هوش مصنوعی کشف علمی را وارونه کرد؛ نقش دانشمند در عصر داده

به گزارش خبرنگار مهر؛ تحول در علم همواره با تحول در ابزارهای آن همراه بوده است.
هر ابزاری که به دانشمند امکان داده افق مشاهده را گسترش دهد، عملاً مرزهای کشف را جابه‌جا کرده است.
از این نقطه نظر، تلسکوپ نه‌فقط ابزار رصد ستارگان، بلکه نشانه عبور از جهان عصر نجوم مبتنی بر چشم غیرمسلح به جهانی تازه بود؛ همان‌طور که میکروسکوپ، نگاه علمی را از سطح قابل رؤیت به عمق سلولی و مولکولی برد.
به همین قیاس، شتاب‌دهنده‌های ذرات تنها ابزارهای فیزیکی نبودند، بلکه زبان جدیدی برای توصیف ساختار هستی پدید آوردند.
امروز نیز داده و هوش مصنوعی چنین نقشی را ایفا می‌کنند.
آن‌ها نه صرفاً ابزار تحلیل، بلکه بستر شکل‌گیری نوع تازه‌ای از کشف هستند.
در این مرحله جدید، داده تنها ماده خام مشاهده نیست؛ بلکه به منبع تولید فرضیه، بازسازی پدیده‌ها، شبیه‌سازی شرایط غیرقابل‌دسترس و حتی اعتبارسنجی علمی تبدیل شده است.
آزمایش علمی که پیش‌تر کنشی مستقیم و تجربی بود، اکنون بیشتر در قلمروی محاسبه و مدل‌سازی رخ می‌دهد.
این دگرگونی صرفاً یک تحول تکنولوژیک نیست؛ بلکه بازتعریفی عمیق از معنای مشاهده، معیارهای صحت علمی و جایگاه دانشمند در تولید دانش به شمار می‌رود.
به بیان دیگر، تغییر ابزار، تغییر ماهیت فرآیند کشف را به همراه آورده است.
این نوشتار کوتاه با تمرکز بر تحول فرایند کشف و تغییر نقش دانشمند به عنوان محور اصلی، به تحلیل روند انتقال علم از مشاهده به شبیه‌سازی می‌پردازد؛ روندی که در آن آزمایشگاه، دیگر نقطه آغاز پژوهش نیست، بلکه به ایستگاه نهایی و مرجع تأیید نتایج مدل‌های داده‌محور تبدیل می‌شود.
این یعنی کشف، پیش از مشاهده و در قلمرو محاسبه رخ می‌دهد و مشاهده، نقش داور نهایی را بر عهده دارد.
دگرگونی ماهیت کشف علمی: از مشاهده تا شبیه‌سازی
در بسیاری از رشته‌های علمی، آزمایش که سابقاً سرآغاز تحقیق بود، اکنون به مرحله نهایی تبدیل شده است.
این تغییر صرفاً یک جابه‌جایی در ترتیب مراحل پژوهش نیست؛ بلکه بیانگر تغییر فلسفی در فرایند کشف است.
در گذشته، دانشمند کار خود را با پرسش و فرضیه آغاز می‌کرد و آزمایش، میدان مواجهه مستقیم با طبیعت بود.
اما امروز، طبیعت ابتدا در مقیاس دیجیتال بازسازی می‌شود.
پژوهشگر به‌جای آزمون تک‌به‌تک فرضیه‌ها در محیط فیزیکی، ابتدا هزاران سناریو، مدل و ترکیب را در محیط‌های شبیه‌سازی دیجیتال اجرا می‌کند، رفتار سیستم را در شرایط متفاوت می‌سنجد و تنها نتایج معنادار و امیدبخش را برای ورود به آزمایشگاه انتخاب می‌کند.
این رویکرد، منطق تصمیم‌گیری علمی را تغییر داده است.
به‌جای این‌که آزمایشگاه محل آزمون احتمالات باشد، اکنون محل تأیید نهایی فرضیات مستخرج از فرایند شبیه‌سازی بدل شده است.
آزمایشگاه در نقش مرجع داوری باقی مانده، اما خود کشف در لایه‌ای مقدماتی‌تر و در قلمرو محاسبه رخ می‌دهد.
در ادامه به مرور برخی از نمونه‌های برجسته این فرایند می‌پردازیم:
پروژه «Materials Project» در آزمایشگاه برکلی، پیش از ساخت هر ماده، هزاران ترکیب را در رایانه شبیه‌سازی و ویژگی‌های الکتریکی، ساختاری و شیمیایی آن را پیش‌بینی می‌کند.
این یعنی مسیر سنتی اصلاح، مشاهده و ساخت، جای خود را به ساخت، انتخاب و شبیه‌سازی داده است.
