سرعت پیشرفتها در علم عملاً کندتر شده است، حتی با وجود افزایش چشمگیر حجم تحقیقات منتشرشده. هوش مصنوعی برای معکوس کردن این روند حیاتی است، چراکه به ما کمک میکند طلای واقعی را از میان خروارها اطلاعات کمارزش جدا کنیم و ما را به سمت تحقیقاتی هدایت میکند که میتوانند تفکر و زندگی ما را به طرز ریشهای تغییر دهند.
هوش مصنوعی که بتواند این مقالات را جذب کند، یافتههایشان را خلاصه کند و به دنبال الگوها یا ارتباطات پنهان در میان رشتهها بگردد، تنها راه استخراج بینشهای ارزشمند آنها خواهد بود. با بهکارگیری هوش مصنوعی روی مجموعه دادههای جدید، مواد جدیدی برای باتریها کشف خواهیم کرد که میتوانند به مقابله با تغییرات اقلیمی کمک کنند، بازدهی محصولات کشاورزی را بدون نیاز به مواد شیمیایی سمی افزایش دهیم و درمانهای جدیدی برای بیماریها کشف کنیم.
علاوه بر این، با ترکیب هوش مصنوعی با نسل جدیدی از دستگاههای پوشیدنی و آزمایشهای خونی، میتوانیم درمانهای پزشکی را به شیوهای کاملاً شخصیسازیشده ارائه کنیم. هوش مصنوعی در حال حاضر در سراسر رشتههای علمی و علوم اجتماعی به کار گرفته شده است. از جستجوی سیاهچالهها در کیهان گرفته تا کنترل واکنشگرهای همجوشی هستهای، رمزگشایی متون باستانی، کشف کلانشهرهای گمشده در جنگل آمازون، خواندن تصاویر پزشکی و کمک به پزشکان برای استفاده از اطلاعات ژنومی و نشانگرهای زیستی برای ارائه درمانهایی که به شکل بهتری با هر بیمار تطبیق دارند.
هوش مصنوعی همچنین شیوهی انجام علم را دگرگون کرده است؛ نقش مرکزی فرضیهها و نظریهها در برخی پژوهشها را به چالش کشیده، در حالی که الگوهای پنهانی را آشکار میکند که در نهایت ما را به نظریههای جدیدی هدایت خواهند کرد. بله، خطراتی نیز وجود دارد؛ دادهها وسیعاند، اما همچنان ناقص هستند. شکافهایی در دادهها وجود دارد، از جمله کمبود اطلاعات ناشی از تعصبات تاریخی انسانی یا نقص در ابزارهای ما. باید هنگام ساخت نرمافزارهای هوش مصنوعی از این نقصها آگاه باشیم. هوش مصنوعی یک چوب جادویی نیست؛ واحههای بینشی که آشکار میکند گاهی میتوانند سرابی بیش نباشند.
و بله، همان روشهایی که به ما کمک میکنند درمانهای جدیدی کشف کنیم، در دستان نادرست میتوانند برای طراحی سلاحهای بیولوژیکی یا سموم جدید به کار گرفته شوند. اما در هیچ حوزه دیگری ترازوی اثرات هوش مصنوعی به این اندازه به سمت پیشرفت سنگینی نمیکند.
چینخوردگیهای زندگی
سئول، کره جنوبی، مارس ۲۰۱۶:
دو مرد، در حالی که کتهای زمستانی به تن و کلاههای پشمی بر سر دارند تا از سرمای شب محافظت کنند، با سرعت از میان خیابانهای شلوغ پایتخت قدم میزنند. اطراف آنها، نئونهای چشمکزن رستورانهای دامپلینگ و کبابیها وسوسهگرانه میدرخشند، اما این دو مرد که غرق در گفتگویی پرشور هستند، انگار این جذابیتها را نمیبینند. با این حال، این پیادهروی جنبهای جشنگونه دارد. این دو نفر با هدفی مشخص به سئول آمدهاند، مأموریتی که نتیجه سالها تلاش بوده است و حالا به موفقیت دست یافتهاند. دستاورد آنها جایگاهشان را در تاریخ علم کامپیوتر تثبیت خواهد کرد؛ آنها نرمافزاری مبتنی بر هوش مصنوعی ساختهاند که میتواند بازی استراتژی باستانی Go را چنان ماهرانه بازی کند که توانسته است بهترین بازیکن جهان، یک کرهای به نام لی سدول، را به راحتی شکست دهد.
Go بازیای به ظاهر ساده است که شامل قرار دادن مهرههای سیاه و سفید روی یک صفحه ۱۹×۱۹ خانهای میشود، اما یادگیری و تسلط بر آن چنان دشوار است که تعداد ترکیبهای ممکن حرکتهای آن، از تعداد اتمهای جهان هم فراتر میرود. برای موفقیت در این بازی، یک سیستم هوش مصنوعی نمیتواند صرفاً تمام حرکات ممکن را تحلیل کرده و بهترین گزینه را با اطمینان انتخاب کند. (نرمافزارها در شطرنج میتوانند.) در عوض، باید نوعی حس شهودی از استراتژی را در خود توسعه دهند. این دقیقاً همان کاری است که سیستم هوش مصنوعیای که این دو نفر ساختند، به نام AlphaGo، انجام داد.
اکنون این دو نفر، دمیس هاسابیس و دیوید سیلور[1]، رهبر تیم دیپمایند که AlphaGo را ساخت؛ در حال صحبت درباره هدف بعدی خود هستند. در یک مکالمه که توسط گروه فیلمبرداری یک مستند ضبط شده است، هاسابیس میگوید: «میگویم ما میتوانیم مسأله چینخوردگی پروتئین را حل کنیم. این یک چیز فوقالعاده بزرگ است. مطمئنم که الان میتوانیم این کار را انجام دهیم. قبلاً فکر میکردم که میتوانیم، اما حالا کاملاً مطمئنم.»
حل مسأله چینخوردگی پروتئین، بهاندازه غلبه بر بازی Go چالشی دشوار و پیچیده بود. در دهه ۱۹۶۰، سایروس لوینثال[2]، یک فیزیکدان و زیستشناس مولکولی، به این نتیجه رسید که تعداد شکلهای ممکن برای یک پروتئین آنقدر زیاد است که اگر بخواهیم بهطور تصادفی ترکیبات ممکن را امتحان کنیم، بیشتر از عمر جهان زمان میبرد تا به ساختار درست برسیم. پروتئینها بلوکهای سازنده زندگی و اساس اکثر فرآیندهای زیستی هستند. آنها زنجیرههای بلندی از آمینواسیدها هستند که بهطور طبیعی بر اساس ترکیب مولکولی و قوانین فیزیک، به شکلهای پیچیدهای فرو میریزند یا «تا» میشوند. این شکلها به نوبه خود، عملکرد پروتئین را تعیین میکنند. جهشهای ژنتیکی که نحوه چینخوردگی یک پروتئین را تغییر میدهند، عامل بسیاری از بیماریها، از جمله کمخونی داسیشکل[3]، فیبروز سیستیک[4] و سندرم مارفان[5] هستند. همچنین تصور میشود پروتئینهای نادرست تاخورده نقشی کلیدی در بیماریهایی مانند آلزایمر[6]، پارکینسون[7]، هانتینگتون[8] و ALS[9] (بیماری لو گریگ[10]) ایفا میکنند.
