هوش مصنوعی در خدمت علم؛ از ساختار پروتئین تا مواد جدید

وقتی از «انقلاب هوش مصنوعی» حرف می‌زنیم، تصویر ذهنی اغلب مردم چت‌بات‌ها و تولید تصویر است. اما عمیق‌ترین اثر این فناوری جای دیگری در حال وقوع است: آزمایشگاه‌های علمی. هوش مصنوعی در علم، از ابزار کمکی به موتور اکتشاف تبدیل شده — از پیش‌بینی ساختار پروتئن‌ها که جایزهٔ نوبل شیمی را به خود اختصاص داد تا طراحی مواد و داروهایی که ذهن انسان به‌تنهایی به آن‌ها نمی‌رسید. این تحلیل، نقشهٔ این تحول را ترسیم می‌کند.

جهشی که از کجا آمد؟

علم مدرن همیشه با «سیل داده» دست‌به‌گریبان بوده است: میلیاردها توالی ژنتیکی، میلیون‌ها ترکیب شیمیایی، ترابایت‌های دادهٔ رصدخانه‌ها. روش سنتی — فرضیه بساز، آزمایش کن، تحلیل کن — در برابر این حجم، گلوگاه داشت. مدل‌های یادگیری عمیق این گلوگاه را شکستند: یاد گرفتند در فضای داده، الگوهایی را ببینند که نه دیدنی‌اند و نه شهودی. پیش‌بینی ساختار پروتئن، نمونهٔ اعلای این جهش است؛ مسئله‌ای پنجاه‌ساله که حل‌شدنش، مسیر طراحی دارو و آنزیم را کوتاه کرد و نشان داد یادگیری عمیق می‌تواند در حوزه‌ای کاملاً فیزیکی و زیستی، «شهود» بسازد.

این جهش فقط در زیست‌شناسی نمانده است. در علم مواد، مدل‌ها میلیون‌ها ترکیب فرضی را غربال می‌کنند تا نامزدهای باتری و نیم‌رسانا را پیشنهاد بدهند؛ در هواشناسی، مدل‌های مبتنی بر هوش مصنوعی پیش‌بینی‌های چندروزه را با هزینهٔ محاسباتی کسری از مدل‌های فیزیکی سنتی انجام می‌دهند؛ و در فیزیک، بازسازی داده‌های آزمایش‌های بزرگ، از توکامک تا شتاب‌دهنده‌ها، به مدل‌ها سپرده شده است. نقطهٔ اشتراک همهٔ این‌ها: جایی که «فضای جست‌وجو» عظیم و «قاعده‌های حاکم» پیچیده است، مدل برنده است.

جدول: کاربردهای علمی و بلوغ آن‌ها

حوزهٔ علمی	کاربرد اصلی هوش مصنوعی	وضعیت امروز
زیست‌شناسی ساختاری	پیش‌بینی شکل پروتئن و اتصال آن	بالغ و در حال استفادهٔ روزمره
کشف دارو	غربال ترکیب‌ها و طراحی مولکول	بالغ؛ داروهای طراحی‌شده با AI در کارآزمایی
علم مواد	پیش‌بینی خواص ترکیب‌های جدید	در حال رشد سریع
هواشناسی و اقلیم	پیش‌بینی سریع و کم‌هزینه	عملیاتی شده
نجوم و فیزیک	غربال داده و کشف سیگنال	در حال رشد
ریاضیات	اثبات کمکی و کشف الگو	نوپا اما جهش‌ساز