در آزمایشگاه برکلی، پیش از ساخت هر ماده، هزاران ترکیب را در رایانه شبیه‌سازی و ویژگی‌های الکتریکی، ساختاری و شیمیایی آن را پیش‌بینی می‌کند.
این یعنی مسیر سنتی اصلاح، مشاهده و ساخت، جای خود را به ساخت، انتخاب و شبیه‌سازی داده است.
پلتفرم «EBRAINS» در پروژه «Human Brain Project»، به پژوهشگران امکان می‌دهد رفتار مدارهای عصبی و پاسخ به داروها را بدون آزمایش روی انسان یا حیوان مدل‌سازی کنند.
این رویکرد نه‌تنها سرعت کشف را افزایش می‌دهد، بلکه بار اخلاقی و هزینه‌های آزمایش‌های بیولوژیک را نیز کاهش می‌دهد.
در پروژه «Human Brain Project»، به پژوهشگران امکان می‌دهد رفتار مدارهای عصبی و پاسخ به داروها را بدون آزمایش روی انسان یا حیوان مدل‌سازی کنند.
این رویکرد نه‌تنها سرعت کشف را افزایش می‌دهد، بلکه بار اخلاقی و هزینه‌های آزمایش‌های بیولوژیک را نیز کاهش می‌دهد.
پروژه «Earth-2» شرکت انویدیا با استفاده از مدل‌های محاسباتی پیچیده، سناریوهای مختلف تغییرات اقلیمی را با دقتی بی‌سابقه پیش‌بینی می‌کند.
این پروژه به‌جای انتظار برای وقوع پدیده‌ها، مدل‌ها آینده را پیشاپیش قابل مشاهده می‌سازد.
بنابراین تحول در این مقطع تنها افزایش سرعت یا صرفه‌جویی در هزینه نیست؛ بلکه تغییر منطق و جایگاه کشف در فرایند تولید علم محسوب می‌شود.
کشف علمی با حرکت از آزمون مبتنی بر تجربه، به آزمون مبتنی بر شبیه‌سازی از میدان تجربه به میدان شبیه‌سازی منتقل شده است.
ابزارهای جدید علم: داده به‌عنوان ابزار و موضوع
در این الگوی جدید، داده نه‌تنها ماده خام پژوهش است، بلکه به «زبان» و «زیرساخت» اندیشیدن علمی تبدیل شده است.
داده دیگر صرفاً چیزی نیست که مشاهده شود؛ بلکه مؤلفه‌ای است که بازتولید، پاک‌سازی، وزن‌دهی و در نهایت به‌عنوان چارچوب تصمیم‌سازی در نظر گرفته می‌شود.
این یعنی داده از سطح «ورودی» به سطح «منطق تولید دانش» ارتقا یافته است.
در چنین وضعیتی، دانشمند به‌جای تکرار آزمایش‌های پرهزینه و زمان‌بر، از مدل‌های هوش مصنوعی برای جهت‌دهی مسیر تحقیق استفاده می‌کند.
یعنی مدل به‌جای آنکه ابزار تحلیل نتایج باشد، به نقطه آغاز فرایند تحقیق تبدیل می‌شود.
در ساختار جدید، مدل مسیرهایی را که ارزش بررسی دارند پیشنهاد می‌دهد، گزینه‌ها را غربال می‌کند و حتی گاهی فرضیه‌هایی را مطرح می‌سازد که پیش‌تر تصور آن‌ها برای ذهن انسان دشوار یا غیرمحتمل بود.
در این روند، «مدل» نه تنها ابزاری برای تحلیل، بلکه رکن نخستین تولید دانش و شکل‌دهنده منطق کشف است؛ به طوری که ابتدا مدل می‌سازد، سپس انسان تأیید می‌کند.
دوقلوهای دیجیتال و داده مصنوعی: آزمایشگاه جدید اکتشافات علمی
هنگامی که آزمایش پیش از واقعیت و در محیط شبیه‌سازی انجام می‌گیرد، «دوقلوهای دیجیتال» نقش آزمایشگاه را بر عهده می‌گیرند.
دوقلوی دیجیتال، تنها یک مدل یا نمودار ساده نیست؛ بلکه نوعی بازنمایی پویا و تعاملی از یک سیستم واقعی است که پیوسته با داده‌های تازه به‌روزرسانی می‌شود و رفتار سیستم را در شرایط متفاوت شبیه‌سازی می‌کند.
این یعنی پژوهشگر می‌تواند آینده را پیش از آن‌که در جهان واقعی رخ دهد، مورد آزمون قرار دهد.
کاربرد این رویکرد گسترده و میان‌رشته‌ای است.