شکلهای پروتئین همچنین برای نحوه عملکرد بسیاری از داروها حیاتی هستند. اکثر داروها مولکولهای کوچکی هستند که به یک «حفره[11]» خاص روی سطح یک پروتئین متصل میشوند و عملکرد آن را مهار یا تغییر میدهند. آنتیبادیها نیز به همین شیوه عمل میکنند، با اتصال به حفرههای سطح ویروسها، از عفونی شدن سلولها جلوگیری کرده و آنها را بهعنوان اهدافی برای سایر بخشهای سیستم ایمنی نشانگذاری میکنند تا نابود شوند.
خود پروتئینها نیز، چه بهصورت طبیعی تولید شوند و چه در آزمایشگاه ساخته شوند، میتوانند بهعنوان داروهایی قدرتمند عمل کنند که مستقیماً فرآیندهای زیستی را تحت تأثیر قرار میدهند. توانایی پیشبینی ساختار پروتئین میتواند درک ما از بیماریها را متحول کرده و منجر به تولید داروهای جدید و هدفمندتری برای اختلالاتی مانند سرطان و دیابت شود. این دستاورد میتواند زمان مورد نیاز برای عرضه داروهای جدید به بازار را کاهش دهد، سالها و صدها میلیون دلار از هزینهها بکاهد و در نتیجه جان انسانها را نجات دهد.
حل مسئله چینخوردگی پروتئین از سال ۱۹۷۲، زمانی که شیمیدان کریستین آنفینسن[12] در سخنرانی پذیرش جایزه نوبل خود این فرضیه را مطرح کرد که DNA یک پروتئین باید بهطور کامل شکل آن را تعیین کند، به یک چالش بزرگ علمی تبدیل شد. این فرضیه بسیار قابلتوجه بود. در آن زمان، حتی یک ژنوم نیز توالییابی نشده بود. اما نظریه آنفینسن، یک زیرشاخه کامل در زیستشناسی محاسباتی را پایهگذاری کرد، با هدف استفاده از ریاضیات و کامپیوترها به جای آزمایشها برای مدلسازی شکل پروتئینها.
این چالش عظیم بود و برای نزدیک به پنجاه سال، زیستشناسی محاسباتی پیشرفتی پیوسته اما آهسته داشت. در زمان قدم زدن شبانه هاسابیس و سیلور در سال ۲۰۱۶، بهترین روشهای محاسباتی تنها قادر بودند شکل پروتئین را با دقت بالا در حدود ۳۰ درصد موارد پیشبینی کنند. در عین حال، استاندارد طلایی برای تعیین ساختار پروتئین همچنان یک فرآیند آزمایششده اما زمانبر و پرهزینه به نام کریستالوگرافی اشعه ایکس[13] بود. در سالهای اخیر، روشی با استفاده از میکروسکوپهای الکترونی، معروف به CryoEM، امکان تحلیل سریعتر اما تا حدودی کمتر دقیق ساختارها را فراهم کرده بود.
با این حال، تا سال ۲۰۱۶، از میان صدها میلیون پروتئین شناختهشده، دانشمندان تنها توانسته بودند ساختار حدود ۱۱۰,۰۰۰ پروتئین را پیدا کنند و کمتر از ۱۰,۰۰۰ ساختار جدید هر سال کشف میشد. اما چهار سال پس از آن گفتگوی شبانه، شرکت گوگل دیپمایند یک پیشرفت خیرهکننده اعلام کرد؛ در نوامبر ۲۰۲۰، این شرکت از یک سیستم هوش مصنوعی به نام AlphaFold رونمایی کرد که میتوانست توالی DNA یک پروتئین را گرفته و در ۹ مورد از ۱۰ بار، ساختار آن را با دقتی در حد پهنای یک اتم پیشبینی کند.
این هوش مصنوعی همچنین یک امتیاز اطمینان ارائه میکرد که به زیستشناسان نشان میداد چه زمانی باید به پیشبینی اعتماد کنند و چه زمانی بیشتر شکاک باشند. دیپمایند نرمافزار AlphaFold را به صورت رایگان در اختیار تمام دانشمندانی که مایل به استفاده از آن بودند قرار داد. اما این تنها آغاز کار بود؛ در کمتر از یک سال، این شرکت با استفاده از AlphaFold ساختار تمام پروتئینهای بدن انسان را پیشبینی کرد و آنها را در یک پایگاه داده آنلاین منتشر کرد که هر دانشمندی میتوانست به آن مراجعه کند؛ پیش از این، تنها ۱۷ درصد از پروتئینهای انسانی ساختار شناختهشده داشتند.
علاوه بر این، دیپمایند پیشبینیهایی برای تمام پروتئینهای ۲۰ موجود زنده که برای دانشمندان اهمیت خاصی دارند (از انگل مالاریا گرفته تا گونه موشهایی که معمولاً در آزمایشگاهها استفاده میشوند) منتشر کرد. سپس، در سال ۲۰۲۲، این شرکت حتی یک گام فراتر رفت و پیشبینیهای مبتنی بر AlphaFold برای تمام ۲۰۰ میلیون پروتئین شناختهشده در علم را منتشر کرد.
پیشبینیهای AlphaFold اکنون به اندازه میکروسکوپها و لولههای آزمایش برای زیستشناسان ضروری شده است. این فناوری در حال دگرگون کردن جستجوی آنتیبیوتیکهای جدید و کمک به یافتن درمانهایی برای بیماریهای گرمسیری است که اغلب از سوی شرکتهای داروسازی نادیده گرفته میشوند، زیرا عمدتاً افرادی را تحت تأثیر قرار میدهند که توانایی پرداخت هزینههای بالای دارو را ندارند. همچنین AlphaFold به دانشمندان کمک میکند تا راههایی برای مقاومتر کردن جمعیت زنبورهای عسل در برابر بیماریها پیدا کنند و به محققانی که به دنبال پروتئینهایی هستند که بتوانند پلاستیکها را تجزیه کنند، یاری میرساند.
AlphaFold تنها نمونهای کوچک از چگونگی تحولآفرینی هوش مصنوعی در علم و پزشکی است. این فناوریها تنها یک وظیفه علمی را تحت تأثیر قرار نخواهند داد؛ بلکه کل حوزهها را متحول خواهند کرد. پل نرس[14]، ژنتیکدان برنده جایزه نوبل و مدیرعامل مؤسسه فرانسیس کریک[15]، میگوید که پیشبینیهای ساختاری AlphaFold راه را برای یک «رویکرد سیستمی» در تحقیقات پروتئین باز کرده است. اکنون پژوهشگران میتوانند ساختار پروتئینها را در بین موجودات مختلف و در میان کل ژنومها مقایسه کنند تا بفهمند چگونه عملکردهای زیستی مختلف تکامل یافتهاند. این امکان پیش از این وجود نداشت، زیرا تعداد پروتئینهای شناختهشده بسیار کم بود.
