یادداشت سردبیر: امروز در لندن، Google DeepMind و انجمن سلطنتی به طور مشترک میزبان افتتاحیه AI for Science بودند که برندگان جایزه نوبل، جامعه علمی، سیاست گذاران و رهبران صنعت را گرد هم می آورد تا پتانسیل تحول آفرین هوش مصنوعی را برای پیشبرد پیشرفت های علمی بررسی کنند. به مهم ترین چالش های جهان رسیدگی کرده و به عصر جدیدی از اکتشافات منجر شود.

معاون ارشد تحقیقات، فناوری و جامعه گوگل، جیمز مانیکا، سخنرانی افتتاحیه را ایراد کرد. آنچه در زیر می آید متنی از سخنان وی است که برای تحویل آماده شده است.

تأثیر هوش مصنوعی در علم اخیراً در سرفصل‌های اخبار بوده است، اما پتانسیل هوش مصنوعی برای پیشرفت علم مدت‌هاست که نیروی محرکی برای بسیاری از افراد در این زمینه بوده است، که قدمت آن به محققان اولیه هوش مصنوعی مانند آلن تورینگ و کریستوفر لانگوت هیگینز برمی‌گردد. بسیاری در دهه های اخیر از جمله همکاران من در Google DeepMind و Google Research.

هیجان در مورد هوش مصنوعی و علم به دلیل این باور نیست که هوش مصنوعی جایگزینی برای دانشمندان است، بلکه به این دلیل است که بسیاری از مشکلات گیج کننده در علم از استفاده از تکنیک های محاسباتی سود می برند – بنابراین هوش مصنوعی را به ابزاری قدرتمند برای کمک به دانشمندان تبدیل می کند.

ما نشانه‌های اولیه این پتانسیل کمکی را با استفاده هوچکین و هاکسلی از رویکردهای محاسباتی برای توصیف نحوه حرکت تکانه‌های عصبی در طول نورون‌ها دیدیم، کاری که باعث شد جایزه نوبل در سال 1963 برای آنها به ارمغان بیاید.

به همکارانم دمیس حسابیس، جان جامپر و تیم آلفا فولد که کارشان با استفاده از هوش مصنوعی اخیراً برنده جایزه نوبل شیمی شد و «مشکل تاخوردگی پروتئین» را که کریستین آنفینسن برنده جایزه نوبل در دهه 1970 مطرح کرد را حل کرد.

بنابراین چگونه هوش مصنوعی به پیشرفت علم کمک می کند؟

من با سرعت شروع می کنم. در برخی از حوزه‌های علم، هوش مصنوعی با توانایی فزاینده این امکان را برای ما فراهم می‌کند که بتوانیم صدها یا حتی هزاران سال تحقیق را در چند سال، ماه یا حتی روز خلاصه کنیم.

هوش مصنوعی همچنین به گسترش دامنه تحقیقات کمک می کند – به دانشمندان این امکان را می دهد که به بسیاری از چیزها در یک زمان – و به روش های جدید – نگاه کنند نه یک به یک.

پیشرفت‌های هوش مصنوعی – همراه با دسترسی به بینش‌های حاصل از استفاده از آن – افراد بیشتری را قادر می‌سازد تا در تحقیقات شرکت کنند تا بتوانیم اکتشافات علمی را تسریع کنیم.

هوش مصنوعی باعث پیشرفت چشمگیر در چندین رشته علمی می شود

اجازه دهید به طور مختصر چند نمونه از این که چگونه هوش مصنوعی پیشرفت های برجسته را ممکن می کند، با AlphaFold به اشتراک بگذارم:

با AlphaFold، در طول یک سال، همکاران من قادر به پیش‌بینی ساختار تقریباً هر پروتئینی بودند که برای علم شناخته شده بود – بیش از 200 میلیون از آنها. و با Alphafold 3، آنها فراتر از پروتئین ها به تمام مولکچرهای زیستی حیات از جمله DNA، RNA و لیگاندها گسترش یافته اند.

تا به امروز، AlphaFold توسط بیش از 2 میلیون محقق در بیش از 190 کشور استفاده شده است که روی مشکلاتی از بیماری های نادیده گرفته شده تا باکتری های مقاوم به دارو کار می کنند.

