هل سيشعل الذكاء الاصطناعي نهضة علمية، أم ثقافة أحادية منتشرة؟
على سبيل المثال، ينشر الأكاديميون الذين يستخدمون أدوات الذكاء الاصطناعي حوالي ثلاثة أضعاف عدد الأوراق البحثية ويتلقون ما يقرب من خمسة أضعاف عدد الاستشهادات التي ينشرها أقرانهم. ومع ذلك، تظهر تحليلات الأدبيات العلمية أن الأبحاث المدعومة بالذكاء الاصطناعي تغطي مجالات موضوعية أقل بنسبة 4.6% من الأبحاث التي لا تعتمد على الذكاء الاصطناعي، مع وجود هذا النمط في أكثر من 70% من المجالات الفرعية التي تمت دراستها.1.
المشكلة ليست تكنولوجية، بل مؤسسية. تعمل أدوات الذكاء الاصطناعي على توسيع قدرة العلماء على الاستكشاف، ولكن الحوافز النظامية تعني أن الباحثين يستخدمون هذه القدرة للتركيز بشكل أكثر كثافة على المشكلات التي يمكن للمؤسسات التعرف عليها وتقييمها ومكافأتها بسهولة، بدلاً من فتح آفاق جديدة.
لم تنشأ هذه الديناميكيات مع الذكاء الاصطناعي: فقد أظهرت الأبحاث أن الأوراق البحثية وبراءات الاختراع أصبحت أقل إزعاجًا على مدى العقود الستة الماضية2. لكن الذكاء الاصطناعي يعمل على تسريع هذه التغييرات، لأن السرعة والتعرف على الأنماط في مجموعات كبيرة من العمل هما على وجه التحديد ما سيركز عليه النظام التضييقي بشكل مكثف. ويعزز الهيكل الوظيفي الأكاديمي هذا التأثير. يجعل الذكاء الاصطناعي توسيع خط بحث مألوف أسرع وأرخص من الدخول إلى تضاريس غير مألوفة، وتكافئ أنظمة الحوافز الحالية هذه السرعة.
ولمعالجة هذه المخاوف، قدمنا ثلاث توصيات.
جعل التضاريس الجديدة قابلة للقياس
تكافئ أنظمة التمويل الحالية بشكل كبير الاستغلال النهائي للبيانات الموجودة بدلاً من إنشاء مجموعات بيانات جديدة وقدرات قياس جديدة. ومن خلال تطبيق نماذج الذكاء الاصطناعي القوية بشكل متزايد على مجموعات البيانات العامة، يستطيع الباحثون في كثير من الأحيان توليد نتائج قابلة للنشر بتكلفة منخفضة نسبيا.
على سبيل المثال، تعد شبكة Graph Networks for Materials Exploration (GNoME) من Google أداة للتعلم العميق حددت 381000 بلورة غير عضوية مستقرة مرشحة، مما أدى إلى توسيع نطاق المواد المعروفة بأمر من حيث الحجم3. وفي الوقت نفسه، أنتج نظام AlphaFold ، وهو نظام للتنبؤ ببنية البروتين أنشأته شركة DeepMind في لندن، أكثر من 214 مليون بنية بروتينية محتملة، مما يجعل التفاعلات البيولوجية قابلة للفحص على نطاق غير مسبوق.4.
تم استخدام أداة الذكاء الاصطناعي AlphaFold لتحديد الملايين من هياكل البروتين.تصوير: جاكوب بورزيكي/ نور فوتو عبر جيتي
وعلى النقيض من ذلك، فإن بناء دراسة أترابية طولية أو إطلاق برنامج لرصد التنوع البيولوجي قد يستغرق سنوات من الاستثمار المستدام قبل أن يتم التوصل إلى أي نتائج قابلة للنشر.
وهذا التباين آخذ في الاتساع: فقد انخفضت تكاليف التنبؤ باستخدام نماذج الذكاء الاصطناعي بنحو 100 ضعف في العامين الماضيين، في حين لا يزال بناء بنية تحتية جديدة للرصد ينطوي على تكاليف تشغيلية عالية على المدى الطويل.5–7. وهذا يعني أن الفجوة بين ما هو رخيص الاستغلال وما هو باهظ الثمن للاستكشاف تتسع كل بضعة أشهر.
ونحن ندعو الممولين إلى تعمد دعم البنية التحتية للبيانات، وخاصة في المجالات المهملة مثل الأمراض التي تم استبعادها من الدراسات الأترابية الرئيسية. هذه الاستثمارات بطيئة وغير جذابة، لكنها ضرورية إذا كان للذكاء الاصطناعي أن يتعامل مع الملاحظات الواردة من المناطق التي تم تجاهلها سابقًا.
وقف معاقبة المحاور
ويجب على الجامعات ووكالات التمويل التوقف عن معاقبة الباحثين الذين يستخدمون الذكاء الاصطناعي لدخول مجالات جديدة. تعمل أدوات الذكاء الاصطناعي على تقليل التكلفة المعلوماتية للمحور. على سبيل المثال، يستطيع عالم البيئة الذي يدخل في علم الجينوم أن يجتاز الأدبيات غير المألوفة بشكل أسرع. لكن أنظمة التقييم لا تزال تعاقب المحاور في مجالات فرعية أخرى8. تقوم لجان التوظيف بتقييم المرشحين بناءً على سجل النشر المستمر في مجال واحد، وغالبًا ما تتعامل وكالات التمويل مع البيانات الأولية من العمل السابق لمقدم الطلب كشرط أساسي للحصول على الدعم.
تعمل أدوات الذكاء الاصطناعي على تعزيز العلماء الأفراد، ولكنها قد تحد من البحث ككل