ابزارهای علم
هوش مصنوعی به یک ابزار ضروری در تمام شاخههای علم، از نجوم گرفته تا جانورشناسی، تبدیل شده است. متخصصان مایکروسافت با شیمیدانان آزمایشگاه ملی شمال غرب اقیانوس آرام همکاری کردند تا با استفاده از هوش مصنوعی به دنبال مواد جدیدی برای الکترولیتهای باتریهای حالت جامد بگردند که از لیتیوم کمتری استفاده کنند. نرمافزار آنها ۳۲ میلیون ترکیب شیمیایی ممکن را بررسی کرد و این تعداد را به ۵۰۰,۰۰۰ ترکیب پایدار که میتوانستند کاندیداهای مناسبی باشند کاهش داد. سپس، با استفاده از هوش مصنوعی، این لیست به ۸۰۰ ترکیب محدود شد و در نهایت، تنها یک ترکیب شیمیایی شناسایی شد که پیشتر ناشناخته بود و در طبیعت یافت نمیشد. آزمایشهای آزمایشگاهی نشان داد که این ترکیب میتواند در باتریهایی که به ۷۰ درصد لیتیوم کمتری نیاز دارند، به کار رود. اگر این فناوری تجاریسازی شود، باتریها پایدارتر، ایمنتر (کمتر مستعد آتشسوزی) و ارزانتر تولید خواهند شد. کل این فرآیند که پیشتر سالها زمان میبرد، تنها در ۹ ماه انجام شد.
با کمک محققان گوگل دیپمایند، فیزیکدانان سوئیسی روشهای بهتری برای کنترل میدانهای مغناطیسی پیدا کردند که پلاسمای فوقگرم را درون دستگاه دوناتشکل معروف به توکاماک[16]، که برای آزمایشهای همجوشی هستهای استفاده میشود، نگه میدارد. این پیشرفت میتواند به دانشمندان کمک کند تا به نقطه عطفی برسند که انرژی پاک و فراوانی را فراهم کند.
هوش مصنوعی برای شمارش گونههای در معرض خطر در تصاویری که توسط دوربینهای نصبشده در جنگلهای کنگو گرفته شده یا در فیلمهای ثبتشده توسط پهپادها در دشتهای آفریقایی استفاده میشود. همچنین برای تفسیر معنای صداهای نهنگهای عنبر به کار گرفته شده است. اخترشناسان از هوش مصنوعی برای ایجاد تصاویر بهتر از سیاهچالهها استفاده میکنند. باستانشناسان از هوش مصنوعی برای یافتن شهرهای گمشده از طریق تحلیل تصاویر ماهوارهای بهره میگیرند و متخصصان کلاسیک از آن برای رمزگشایی متون باستانی، از جمله بازسازی بخشهای گمشده کتیبههای سنگی و «خواندن» طومارهایی که بیش از حد شکننده هستند تا باز شوند، استفاده میکنند.
علاوه بر این، هوش مصنوعی به ما کمک میکند رازهای هوش طبیعی خود را کشف کنیم، گروههای نورونی مغز را نقشهبرداری کرده و معنای فعالیت الکتریکی برخی نورونها را دریابیم. این قابلیتها امکان خواندن ذهن ما را فراهم میآورند. چه از طریق اسکنهای مغزی غیرتهاجمی و رابطهای مغز و کامپیوتر یا از طریق ایمپلنتهای بیسیمی که مستقیماً در مغز قرار داده میشوند.
جان جامپر[17]، محقق ارشد تیم چینخوردگی پروتئین دیپمایند، میگوید کاربرد هوش مصنوعی در علم به معنای اعطای تواناییهای فرابشری به پژوهشگران انسانی است. با این حال، برخلاف هدف دستیابی به هوش عمومی مصنوعی، تمرکز بر روی ایجاد «دانشمند هوش مصنوعی» جهانی نیست که بتواند هر کاری را در هر حوزهای انجام دهد. به گفته او، هدف این است که به پژوهشگران انسانی «تواناییهای فرابشری اما در حوزههای بسیار محدود» بدهیم که برای علم اهمیت دارند.
او میگوید: «هوش مصنوعی برای علم یعنی این که چگونه میتوانیم از هوش مصنوعی و یادگیری ماشینی برای انجام کارهایی استفاده کنیم که انسانها نمیتوانند؟ انسانها در پیشبینی ساختار پروتئینها ضعیف هستند. انسانها در تفسیر ژنومها ضعیف هستند.» بنابراین، چرا نباید اجازه دهیم هوش مصنوعی این کارهایی را انجام دهد که انسانها نمیتوانند؟
جامپر میگوید یکی از بزرگترین محدودیتها در کاربرد هوش مصنوعی در بسیاری از حوزههای علمی این است که «تنها تعداد کمی منبع داده زیبا وجود دارد.» منظور او مجموعه دادههایی است که هم بهاندازه کافی بزرگ هستند و هم اطلاعات مناسب به شکلی سازماندهیشده دارند که بتوان روشهای یادگیری ماشینی را بهطور موفقیتآمیز به آنها اعمال کرد. اما خود هوش مصنوعی به حل این مشکل کمک خواهد کرد، با شمارش و دستهبندی چیزهایی که پیش از این هرگز نمیتوانستیم آنها را بشماریم یا توصیف کنیم. (از مواد ژنتیکی شناور در یک نمونه خون گرفته تا ستارگان در کهکشانهای دوردست.)
در همین حال، هوش مصنوعی مولد دادههای کاملاً جدیدی را به علم ارائه میکند، با پیشبینی یا شبیهسازی پدیدههایی که ما نتوانستهایم مستقیماً مشاهده یا تحلیل کنیم.هوش مصنوعی به طور فزایندهای برای پردازش سیل عظیم دانشی که انسانها تولید میکنند، ضروری میشود. مدلهای زبانی بزرگ، ممکن است تنها راه برای هضم، خلاصهسازی و دستهبندی خروجی فکری ما باشند. این روند از هماکنون آغاز شده است.
ابزاری رایگان مبتنی بر مدلهای زبانی بزرگ به نام Elicit که توسط آزمایشگاه تحقیقاتی غیرانتفاعی Ought در ایالات متحده ایجاد شده، به دانشمندان کمک میکند تا فرآیند زمانبر مرور ادبیات، بازیابی مقالات علمی مرتبط و خلاصهسازی یافتههای تعداد محدودی از مهمترین مقالات را سادهتر کنند.
برخی از عجیبترین کاربردهای مدلهای زبانی بزرگ در علوم اجتماعی خواهد بود. هوش مصنوعی میتواند معنای دادههای غیرساختاریافته، مانند پستهای توییتر یا تیکتاک را تحلیل کند و راههای جدیدی برای رصد تغییر نگرشهای عمومی فراهم کند. دانشجویانی در سنگاپور نشان دادهاند که میتوان از ChatGPT برای ارزیابی دقیق تیپهای شخصیتی مایرز-بریگز[18] انسانها استفاده کرد.
اما هوش مصنوعی میتواند فراتر از تحلیل اطلاعات ساختهشده توسط انسان عمل کند. بسیاری ایده استفاده از مدلهای زبانی بزرگ برای شبیهسازی انسانها در پژوهشهای علوم اجتماعی را مطرح کردهاند. ایگور گروسمن[19]، روانشناسی از دانشگاه واترلو در کانادا، نشان داده که پاسخهای چتباتهای مدلهای زبانی بزرگ که طوری طراحی شدهاند که گویی فردی با نوع خاصی از شخصیت هستند، بهطور دقیقی آینه گفتههای افراد واقعی با همان شخصیت در آزمایشها است.