AlphaMissense، که بر پایه AlphaFold ساخته شده است، به همکاران من این امکان را داد تا تقریباً 90٪ از 71 میلیون گونه احتمالی اشتباه – جایگزینی تک حرف در DNA – را به عنوان بیماری زا یا احتمالاً خوش خیم دسته بندی کنند. در مقابل، تنها 0.1٪ توسط متخصصان انسانی تایید شده است، البته با جزئیات بیشتر.

زمانی که ژنوم انسان در ابتدا توالی یابی شد – یک دستاورد باورنکردنی – بر اساس یک مجموعه ژنومی واحد بود.

سال گذشته، همکاران من در Google Research، با استفاده از ابزارهای هوش مصنوعی و کار با کنسرسیومی از همکاران دانشگاهی، اولین پیش نویس پانژنوم مرجع انسانی را منتشر کردند.

این بر اساس 47 مجموعه ژنومی بود، بنابراین تنوع ژنتیکی انسان را بهتر نشان می داد.

در علوم اعصاب، یک همکاری 10 ساله بین همکارانم در تحقیقات گوگل، مؤسسه ماکس پلانک، و آزمایشگاه لیختمن در هاروارد، اخیراً یک نقشه برداری در مقیاس نانو از یک قطعه از مغز انسان ایجاد کرده است – که سطحی از جزئیات است که قبلاً هرگز سابقه نداشته است. به دست آورد.

این پروژه ساختارهایی را در مغز انسان نشان داد که قبلاً دیده نشده بود که ممکن است درک ما را از نحوه عملکرد مغز انسان تغییر دهد. این شاید ما را به رویکردهای جدیدی برای درک و مقابله با بیماری های عصبی مانند آلزایمر و دیگران هدایت کند. نقشه‌برداری کامل برای محققان در دسترس عموم قرار گرفته است

فراتر از علوم زیستی، ما شاهد پیشرفت در حوزه های دیگر هستیم.

در یک دستاورد برجسته برای مدل‌سازی آب و هوا، ما یادگیری ماشین را با رویکرد سنتی مبتنی بر فیزیک برای ساخت NeuralGCM ترکیب کردیم.

این به ما امکان می دهد جو را با دقت و کارآمدتری شبیه سازی کنیم – NeuralGCM می تواند بیش از 70000 روز از جو را در زمانی شبیه سازی کند که یک مدل مبتنی بر فیزیک پیشرفته برای شبیه سازی تنها 19 روز طول می کشد.

پیشرفت های مشابه دیگری مانند کار همکاران من در Google DeepMind در GraphCast وجود دارد، یک مدل پیشرفته هوش مصنوعی که شرایط آب و هوایی را تا 10 روز قبل با دقت بیشتر و بسیار سریعتر از آب و هوای استاندارد طلایی صنعت پیش بینی می کند. سیستم شبیه سازی

تیم هوش مصنوعی کوانتومی ما در حال پیشرفت در مورد سؤالاتی است که قبلاً قلمرو داستان های علمی تخیلی بودند، مانند مطالعه ویژگی های کرم چاله های قابل عبور.

این امر فرصت‌های جدیدی را برای آزمایش تئوری‌های گرانش کوانتومی که در ابتدا با پل انیشتین-رزن تقریباً نود سال پیش مطرح شده بودند، باز می‌کند.

در واقع، کوانتوم منطقه ای است که در آن شاهد تقویت دو طرفه امیدوارکننده بین هوش مصنوعی و علم هستیم.

در یک جهت، هوش مصنوعی در حال پیشرفت ما در محاسبات کوانتومی است – از سوی دیگر، کوانتوم به پیشرفت تحقیقات در زمینه هوش مصنوعی کمک می کند.

نمونه‌های بسیار دیگری از این دست وجود دارد که ما در حال کار روی آنها در علوم مواد، همجوشی، ریاضیات و موارد دیگر هستیم – همه اینها با همکاری بسیاری از دانشمندان دانشگاهی.

پیشرفت‌های علمی که توسط هوش مصنوعی فعال شده‌اند در دنیای واقعی تأثیر می‌گذارند

فراتر از چنین پیشرفت هایی، هوش مصنوعی همچنین در حال پیشرفت علم به روش هایی است که در حال حاضر مزایای ملموسی را برای افراد واقعی در مناطقی مانند آب و هوا و مراقبت های بهداشتی فراهم می کند.