در ادامه به بررسی برخی از نمونه‌های توسعه این فناوری و کاربردهای آن می‌پردازیم:
صنعت هوافضا (ناسا): پیش از ساخت حتی یک پیچ از نمونه اولیه هواپیما، صدها ساعت آزمایش شبیه‌سازی آیرودینامیک انجام می‌شود.
محاسبات جریان هوا، فشار، استهلاک و شرایط بحرانی در محیط دیجیتال بررسی می‌گردد و تنها طراحی‌هایی که در برابر هزاران سناریو مقاوم هستند، وارد مرحله ساخت فیزیکی می‌شوند.
پیش از ساخت حتی یک پیچ از نمونه اولیه هواپیما، صدها ساعت آزمایش شبیه‌سازی آیرودینامیک انجام می‌شود.
محاسبات جریان هوا، فشار، استهلاک و شرایط بحرانی در محیط دیجیتال بررسی می‌گردد و تنها طراحی‌هایی که در برابر هزاران سناریو مقاوم هستند، وارد مرحله ساخت فیزیکی می‌شوند.
انرژی و زمین‌شناسی (شرکت‌های «Shell» و «BP»): مخازن زیرزمینی، شکست سنگ، فشار سیالات و مسیرهای حفاری، در قالب داده‌های مصنوعی مدل‌سازی می‌شوند.
در این فرایند، دوقلوی دیجیتال به‌جای طبیعت به محققان نشان می‌دهد که حفاری در چه مناطقی سودآور است و کجا ریسک ریزش یا خروج گاز وجود دارد.
مخازن زیرزمینی، شکست سنگ، فشار سیالات و مسیرهای حفاری، در قالب داده‌های مصنوعی مدل‌سازی می‌شوند.
در این فرایند، دوقلوی دیجیتال به‌جای طبیعت به محققان نشان می‌دهد که حفاری در چه مناطقی سودآور است و کجا ریسک ریزش یا خروج گاز وجود دارد.
در کشاورزی (برنامه «OneSoil» و سامانه‌های مشابه): مزارع دیجیتال نه صرفاً نمونه نقشه زمین، بلکه مدل کامل اثر بارندگی، دما، خاک، زمان کشت و نوع بذر هستند.
کشاورز با استفاده از این ابزارها می‌تواند سناریوهای مختلف را بدون هزینه یا ریسک روی مزرعه واقعی آزمایش کند.
در دنیای جدید، آزمایشگاه همچنان مهم است، اما اکنون نقش آن تغییر کرده است.
آزمایشگاه نقطه شروع نیست، بلکه مرجع تأیید نهایی محسوب می‌شود؛ جایی که واقعیت، نتیجه دنیای شبیه‌سازی را داوری می‌کند.
این یعنی جهان واقعی دیگر بستر کشف نیست و به ابزار اثبات علمی بدل شده است.
نقش جدید دانشمند: معمار اعتماد و ناظر بر مدل
اگرچه مدل‌ها سریع‌تر، دقیق‌تر و فراگیرتر از هر زمان دیگری شده‌اند، اما همچنان فاقد قدرت قضاوت هستند.
در این میان، وظیفه اصلی دانشمند به صورت بنیادین تغییر کرده است.
در گذشته، دانشمند خود در مرکز میدان عمل بود؛ او آزمایش‌ها را اجرا می‌کرد، واکنش‌ها را مستقیماً مشاهده می‌نمود و از طریق آزمون و خطا به کشف علمی دست می‌یافت.
همچنین تجربه‌کردن و لمس‌کردن پدیده‌ها بخش جدایی‌ناپذیر فرآیند علمی بود؛ اما در عصر داده، این نقش به‌تدریج جابه‌جا شده است.
امروز دانشمند دیگر الزاماً در کنار ابزارهای فیزیکی نمی‌ایستد، بلکه در برابر مدل‌ها و سامانه‌های شبیه‌سازی قرار می‌گیرد.
او به‌جای انجام آزمایش‌های پی‌درپی، محیط‌های شبیه‌سازی را طراحی و کنترل می‌کند و به‌جای مشاهده مستقیم پدیده‌ها، کیفیت داده‌های ورودی و منطق یادگیری مدل را ارزیابی می‌نماید؛ زیرا نتیجه نهایی هر مدل، به اندازه داده‌هایی که آن را ساخته‌اند معتبر است.
با تحول روزافزون فناوری، دانشمند همچنین به‌جای تکرار آزمون و خطا، تلاش می‌کند مسیرهای یادگیری مدل را بهینه کند و بسنجد نتایج مدل تا چه اندازه با واقعیت سازگار هستند.
در این معنا، نقش دانشمند از کشف مبتنی بر تجربه به کشف از طریق هدایت و اعتبارسنجی مدل تغییر کرده است.