اساتیدی در قطر و فنلاند پیشنهاد کردهاند که مدلهای زبانی بزرگ شبیهساز جمعیتهای انسانی بزرگ میتوانند برای جمعآوری نظرات عمومی و دادههای تحقیقات بازار به کار روند، بدون نیاز به نظرسنجی از هزاران انسان واقعی. این مدلها همچنین میتوانند رفتار انسانی را در سناریوهای خاص شبیهسازی کنند و پژوهش در حوزههایی مانند اقتصاد رفتاری، نظریه بازیها[20] و روابط بینالملل را تقویت کنند؛ بهعنوان مثال، این مدلها میتوانند رفتار رهبران جهان یا سازمانهای غیردولتی را در انواع مختلفی از «بازیهای جنگی» شبیهسازی کنند.
اما جنبه منفی استفاده از مدلهای بزرگ هوش مصنوعی در پژوهشهای علمی این است که معمولاً نیاز به تخصص بالا در مهندسی نرمافزار دارند و برای اجرا به مقدار زیادی توان محاسباتی گرانقیمت نیازمند هستند. دیپمایند AlphaFold را به صورت رایگان در اختیار دانشمندان قرار داده است و پیشبینیهای ساختاری تمام پروتئینهای آن را به صورت عمومی منتشر کرده است. Meta نیز بسیاری از مدلهای هوش مصنوعی علمی خود را رایگان ارائه داده است.
با این حال، همه شرکتها چنین سخاوتمند نخواهند بود و کنترل پیشرفت علمی ممکن است بهطور فزایندهای از دانشگاهها و دیگر نهادهای غیرانتفاعی به سمت دستهای سودجوی شرکتها منتقل شود. با درک این خطر، دولت ایالات متحده و دیگر دولتها در سراسر جهان شروع به تأمین مالی «زیرساختهای ابری ملی برای تحقیقات هوش مصنوعی[21]» کردهاند، که میتوانند برای اهداف عمومی، از جمله تحقیقات دانشگاهی، استفاده شوند. دسترسی به این نوع توان محاسباتی هوش مصنوعی برای اطمینان از ادامه پیشرفت علمی ضروری خواهد بود.
وقفهای برای فرضیهها
هوش مصنوعی تنها یک ابزار برای دانشمندان نیست؛ بلکه در حال دگرگون کردن ماهیت پژوهش علمی بهطور کامل است. روش علمی که در مدرسه آموختهایم، فرضیه را در مرکز خود قرار میدهد. گاهی، فرضیه تنها پیشبینیای است درباره اینکه اگر مجموعهای خاص از ورودیها در یک آزمایش تغییر یابد، چه اتفاقی خواهد افتاد. اما در بهترین آزمایشها، فرضیه حاوی توضیحی احتمالی برای پدیدههای مشاهدهشده است که سپس آزمایشی برای اثبات یا رد آن طراحی میشود.
با این حال، روشهایی که دیپمایند برای AlphaFold به کار برد و دیگران نیز بهطور فزایندهای در پژوهشهای دارویی استفاده میکنند (همانطور که در ادامه این فصل خواهیم دید)، این الگو را به چالش کشیده است. این روشها نیازی به وجود فرضیهای از سوی دانشمند ندارند که توضیح دهد چرا طراحی خاصی از یک پروتئین ممکن است یک آنزیم کارآمدتر ایجاد کند یا نسبت به دیگری کمتر سمی باشد. در وزندهیهای شبکه عصبی نوعی شهود درباره نتیجهای که این دستور DNA خاص ایجاد میکند، پنهان است، اما شبکه عصبی نمیتواند استدلال خود را توضیح دهد. برای ما، این سیستم مانند یک جعبه سیاه است. این رویکرد ما را از نظریهپردازی به سمت تجربهگرایی محض سوق میدهد و امکان علمی بدون فرضیه را فراهم میکند.
هر دانشمند میآموزد که «همبستگی به معنای علیت نیست»، اما با داشتن دادههای کافی و ابزاری تحلیلی قدرتمند، مانند شبکههای عصبی عظیم امروزی، گاه همبستگی تمام چیزی است که نیاز دارید. اهمیت توضیحات به شرایط بستگی دارد. در برخی حوزههای پزشکی، بهویژه آنهایی که با تشخیص بیماری در ارتباط هستند، پزشکان معمولاً به پیشبینیهایی که فاقد توضیح باشند، اعتماد نمیکنند.
سومیت چوپرا[22]، یک پژوهشگر هوش مصنوعی در دانشگاه نیویورک، سیستمی هوش مصنوعی را آموزش داد که میتوانست وجود سرطان را در اسکنهای MRI با دادهای بسیار کمتر از حالت معمول پیشبینی کند. این نرمافزار نوید میداد که زمان لازم برای ماندن بیمار در دستگاه MRI را کاهش دهد. کاری که امکان اسکن افراد بیشتری را فراهم میکرد و هم هزینه هر اسکن را کاهش میداد؛ اما این روش باعث میشد اسکن MRI تصاویر دوبعدی واضحی تولید نکند که رادیولوژیستهای انسانی بتوانند آنها را بررسی کنند. به همین دلیل، پزشکان به این نرمافزار اعتماد نکردند و تمایلی به استفاده از آن نشان ندادند. آنها میخواستند شواهد سرطان را با چشم خود ببینند، نه اینکه صرفاً به خوانش دستگاهی تکیه کنند که دادههای آن برایشان بیش از حد پیچیده و مبهم بود.
اما وقتی صحبت از درمان باشد، پزشکان اغلب با علم مبتنی بر شواهد و بدون توضیحات مشکلی ندارند. گاهی این رویکرد را «طب جادویی» مینامند. به عنوان نمونه، آسپرین را در نظر بگیرید. ما برای بیشتر از یک قرن از آن برای تسکین درد و کاهش التهاب استفاده کردهایم، اما تنها در سالهای اخیر شروع به کشف نحوه عملکرد آن کردهایم.
اینکه چقدر از دنیای شجاعانه و بدون نظریه راضی باشیم، بستگی به این دارد که ما ابزارگراییم یا واقعگرا. ابزارگرایان معتقدند که هدف علم پیشبینی جهان از طریق آزمایشها است. نظریهها تنها ابزاری برای به دست آوردن پیشبینیهای بهتر هستند. اگر بتوانید جهان را بدون مدلی که انسانها قادر به درک آن باشند، بهخوبی پیشبینی کنید، مشکلی ندارد. تنها دقت پیشبینی اهمیت دارد. جامپر، رهبر تیم AlphaFold در دیپمایند، یک ابزارگراست. او میگوید: «هسته علم چیست؟ شما پیشبینی میکنید که چه اتفاقی خواهد افتاد و سپس میبینید که آیا پیشبینیتان درست بوده است.»
از سوی دیگر، واقعگرایان علمی بر این باورند که کار علم درک واقعیت زیرین جهان است، نه فقط پیشبینی آن. برای واقعگرایان، علمی بدون نظریه عمیقاً ناراضیکننده است. نوآم چامسکی[23]، زبانشناس و روشنفکر عمومی، یکی از کسانی است که در این اردوگاه قرار دارد. او زمانی پیشبینیهای صرفاً آماری را مورد انتقاد قرار داده و گفته بود: «شما میتوانید پروانهها را جمعآوری کنید و مشاهدات بسیاری انجام دهید. اگر پروانهها را دوست دارید، این اشکالی ندارد؛ اما این کار نباید با پژوهش، که در پی کشف اصول توضیحی است، اشتباه گرفته شود.»