اجازه دهید با مثالی از سازگاری آب و هوا شروع کنم. پیش بینی سیل به دلیل تغییرات اقلیمی مشکلی مکرر و فوری است. اکنون، پیشرفت‌های هوش مصنوعی به ما این امکان را داده است که شکاف‌های بزرگی را در داده‌ها پر کنیم تا سیل رودخانه‌ها را تا ۷ روز قبل با دقتی مشابه با پخش‌های کنونی پیش‌بینی کنیم. پس از آزمایش اولیه در بنگلادش، پلت فرم هشدار اولیه ما – Flood Hub – اکنون بیش از 100 کشور و 700 میلیون نفر را پوشش می دهد.

و برای مثال در کاهش آب و هوا، موارد زیر را در نظر بگیرید: تشکیل contrails مدت‌هاست که عامل شناخته شده انتشار گازهای گلخانه‌ای در هوانوردی بوده است – که حدود 35 درصد از تأثیر گرمایش جهانی هوانوردی را تشکیل می‌دهد.

همکاران من در Google Research یک مدل هوش مصنوعی ایجاد کردند که پیش‌بینی می‌کند کجا احتمالاً contrails شکل می‌گیرد، و با مشارکت American Airlines، آن را در 70 پرواز آزمایش کردند. ما تأثیر را اندازه گیری کردیم و کاهش 54 درصدی در انتشار یافتیم.

به طور مشابه، هوش مصنوعی نویدهای زیادی را برای تشخیص بیماری ارائه می دهد. به عنوان مثال، هشت سال پیش، محققان گوگل دریافتند که هوش مصنوعی می تواند به تفسیر دقیق اسکن شبکیه برای تشخیص رتینوپاتی دیابتی، یک علت قابل پیشگیری نابینایی که تقریباً 100 میلیون نفر را تحت تاثیر قرار می دهد، کمک کند.

ما ابزار غربالگری را توسعه دادیم که در بیش از 600000 غربالگری در سراسر جهان استفاده شده است. و مشارکت های جدید در تایلند و هند امکان نمایش 6 میلیون نمایش را در دهه آینده فراهم می کند.

جاده پیش رو

ما نمونه های دیگری از جمله سل، سرطان کولورکتال، سرطان سینه و سلامت مادر را اجرا کرده ایم.

با وجود پیشرفت، این تازه آغاز راه است. هنوز کارهای زیادی برای انجام دادن وجود دارد.

من سه حوزه کلیدی را می بینم که باید روی آن تمرکز کرد تا به طور کامل پتانسیل هوش مصنوعی برای کمک به پیشرفت علم و به ارمغان آوردن مزایای اجتماعی ملموس را درک کند:

اول، ما باید به پیشرفت در محدودیت‌ها و کاستی‌های فعلی هوش مصنوعی ادامه دهیم – و قابلیت‌های هوش مصنوعی را افزایش دهیم تا بتوانیم در توسعه مفاهیم علمی جدید، نظریه‌ها، آزمایش‌ها و موارد دیگر کمک کنیم.

دوم، ما به یک تعهد پایدار به روش علمی و رویکردهای مسئولانه برای استفاده از هوش مصنوعی برای پیشرفت علم نیاز داریم.

ما به دانشمندان، اخلاق مداران و کارشناسان ایمنی نیاز داریم – مانند بسیاری از افراد حاضر در این اتاق – برای رسیدگی به خطرات خاص برای علم، مانند ویروس‌ها و سلاح‌های زیستی، و همچنین چالش‌هایی مانند سوگیری در مجموعه داده‌ها، حفظ حریم خصوصی، و اثرات زیست‌محیطی.

سوم، ما باید اولویت بندی کنیم تا تحقیقات، ابزارها و منابع مبتنی بر هوش مصنوعی را برای دانشمندان بیشتری در مکان های بیشتری در دسترس قرار دهیم – و مطمئن شویم پیشرفتی که به دست می آوریم به نفع مردم در همه جا است.

من در مورد آنچه در این دوره جدید کشف در پیش است هیجان زده هستم.

کارهای زیادی می‌توانیم با هم انجام دهیم تا ابزارهایی بسازیم که به پیشرفت علم کمک می‌کند تا به نفع همه باشد.

و ما کارهای زیادی می‌توانیم انجام دهیم تا دانشمندان شگفت‌انگیز را در اینجا و جاهای دیگر در کارشان فعال کنیم – امروز از برخی از آنها خواهیم شنید.