نوبل 2024 هوش مصنوعی را منفجر کرد: از فیزیک تا شیمی، انقلاب در راه است!

برندگان نوبل ۲۰۲۴ و بازتاب آن بر هوش مصنوعی

در سالِ ۲۰۲۴، جایزهٔ نوبلِ فیزیک به دو دانشمندِ بزرگ، جان هاپفیلد و جفری هینتون، به پاس کارهایِ بنیادین‌شان در عرصه‌ی هوش مصنوعی (AI) اهدا شد. افزون بر این، جایزهٔ نوبلِ شیمی نیز به دیوید بیکر، دمیس هاسابیس و جان جامپر رسید، به خاطر استفاده از هوش مصنوعی برای حلّ مسئله‌ی پیچیده‌ی تا خوردنِ پروتئین‌ها، که حدوداً ۵۰ سال یک چالشِ مهمِ علمی به شمار می‌رفت.

یک مقاله‌ی تازه که حاصلِ تلاشِ محققانِ دانشگاهِ کارنگیِ مِلون و مجموعه‌ی مشاوره‌ِیِ محاسباتی است، به بررسیِ هم‌گراییِ فیزیک، شیمی و هوش مصنوعی می‌پردازد؛ هم‌گرایی‌ای که در جوایزِ نوبلِ اخیر به خوبی قابل مشاهده است. این مقاله، سیرِ تکاملیِ تاریخیِ شبکه‌های عصبی را کندوکاو می‌کند و بر نقشی که تحقیقاتِ بین‌رشته‌ای در پیشبردِ هوش مصنوعی دارند، تأکید می‌ورزد.

نویسندگانِ این مقاله، بر ضرورتِ پرورشِ متخصصانِ چندوجهیِ قدرتمند در زمینه‌ی هوش مصنوعی تأکید می‌کنند تا شکاف میانِ پیشرفت‌های تئوریک و کاربردهای عملی پُر شود و به توسعه‌ی «هوشِ عمومیِ مصنوعی» کمک شود. این مقاله در نشریه‌ی Patterns منتشر شده است.

گِنِش مانی، استادِ نوآوری و مدیرِ همکاریِ هوش مصنوعی در مدرسه‌ی کسب‌و‌کارِ تِپِر کارنگی مِلون و یکی از نویسندگانِ این مقاله، می‌گوید: «با توجه به ارتباطی که میانِ هوش مصنوعی، فیزیک و شیمی وجود دارد، احتمالاً پژوهشگرانِ حوزه‌ی یادگیریِ ماشین این سؤال را مطرح می‌کنند که این علوم چطور با هوش مصنوعی مرتبط‌اند و این جوایز چگونه می‌توانند بر کارِ آن‌ها تأثیر بگذارند.» او افزود: «در مسیرِ پیشرفت، تشخیصِ همگراییِ رویکردهایِ مختلف در شکل‌دهی به سیستم‌های مُدرنِ هوش مصنوعی که بر پایه‌ی هوش مصنوعیِ تولیدی بنا شده‌اند، از اهمیتِ بسیار زیادی برخوردار است.»

نویسندگان در مقاله‌ی خود، به بررسیِ مسیرِ تکاملیِ تاریخیِ شبکه‌های عصبی می‌پردازند. آن‌ها بر این باورند که با بررسیِ تاریخچه‌ی توسعه‌ی هوش مصنوعی، می‌توانیم ارتباطاتِ میانِ علومِ کامپیوتر، شیمیِ نظری، فیزیکِ نظری و ریاضیاتِ کاربردی را به شکلی جامع‌تر درک کنیم. این دیدگاهِ تاریخی نشان می‌دهد که چگونه کشفیات و اختراعاتِ اساسی در این حوزه‌ها، یادگیریِ ماشینِ مدرن و شبکه‌های عصبیِ مصنوعی را امکان‌پذیر ساخته‌اند.

تحولاتِ کلیدی و چالش‌ها در حوزه‌ی هوش مصنوعی

در این بخش، به تحولاتِ مهم و چالش‌های این زمینه پرداخته می‌شود. مقاله، با بررسی کارهای هاپفیلد آغاز می‌شود و توضیح می‌دهد که چطور گاهی اوقات، مهندسی، زودتر از درکِ علمی پیش می‌رود، همان‌طور که در کارهای جامپر و هاسابیس می‌بینیم. نویسندگان، با یک فراخوان برای اقدام، مقاله‌شان را به پایان می‌رسانند و این ایده را مطرح می‌کنند که رشدِ سریعِ هوش مصنوعی در عرصه‌های گوناگون، هم فرصت‌های بی‌سابقه‌ای را به ارمغان آورده و هم چالش‌های بزرگی را به دنبال داشته است.

برای آن‌که شکافِ میانِ هیاهو و توسعه‌ی محسوس پر شود، آن‌ها معتقدند که باید نسلِ تازه‌ای از متفکرانِ بین‌رشته‌ای تربیت شود. این «لئوناردو داوینچی‌های عصرِ مُدرن»، آن‌طور که نویسندگان آن‌ها را خطاب می‌کنند، در زمینه‌ی توسعه‌ی تئوری‌های یادگیریِ کاربردی که بتوانند سریعاً توسّط مهندسان مورد استفاده قرار گیرند، نقشی حیاتی ایفا خواهند کرد و این حوزه را به سوی هدفِ بلندپروازانه‌ی هوشِ عمومیِ مصنوعی سوق خواهند داد.

نویسندگان تأکید می‌کنند که این امر، نیازمند تغییری اساسی در نحوه‌ی تحقیقِ علمی و حلّ مسئله است. این رویکرد باید همکاری‌های جامع و بین‌رشته‌ای را در بر بگیرد و از طبیعت درس بگیرد تا آن را درک کند. با از بین بردنِ مرزها میانِ رشته‌ها و رواجِ فرهنگی از کنجکاویِ فکری که در حوزه‌های مختلف گسترش یابد، می‌توان راه‌حل‌های نوآورانه‌ای برای چالش‌های بغرنجِ جهانی مانند تغییراتِ اقلیمی پیدا کرد.

از طریق تلفیق دانش و دیدگاه‌های گوناگون، که توسط هوش مصنوعی سرعت می‌گیرد، می‌توان پیشرفت‌های چشمگیری را محقق کرد و این حوزه می‌تواند به تمامِ پتانسیلِ آرزوهای تکنولوژیکش دست یابد. چارلز مارتین، مشاورِ ارشد در شرکتِ مشاوره‌ی محاسباتی که این مقاله را نوشته است، می‌گوید: «این رویکردِ بین‌رشته‌ای، نه‌تنها سودمند، بلکه برای مواجهه با چالش‌های پیچیده‌ای که پیش رو داریم، ضروری است. ما باید از سرعتِ پیشرفت‌هایِ فعلی بهره‌برداری کنیم، در عینِ حال به واقعیت‌های عملی وفادار بمانیم.»

نویسندگان، به سهمِ اسکات ای. فاهلمن، استادِ بازنشسته‌ی دانشکده‌ی علومِ کامپیوترِ دانشگاهِ کارنگیِ مِلون، نیز اشاره می‌کنند.