جاناتان زیتترین[24]، استاد دانشگاه، بهویژه نگران مسیری است که این علم بدون نظریه ما را به آن میبرد. هر بار که مدلی را صرفاً به دلیل قدرت پیشبینیاش به کار میگیریم، بدون اینکه مکانیکهای زیرین آن را درک کنیم، چیزی را که او «بدهی فکری» مینامد، انباشته میکنیم. ما باید در نهایت این بدهی را با ارائه نظریههای توضیحی بازپرداخت کنیم، در غیر این صورت دچار مشکل خواهیم شد. زیتترین استدلال میکند که بدهی فکری در نهایت اراده آزاد ما را تهدید میکند:
«دنیایی از دانش بدون درک به دنیایی بدون علت و معلول قابل تشخیص تبدیل میشود، که در آن
به خدمتکاران دیجیتالی خود وابسته میشویم تا به ما بگویند چه کنیم و چه زمانی این کار را انجام دهیم.»
با این حال، ممکن است برای نظریه امیدی وجود داشته باشد. پیشبینیهای غیرمنتظره هوش مصنوعی میتوانند الهامبخش دانشمندان انسانی باشند تا فرضیههای جدیدی برای توضیح چرایی پدیدههای جهان ایجاد کنند. به زودی، هوش مصنوعی ممکن است به عنوان راهنمایی برای شهود انسانی در توسعه نظریههای جدید عمل کند.
در دسامبر ۲۰۲۱، دیپمایند با ریاضیدانانی از دانشگاه سیدنی و دانشگاه آکسفورد همکاری کرد تا نشان دهد که هوش مصنوعی میتواند به این شیوه عمل کند. مدلی هوش مصنوعی برای یافتن یک تابع ریاضی آموزش داده شد که بتواند ورودی را به خروجی خاصی تبدیل کند. پس از آموزش این مدل، ریاضیدانان با بررسی عملکرد درونی شبکه عصبی آن دریافتند که کدام جنبههای ورودی در تعیین خروجی بیشترین وزن را داشتند. آنها سپس توانستند نظریهای برای توضیح اهمیت این عوامل توسعه دهند.
در یک مورد، دستیار هوش مصنوعی به ریاضیدانان کمک کرد تا یک فرمول جدید برای حدسی در مورد جایگشتها و چندجملهایها توسعه دهند که برای دههها دانش این حوزه را به چالش کشیده بود. پوشمیت کوهلی[25]، رئیس بخش هوش مصنوعی برای علوم در گوگل دیپمایند، میگوید که هوش مصنوعی میتواند برای ایجاد مدلهایی از پدیدههای جهانی پیچیده، مانند آبوهوا یا اکولوژی، به کار رود که دانشمندان انسانی بتوانند آنها را بررسی کنند تا فرضیههای جدیدی درباره مکانیکهای زیرین ایجاد کنند. او میگوید: «تمام این اطلاعات غنی درست پیش روی ما پنهان شده است.» هوش مصنوعی کمک میکند این الگوها را قابل مشاهده کنیم.
در تاریخ علم، تجربهگرایی و نظریه همیشه یک تعامل پویا داشتهاند. هرگاه یکی از آنها جلوتر برود، معمولاً مانند یک فنر عمل کرده و دیگری را نیز به پیش میراند. مشاهدات کپلر[26] درباره حرکت سیارات پیش از نظریههای نیوتن درباره گرانش و حرکت شکل گرفتند. کشف پرتوهای ایکس توسط رونتگن[27] نیز پیش از هر گونه درک از تابش الکترومغناطیسی انجام شد. در حال حاضر، هوش مصنوعی دانش تجربی را سریعتر از آنچه بتوانیم فرضیههای جدید تولید کنیم، پیش میبرد. اما هیچ دلیلی وجود ندارد که فکر کنیم نظریه در نهایت به آن نخواهد رسید.
پزشکی با سرعت فکر
بینشهای بهدستآمده از AlphaFold میتواند زمان لازم برای عرضه داروهای جدید به بازار را کوتاه کند. اما حتی با وجود ساختار شناختهشده یک پروتئین، سالها تحقیق بیشتر لازم است تا پتانسیل آن آزاد شود. با این حال، دیگر تکنیکهای هوش مصنوعی ممکن است این زمانها را بهطور رادیکال کوتاه کنند و نوید تولید داروهای سفارشی در زمان دلخواه را بدهند.
در زیرزمین یک موزه هنر سابق در محوطه دانشگاه کالیفرنیا، برکلی، یک بازوی رباتیک در حال ساخت آینده پزشکی است. این بازو همزمان ۹۶ آزمایش را روی مجموعهای از آنزیمها انجام میدهد. این آنزیمها توسط نرمافزاری طراحی شدهاند که متعلق به استارتآپ کوچکی به نام Prouent AI است؛ شرکتی که از روشهای مشابه مدلهای زبانی بزرگ برای توسعه درمانهای پروتئینی جدید استفاده میکند.
Prouent توسط علی مدنی، دارنده دکترای یادگیری ماشین، بنیانگذاری شد. او ابتدا از هوش مصنوعی برای شناسایی انواع خاصی از سلولها در اسلایدهای میکروسکوپی و یافتن نشانههای بیماری در تصاویر پزشکی استفاده کرد. اما پس از پایان دکترای خود، به بخش تحقیقاتی شرکت Salesforce پیوست، جایی که با قدرت مدلهای زبانی بزرگ آشنا شد. مدنی شباهتهایی را میان نحوه تأثیر گرامر بر معنای زبان طبیعی و نحوه ارتباط توالی، ساختار و عملکرد در پروتئینها مشاهده کرد. به بیان دیگر، او دریافت که پروتئینها نیز نوعی زبان دارند که یک سیستم هوش مصنوعی میتواند آن را پیشبینی کند، درست همانطور که میتواند کلمه بعدی در یک جمله را پیشبینی کند. این ایده او را به تأسیس Prouent ترغیب کرد.
مدنی سیستمی را تصور میکند که به دانشمندان اجازه میدهد با استفاده از زبان طبیعی مشخص کنند چه نوع پروتئینی نیاز دارند. برای مثال، یک آنتیبادی که به گیرنده خاصی روی سطح سلول متصل شود یا یک ضدانعقاد با مشخصات سمیتی خاص؛ سپس هوش مصنوعی دستورالعمل DNA مربوط به آن پروتئین را تولید کند.
او و همکارانش در حال تحقق این چشمانداز هستند. مدنی، به همراه همکارانی از Salesforce و دانشگاه سانفرانسیسکو، یک سیستم هوش مصنوعی به نام ProGen را ایجاد کردند که با دادههای ۲۸۰ میلیون پروتئین آموزش دیده است. در پژوهشی که در مجله Nature Biotechnology منتشر شد، تیم مدنی توانایی ProGen در ایجاد لیزوزیمهای جدید را مورد بررسی قرار داد. لیزوزیمها نوعی آنزیم با خواص ضدباکتریایی هستند که بهطور طبیعی در بزاق، اشک و مخاط یافت میشوند. این پروتئین با تخریب دیواره سلولی باکتریها عمل میکند.