اما محدودیت‌ها؛ علمِ ماشینی چگونه فرو می‌ریزد؟

روایت تک‌لحظه‌ای این تحول، گمراه‌کننده است. چهار محدودیت جدی بر سر راه هوش مصنوعی در علم ایستاده است. اول، توهم مدل هم اینجا هست: مدلی که با اطمینان، ساختار یا خواصی را پیش‌بینی می‌کند که وجود ندارد؛ در علم، یک پیش‌بینی دروغین می‌تواند سال‌ها زحمت آزمایشگاه را هدر بدهد — همان پدیده‌ای که در مقالهٔ توهم مدل‌های زبانی شرح داده‌ایم و در مدل‌های علمی نیز کم‌وبیش صادق است. دوم، سوگیری داده: مدل با داده‌های مغرضانه آموزش دیده، سوگیری را در مقیاس بزرگ تکثیر می‌کند؛ مفهومی که در تحلیل سوگیری الگوریتمی بررسی شده است. سوم، سیاه‌بودن جعبه: در جایی که علم ذاتی‌اش «توضیح» است، مدلی که جواب می‌دهد اما دلیل نمی‌دهد، ابزار علم است نه خودِ علم. چهارم، گلوگاه آزمایش: پیش‌بینیِ مدل، تا آزمایش نشود فرضیه است؛ و ظرفیت آزمایشگاه‌ها با سرعت مدل‌ها رشد نمی‌کند.

نقش پژوهشگر؛ نه حذف، ارتقا

جمع‌بندی کارشناسان این است که هوش مصنوعی، پژوهشگر را حذف نمی‌کند؛ شرح شغلش را عوض می‌کند. پژوهشگر آینده کمتر «محاسبه‌گر» است و بیشتر «معمار پرسش و داور کیفیت»: مسئله را آن‌قدر دقیق تعریف می‌کند که ماشین بتواند در فضای آن بگردد، سپس خروجی را با شهودهٔ علمی و آزمایش، صافی می‌کند. برای پژوهشگر جوان ایرانی، این خبر خوبی است: سد ورود به علم پیشرفته، از «دسترسی به ابررایانه» به «مهارت طرح‌پرسش و اعتبارسنجی» جابه‌جا شده — مهارتی که با منابع باز و مفاهیم پایهٔ یادگیری ماشین قابل یادگیری است. کاربرد نزدیک این موج به زندگی روزمره را هم در تحلیل هوش مصنوعی در پزشکی دیده‌ایم.

جمع‌بندی

هوش مصنوعی در علم، سرعتِ کشف را بالا برده اما منطق علم — فرضیه، آزمایش، نقد — را عوض نکرده است؛ فقط ترتیب کارتها را جابه‌جا کرده: اول جست‌وجوی ماشینی، بعد داوری انسانی. برندگان این دوره، پژوهشگرانی‌اند که با ماشین کار می‌کنند بدون آن‌که داوری را به آن واگذار کنند. علم، آرام‌آرام سریع‌تر می‌شود؛ اما همچنان انسانی می‌ماند.

پرسش‌های پرتکرار

آیا هوش مصنوعی تاکنون کشف علمی واقعی انجام داده است؟

بله؛ از حل مسئلهٔ ساختار پروتئن تا نامزدهای دارویی که به کارآزمایی بالینی رسیده‌اند و کشف الگوها در داده‌های نجومی، نمونه‌های تأییدشده وجود دارد — هرچند در همهٔ موارد، داوری و آزمایش نهایی با پژوهشگران بوده است.

آیا مدل‌های علمی هم توهم می‌کنند؟

بله؛ هر خروجیِ تأییدنشدهٔ آزمایشگاهی را باید «فرضیهٔ پر‌ارزش» تلقی کرد، نه «کشف». پژوهش‌های متعددی دربارهٔ پیش‌بینی‌های نادرست مدل‌های ساختار پروتئن منتشر شده و اعتبارسنجی، بخش جدانشدنی کار است.

برای دانشجوی ایرانی، ورود به این حوزه ممکن است؟

بله و از دلایلش، متن‌بازبودن بسیاری از مدل‌ها و داده‌های علمی عمومی است؛ ترکیب دانش رشتهٔ تخصصی (زیست، شیمی، فیزیک) با مهارت مدل‌سازی، دقیقاً همان پروفایلی است که پروژه‌های بین‌المللی می‌خواهند.