او اکنون مسئول اعتبار، صحت و شفافیت مدل‌هاست و تعیین می‌کند چه زمانی می‌توان به خروجی مدل اعتماد کرد و چه زمانی باید نسبت به آن تردید داشت.
آنچه به‌دست می‌آوریم و آنچه از دست می‌دهیم
در این گذار، دستاوردهای قابل توجهی برای علم پدید آمده است.
فرآیند تولید فرضیه‌ها اکنون با سرعتی بسیار بالاتر انجام می‌شود، زیرا مدل‌ها می‌توانند هزاران مسیر احتمالی را پیش از ورود به آزمایشگاه بررسی کنند.
سناریوهایی که پیش‌تر به دلیل محدودیت‌های فنی، اخلاقی یا هزینه‌ای امکان آزمون نداشتند، اکنون در محیط شبیه‌سازی قابل مشاهده و تحلیل هستند.
همچنین بخش بزرگی از هزینه‌های پژوهشی که پیش‌تر صرف آزمون و خطاهای طولانی‌مدت می‌شد، به مرحله محاسبه و پیش‌بینی رسیده‌اند و در نتیجه کارآمدی فرایند کشف به شکل چشمگیری افزایش یافته است.
اما این تحولات بدون مخاطره نیست.
وقتی تجربه مستقیم با طبیعت به حاشیه رانده می‌شود، بخشی از «حس مشاهده» و «تماس بی‌واسطه با پدیده» که گاه منجر به کشف‌های غیرمنتظره می‌شد، کمرنگ می‌گردد.
مدل‌ها با ظاهر منظم و خروجی‌های دقیق‌شان می‌توانند نوعی اطمینان کاذب ایجاد کنند؛ حال آن‌که هر مدل جهان را ساده‌سازی می‌کند و همیشه بخشی از واقعیت را کنار می‌گذارد.
همچنین، حذف تصادف، خطا و رخدادهای غیرمنتظره که در تاریخ علم بارها به منشأ کشف‌های بزرگ تبدیل شده بود، ممکن است دامنه خلاقیت و شهود علمی را محدود کند.
در این میان، نقش دانشمند بیش از پیش حیاتی است.
او باید مراقب باشد که مدل‌ها، با همه قدرت و ظرافت‌شان، جایگزین قضاوت و فهم انسانی نشوند.
بازگرداندن نقد و سنجش مستدل به قلب فرایند علمی، همان مسئولیتی است که همچنان بر دوش دانشمند باقی مانده است.
جمع‌بندی
در نهایت، می‌توان نتیجه گرفت علم در عصر داده وارد مرحله‌ای شده است که در آن «کشف» غالباً پیش از مشاهده و آزمایش رخ می‌دهد و بسیاری از پاسخ‌ها پیش از آن‌که در جهان واقعی سنجیده شوند، در قالب شبیه‌سازی و مدل‌سازی شکل می‌گیرند.
در چنین شرایطی، آزمایشگاه همچنان اهمیت دارد اما دیگر نقش آن آغازگر فرآیند نیست؛ بلکه به داور نهایی و مرجع تأیید تبدیل شده است.
به بیان دیگر، آزمایشگاه اکنون جایی است که واقعیت، صحت پیش‌بینی‌های مدل را می‌آزماید نه جایی که کشف از آن آغاز شود.
در چارچوب جدید، نقش دانشمند نیز دگرگون شده است.
او دیگر صرفاً آزمایشگر نیست؛ بلکه معمار و ناظر سیستم‌های مدل‌سازی محسوب می‌شود.
او باید بداند چه نتیجه‌ای درست به نظر می‌رسد و بفهمد چرا چنین نتیجه‌ای تولید شده، بر چه داده‌هایی استوار بوده، چه فرض‌هایی در آن نهفته است و در کدام نقطه احتمال بروز خطا یا ساده‌سازی بیش از حد وجود دارد.
توانایی تشخیص این‌که مدل چه چیزی را نشان می‌دهد و چه چیزی را پنهان می‌کند، به مهارتی اساسی تبدیل شده است.
در این وضعیت جدید، کنجکاوی، نقد و جستجوی حقیقت، همچنان به عنوان رکن اصلی اکتشاف علم ثابت مانده و ابزارها تغییر کرده‌اند، مدل‌ها پیشرفته‌تر شده‌اند و داده‌ها به زبان مشترک حوزه‌های علمی بدل گشته‌اند، اما مسئولیت بنیادی دانشمند تغییری نکرده است.
او همچنان باید مرز میان واقعیت و بازنمایی را میان آنچه مدل می‌گوید و آنچه جهان واقع می‌تواند تأیید کند، تشخیص دهد.
این مرز، همان جایی است که علم زنده می‌ماند و تفاوت میان شناخت واقعی و بازنمایی محاسباتی آن آشکار می‌شود.