پژوهشگران صد لیزوزیم مصنوعی طراحیشده توسط ProGen را آزمایش کردند تا ببینند آیا آنها میتوانند با مواد ساختهشده از دیواره سلولی یک باکتری معمولی واکنش نشان دهند یا خیر. نتایج نشان داد که ۷۳ درصد از آنزیمهای مصنوعی واکنش نشان دادند، در مقایسه با ۵۹ درصد از پروتئینهای طبیعی. حتی تعدادی از این آنزیمهای مصنوعی واکنشپذیری بیشتری نسبت به یکی از بهترین آنزیمهای طبیعی، یعنی لیزوزیمی که در سفیده تخممرغ مرغ یافت میشود، داشتند.
سپس از میان این آنزیمهای مؤثر، تیم مدنی پنج مورد را انتخاب کرد که برای تولید انبوه مناسب به نظر میرسیدند و در نهایت نشان دادند که دو مورد از آنها را میتوان با استفاده از کشت باکتریهای مهندسیشده ژنتیکی به صورت انبوه تولید کرد. این موضوع اهمیت دارد، زیرا نشان میدهد که این پروتئینها میتوانند از نظر تجاری قابل بهرهبرداری باشند.
در حال حاضر، Prouent از چندین مدل هوش مصنوعی استفاده میکند که هر کدام برای ایجاد انواع مختلفی از پروتئینها بهینهسازی شدهاند. سپس ابزارهای هوش مصنوعی دیگری برای بررسی ویژگیهایی مانند سمیت، قابلیت حل شدن، سهولت تولید و پایداری در دمای اتاق به کار گرفته میشوند. پروتئینهای کاندیدای امیدوارکننده در آزمایشگاه تست میشوند و دادههای حاصل از آن برای بهبود مدلهای هوش مصنوعی استفاده میشود.
مدنی در نهایت امیدوار است که بتواند تعداد مدلهایی را که Prouent استفاده میکند، یکپارچه کند و یک مدل هوش مصنوعی زبان جهانی برای پروتئین ایجاد کند که به پژوهشگران اجازه دهد نوع پروتئین، عملکرد و ویژگیهای آن را در یک فرمان واحد مشخص کنند و نتایجی بهدست آورند که در آزمایشگاه موفق باشند. اما حتی در وضعیت فعلی، مجموعه مدلهای هوش مصنوعی Prouent پیشرفت چشمگیری داشته است. یک معیار کلیدی در طراحی پروتئین، نرخ موفقیت[28] است که نشان میدهد چه درصدی از پروتئینهای کاندیدا در آزمایشهای آزمایشگاهی حداقل سطح عملکرد مورد نظر را نشان میدهند. روشهای سنتی طراحی پروتئین بدون استفاده از هوش مصنوعی نرخ موفقیتی بین ۰.۰۱ درصد تا ۰.۱۴ درصد دارند. به همین دلیل، مهندسان باید میلیونها پروتئین تولید و آزمایش کنند تا کاندیداهای دارویی مناسب پیدا کنند. مدنی میگوید که فرآیند انتخاب با هوش مصنوعی Prouent اکنون نرخ موفقیتی نزدیک به ۵۰ درصد دارد.
هدف مدنی این است که بتواند یک پروتئین موفق را در عرض “دو تا سه دور” از تولید هوش مصنوعی، آزمایشهای آزمایشگاهی، بهینهسازی هوش مصنوعی و سپس آزمایش مجدد آزمایشگاهی به یک شرکت بزرگ داروسازی برای انجام آزمایشهای بالینی تحویل دهد. این تنها یک نمونه از نحوه تأثیر هوش مصنوعی بر کاهش چشمگیر زمان لازم برای عرضه داروهای جدید به بازار است و این زمان را که معمولاً بین یک تا شش سال است، به میزان قابلتوجهی کاهش میدهد. این موضوع میتواند هزینه داروها را نیز کاهش دهد. در حال حاضر، برای عرضه یک داروی جدید به بازار، حداقل یک دهه زمان و بیش از یک میلیارد دلار هزینه لازم است که در نهایت این هزینهها به بیماران منتقل میشود.
هوش مصنوعی نهتنها میتواند داروهای جدید را سریعتر تولید کند، بلکه ممکن است ما را به درمانهای بسیار مؤثرتری نیز برساند. برای مثال، LabGenius، یک استارتآپ مستقر در لندن که مانند Prouent یکی از دهها شرکتی است که روی طراحی داروهای پروتئینی با کمک هوش مصنوعی کار میکند، نشان داده است که مدلهای هوش مصنوعی و فرآیند آزمایشگاهی رباتیک آنها توانستهاند یک آنتیبادی جدید طراحی کنند که میتواند به HER2، پروتئینی که اغلب در سطح سلولهای سرطانی متعددی بیشازحد بیان میشود، متصل شود و به سلولهای T بدن سیگنال دهد تا آن سلول سرطانی را از بین ببرند.
آنچه در مورد آنتیبادی LabGenius قابلتوجه است، ساختار بسیار متفاوت آن نسبت به آنتیبادیهای “فعالکننده سلولهای T[29]” قبلی برای HER2 است. با این حال، این آنتیبادی حدود چهارصد برابر انتخابیتر است، به این معنا که احتمال آسیب رساندن به سلولهای سالم را به میزان قابلتوجهی کاهش میدهد.
هوش مصنوعی میتواند به ما در مبارزه با برخی از پیچیدهترین بحرانهای سلامتی، مانند سویههای باکتریایی مقاوم به آنتیبیوتیک یا همان “سوپرباگها”، کمک کند. از سال ۲۰۱۹، دانشمندان با کمک هوش مصنوعی حداقل دو آنتیبیوتیک جدید، به نامهای halicin و abaucin، کشف کردهاند که در برابر سوپرباگها مؤثر هستند. همچنین احتمالاً این فناوری منجر به درمانهای جدید سرطان و درمان بیماریهای نادری خواهد شد که در حال حاضر برای شرکتهای بزرگ داروسازی از نظر اقتصادی قابل توجیه نیستند.
پزشکی شخصیسازیشده
کاربردهای هوش مصنوعی در حوزه سلامت بسیار فراتر از کشف داروهای جدید است. این فناوری در حال حاضر به رادیولوژیستها کمک میکند تا تومورها و نشانههای ذاتالریه را در تصاویر پزشکی شناسایی کنند. در بیمارستان جانز هاپکینز در بالتیمور، یک الگوریتم هوش مصنوعی برای پیشبینی بهتر اینکه کدام بیماران به سپسیس[30] (عفونت خون) مبتلا خواهند شد، مورد استفاده قرار گرفته است. این فناوری توانسته میزان مرگومیر ناشی از این بیماری را که سالانه ۲۵۰ هزار آمریکایی را میکشد، ۲۰ درصد کاهش دهد.
در بیمارستان چشمپزشکی مورفیلدز[31] در لندن، دکتر پیرس کین[32] و پژوهشگرانی از دانشگاه کالج لندن مدل هوش مصنوعی چشمگیری به نام RETFound توسعه دادهاند. این مدل نهتنها میتواند تعدادی از بیماریهای چشمی، از جمله رتینوپاتی دیابتی[33] و گلوکوم[34]، را از روی اسکن شبکیه شناسایی کند، بلکه قادر است سلامت عمومی و خطر ابتلا به نارسایی قلبی، سکته مغزی و بیماری پارکینسون را نیز از همان تصاویر پیشبینی کند.
هوش مصنوعی همچنین به جراحان کمک میکند تا عملها را بهتر برنامهریزی کنند و خطر خونریزی و سایر عوارض را پیشبینی نمایند. مدلهای زبانی بزرگ مخصوص پزشکی در آینده به پزشکان اجازه خواهند داد که از پروندههای الکترونیکی سلامت بهعنوان ابزارهای تشخیصی پیشرفتهتر استفاده کنند.
در سالهای آینده، سناریویی مانند این به واقعیت خواهد پیوست:
مارسیا، زنی در میانه دهه بیست زندگی خود، در راه محل کار است. او چند روزی است که احساس عجیبی دارد؛ بیقرار و مضطرب است و ذهنش بهشدت درگیر و پریشان. با خود میگوید: «فقط برو سر کار و کارها را انجام بده.» وقتی ماشینش را بیرون دفتر پارک میکند، تلفنش زنگ میخورد.
دکترش پشت خط است:
«سلام مارسیا، حالت چطوره؟» و ادامه میدهد «ما دادههای غیرعادیای از ساعت هوشمندت دریافت کردهایم. تغییراتی در میزان نوسان ضربان قلبت در چند روز گذشته مشاهده شده و ساعت هوشمند همچنین به ما هشدار داده که الگوهای حرکتی تو با الگوهایی که معمولاً با شروع قریبالوقوع یک دوره مانیک در افراد مبتلا به اختلال دوقطبی مرتبط هستند، مطابقت دارد. میدانم که تشخیصی در این زمینه نداری، اما با توجه به سابقه خانوادگی و پروفایل ژنتیکیات، از تو میخواهیم که امروز برای یک ارزیابی کاملتر به ما مراجعه کنی. لطفاً نگران نباش، اگر اختلال دوقطبی باشد، میتوانیم دارویی تجویز کنیم که به تو کمک کند.»
مارسیا طبق توصیه دکترش عمل میکند و به لطف این مداخله زودهنگام، میتواند سلامت روانی خود را پایدار نگه دارد.
وقتی توالییابی ژنوم بهطور گسترده در دسترس قرار گیرد، هوش مصنوعی بینش بهتری به پزشکان و بیماران درباره خطرات فردی و گزینههای درمانی متناسب با پروفایل ژنتیکی هر بیمار ارائه خواهد داد.
مانیتورینگ منظم خون و ادرار برای یافتن قطعات کوچک و مشهود DNA سرطانی به یک روش معمول برای غربالگری سرطان تبدیل خواهد شد. علاوه بر دستگاههای پوشیدنی مانند ساعتهای هوشمند و ردیابهای سلامت، دستگاههایی نیز داخل بدن کاشته خواهند شد، مشابه مانیتورهای مداوم قند خون که امروزه استفاده میشوند. این دستگاهها امکان نظارت مداوم بر خون و عملکرد اندامها را فراهم خواهند کرد. تمام این دادهها میتوانند به پروندههای پزشکی الکترونیکی وارد شوند. اما این پروندهها ممکن است آنقدر حجیم شوند که پزشکان انسانی نتوانند بدون کمک ابزارهای تشخیصی مبتنی بر هوش مصنوعی آنها را بررسی کنند. این ابزارها میتوانند به شناسایی نشانههای بیماری یا ناهنجاریهایی که به تحقیقات بیشتری نیاز دارند، کمک کنند.
این انقلاب در پزشکی شخصیسازیشده با کمک هوش مصنوعی، به مردم این امکان را خواهد داد که طولانیتر و سالمتر زندگی کنند.
پزشکی بهتر برای برخی، دارویی تلخ برای دیگران
برای تحقق این چشمانداز از مراقبتهای شخصیسازیشده، تصمیمگیریهای دقیقی از سوی سازندگان هوش مصنوعی و سیستمهای بهداشتی که آن را اجرا میکنند ضروری است. بسیاری از سیستمهای هوش مصنوعی بر اساس دادههایی آموزش دیدهاند که ممکن است با بیماران هدف آنها مطابقت نداشته باشند. برای مثال، الگوریتمی که محققان گوگل دیپمایند و بیمارستانهای اداره کهنهسربازان ایالات متحده برای تشخیص آسیب حاد کلیه توسعه دادند، بر اساس دادههای جمعآوریشده از بیماران اداره کهنهسربازان آموزش دیده بود، که بیشتر آنها مرد بودند. تحقیقات بعدی نشان داد که این مدل برای بیماران زن بهخوبی کار نمیکند.
بسیاری از مدلهای هوش مصنوعی در خارج از بیمارستان خاصی که دادههای آنها از آنجا جمعآوری شده، عملکرد ضعیفی دارند. روشهای نامناسب در جمعآوری، پاکسازی و برچسبگذاری دادهها میتوانند به مدلهای هوش مصنوعی منجر شوند که در آزمایش دقیق به نظر میرسند اما در دنیای واقعی شکست میخورند.
یک مطالعه بزرگ در سال ۲۰۲۰ روی ۲۳۲ الگوریتم که در طول همهگیری کووید-۱۹ برای کمک به پزشکان در تشخیص یا پیشبینی بیماری طراحی شده بودند، نشان داد که هیچکدام از آنها برای استفاده بالینی مناسب نیستند و تنها دو مورد به اندازه کافی امیدوارکننده بودند که ارزش آزمایشهای بیشتر را داشته باشند. مطالعه دیگری که ۴۱۵ ابزار منتشرشده برای کمک به رادیولوژیستها در تشخیص کووید-۱۹ از تصاویر اشعه ایکس و سیتیاسکن را بررسی کرد، نیز دریافت که هیچیک از آنها از نظر بالینی معتبر نیستند. این ارقام تکاندهنده متأسفانه بسیار رایج هستند.
علاوه بر این، کمتر از ۳ درصد از شرکتکنندگان در مطالعات ژنومیک، سیاهپوست یا لاتینتبار هستند و ۸۶ درصد از شرکتکنندگان در آزمایشهای بالینی سفیدپوستاند. این عدم تنوع به این معناست که مدلهای هوش مصنوعی ساختهشده از این دادهها ممکن است برای بیماران از این پیشزمینهها نیز دقیق نباشند.
در حال حاضر، شرکتهای نرمافزاری هوش مصنوعی بهندرت مجبورند اثبات کنند که نرمافزارشان برای مجموعهای متنوع از بیماران بهخوبی کار میکند، پیش از آنکه اجازه فروش آن را به پزشکان و بیمارستانها داشته باشند. سیستم نظارتی فعلی ما برای مواجهه با چالشهای ناشی از هوش مصنوعی طراحی نشده و ایمنی بیماران را به خطر میاندازد. در بسیاری از موارد، مدلهای هوش مصنوعی که بهعنوان ابزار پشتیبانی تصمیمگیری برای پزشکان طراحی شدهاند، نیازی به تأییدیه اداره غذا و داروی ایالات متحده (FDA) ندارند. آنهایی که به دنبال تأییدیه هستند، معمولاً از طریق فرآیند تسریعشده 510(k) اقدام میکنند، به این معنا که یک شرکت فناوری تنها باید نشان دهد نرمافزارش «اساساً معادل» نرمافزاری است که قبلاً توسط FDA تأیید شده است.
تا دسامبر ۲۰۲۳، FDA بیش از ۷۰۰ مدل هوش مصنوعی را تأیید کرده بود که بیشتر آنها برای استفاده در حوزههای رادیولوژی و قلب و عروق طراحی شدهاند. تقریباً هیچیک از این مدلها در آزمایشهای تصادفی کنترلشده[35] (RCT) که برای بررسی بهبود نتایج بیماران طراحی شدهاند، بهطور بالینی معتبر نشدهاند. در بیشتر موارد، FDA صرفاً اطمینانهایی از سوی شرکتهای سازنده مدلها دریافت کرده که ادعا میکنند این مدلها عملکردی مشابه نرمافزارهای موجود دارند. FDA همچنین تمایل دارد میانگین معیارهای عملکرد را بپذیرد، اما آنچه واقعاً اهمیت دارد، عملکرد در میان گروههای فرعی است. بهعنوان مثال، یک سیستم ممکن است ادعا کند که ۹۵ درصد دقیق است. اما اگر ۵ درصد سرطانهای ریوی که احتمال دارد تشخیص ندهد، همان مواردی باشند که تهاجمیترین هستند، این ادعای ۹۵ درصد بهشدت گمراهکننده است.
همچنین میدانیم که بیماران سیاهپوست و سایر اقلیتها، بهعلاوه زنان، در مجموعه دادههای پزشکی کمتر شرکت داده شدهاند. یک عدد کلی از دقت نمیتواند نشان دهد که مدل تا چه اندازه برای بیماران این گروهها بهخوبی عمل خواهد کرد. این موضوع باعث شده است که بسیاری از پزشکان نسبت به استفاده از نرمافزارهای هوش مصنوعی محتاط باشند و این نگرانی دلیل خوبی دارد.
سیستم فعلی از جهات دیگر نیز معیوب است. تأییدیه FDA تنها برای نرمافزارهایی لازم است که بهصورت تجاری فروخته میشوند. اما برخی از سیستمهای بیمارستانی شرکتهای هوش مصنوعی را برای ساخت مدلهای سفارشی مبتنی بر دادههای بیمارستان استخدام میکنند تا در همان سیستم بیمارستانی مورد استفاده قرار گیرد. این مدلها مشمول تأییدیههای نظارتی نیستند، حتی اگر ممکن است به بیماران آسیب برسانند.
اقدامات دولتی نیز برای تلاش در جهت گسترش مزایای پزشکی با کمک هوش مصنوعی به شکلی عادلانهتر ضروری خواهد بود. در غیر این صورت، ثروتمندان بیشترین بهره را از این عصر جدید مراقبتهای شخصیسازیشده خواهند برد و این نمونه دیگری از این است که چگونه هوش مصنوعی ممکن است نابرابری را تشدید کند.
در نهایت، همه ما زندگی طولانیتر و سالمتری خواهیم داشت. اما تا آن زمان، تنها گروهی از افراد خاص از این مزایا بهرهمند خواهند شد.
همچنین، ابزاری برای وحشت
حتی افراد بسیار مرفه نیز از تهدیدی که پیوند علم و هوش مصنوعی ایجاد میکند، در امان نخواهند بود. همان فناوریهایی که میتوانند سرعت ورود داروهای جدید و مؤثرتر به بازار را افزایش دهند، میتوانند برای طراحی سلاحهای زیستی جدید نیز استفاده شوند. مدلهای زبانی بزرگ که بهزودی دستورالعملهای تولید پروتئینهای جدید را ارائه میدهند، ممکن است تحریک شوند تا ویروسی کشنده یا باکتریای تولید کنند که نوروتوکسینها (سموم عصبی) میسازد.
هنگامی که این قابلیتها با دیگر پیشرفتهای جدید، مانند فناوری ویرایش ژن CRISPR و چاپگرهای DNA کمهزینه و جمعوجور ترکیب شوند. (چاپگرهایی که میتوانند با فشار یک دکمه قطعات DNA را تولید کنند.) سازمانهای تروریستی، فرقههای روز قیامت یا دولتهای سرکش قادر خواهند بود عوامل بیماریزایی ایجاد کنند که میتوانند به همه ما آسیب برسانند. برای کاهش این خطرات، ما کار چندانی نمیتوانیم انجام دهیم بدون آنکه احتمالاً سرعت پیشرفت علم را نیز کند کنیم. با این حال، دولتها باید گامهای منطقی برای کاهش گسترش سلاحهای زیستی بردارند، حتی اگر این کار باعث ایجاد اصطکاک و هزینههای اضافی برای استارتاپهای زیستفناوری امیدوارکننده و محققان دانشگاهی شود.
فروش و صادرات چاپگرهای DNA باید با دقت کنترل و تحت مجوزهای خاص انجام شود، به روشی که حداقل به اندازه قوانین فعلی ما در مورد مواد رادیولوژیکی و مواد شیمیایی خطرناک سختگیرانه باشد. شرکتهایی که در حوزه مدلهای زبانی مبتنی بر ژنوم و پروتئین فعالیت میکنند، و همچنین تجهیزات آزمایشگاهی مانند چاپگرهای DNA، باید تحت رژیمهای مجوزدهی خاص قرار گیرند و فعالیت آنها ردیابی و نظارت شود، ایدهآلترین حالت این است که این نظارتها به شکلی جهانی توافقشده انجام شود.
یک تسلی خاطر کوچک این است که همان فناوریهایی که میتوانند سلاحهای زیستی بسازند، میتوانند تابآوری ما در برابر حملات زیستی را نیز افزایش دهند. هوش مصنوعی میتواند سیستمهای نظارتی را که برای شناسایی نشانههای عوامل بیماریزای نوظهور طراحی شدهاند، بهبود بخشد و در صورت شناسایی حمله زیستی، به ما کمک کند واکسنها و درمانهای جدید را در زمان بیسابقهای تولید کنیم.
چشمانداز بیوتروریسم هولناک است. اما این تهدید باید در مقابل فرصتهایی که هوش مصنوعی برای بهبود زندگی و سلامت انسانها ارائه میدهد، سنجیده شود. همچنین باید در پرتو توانایی هوش مصنوعی برای کمک به دانشمندان در مواجهه با چالشهایی مانند تغییرات اقلیمی و پایداری در نظر گرفته شود. و این موضوع باید در زمینه کمکهای هوش مصنوعی به کشف اسرار جهان و گذشته ما و همچنین بهبود درک ما از شرایط کنونی بررسی شود. در مقابل احتمال بالای اینکه هوش مصنوعی زندگی ما را بهطرزی بیسابقه بهبود بخشد و دانش ما را بهطور تصاعدی گسترش دهد؛ افزایش خطر ناشی از سلاحهای زیستی، قیمتی است که ارزش پرداخت دارد.
[1] David Silver
[2] Cyrus Levinthal
[3] Sickle cell anemia
[4] cystic brosis
[5] Marfan syndrome
[6] Alzheimer
[7] Parkinson
[8] Huntington
[9] Amyotrophic lateral sclerosis
[10] Lou Gehrig
[11] pocket
[12] Christian Annsen
[13] X-ray Crystallography
[14] Paul Nurse
[15] Francis Crick Institute
[16] Tokamak
[17] John Jumper
[18] MBTI Test
[19] Igor Grossmann
[20] Game Theory
[21] National AI Research Clouds
[22] Sumit Chopra
[23] Noam Chomsky
[24] Jonathan Zittrain
[25] Pushmeet Kohli
[26] Johannes Kepler
[27] Wilhelm Röntgen
[28] Hit rate
[29] T-cell engager
[30] Sepsis
[31] Moorelds
[32] Pearse Keane
[33] Diabetic Retinopathy
[34] Glaucoma
[35] Randomized Controlled Trial
