شفقنا رسانه- نتایج یک نظرسنجی جدید نشان میدهد بیش از ۶۰ درصد پژوهشگران اکنون برای نگارش، تحلیل داده و پیشبرد پروژههای علمی خود به ابزارهای هوش مصنوعی تکیه میکنند؛ رقمی که طی یک سال جهش قابلتوجهی داشته است.
به گزارش شفقنا رسانه، گزارش تازه شرکت وایلی و روایت پژوهشگران از رشتههای مختلف نشان میدهد هوش مصنوعی به بخشی جداییناپذیر از فرآیند پژوهش تبدیل شده است؛ از پردازش دادههای عظیم در اخترفیزیک تا نگارش و ویرایش مقالات علمی. اما این رشد سریع، پرسشهایی جدی درباره دقت، اخلاق و پیامدهای بلندمدت آن برای جامعه علمی ایجاد کرده است.
ایسنا در گزارشی آورده است، در یک نظرسنجی از بیش از ۲۴۰۰ پژوهشگر که در ماه اکتبر توسط شرکت نشر وایلی (Wiley) منتشر شد، ۶۲ درصد پاسخدهندگان گفتند که از هوش مصنوعی برای کارهای مرتبط با پژوهش یا انتشار استفاده میکنند که نسبت به ۴۵ درصد در سال ۲۰۲۴، زمانی که ۱۰۴۳ نفر پاسخدهنده وجود داشت، افزایش داشته است. دانشمندانی که در ابتدای مسیر شغلی قرار داشتند و پژوهشگران علوم فیزیکی با بیشترین احتمال از ابزارهای هوش مصنوعی در کارشان استفاده میکردند و نسبت به پژوهشگران باتجربهتر یا کسانی که در علوم انسانی، ریاضیات یا آمار کار میکنند، زودتر از این فناوریها استقبال کرده بودند.
به نقل از نیچر، پژوهشگران از ابزارهای هوش مصنوعی برای کمک به نوشتن، ویرایش و ترجمه استفاده میکنند. آنها همچنین از این ابزارها برای تشخیص خطا یا سوگیری در متنشان و برای خلاصهکردن حجم گستردهای از مطالعات استفاده میکنند. در نمونهای شامل ۲۰۵۹ نفر پاسخدهنده، ۸۵ درصد گفتند هوش مصنوعی به کارایی کمک کرده، ۷۷ درصد گفتند به افزایش حجم کاری که انجام دادهاند کمک کرده، و ۷۳ درصد گفتند کیفیت کارشان را بهبود داده است.
متیو بایلز، اخترفیزیکدان دانشگاه فناوری سوینبرن در ملبورن، استرالیا، میگوید ابزارهای هوش مصنوعی در میان ستارهشناسان محبوب هستند و به آنها کمک میکنند مجموعههای عظیم داده را پردازش کنند. گروه او حدود یک دهه است که از هوش مصنوعی برای شناسایی نشانههای ستارههای نوترونی در دادههایشان استفاده میکند. او میگوید: وقتی ۱۰ هزار گزینه دارید، خیلی خوب است که بتوانید در چند ثانیه از میانشان عبور کنید، بهجای اینکه تکتکشان را به صورت واحد نگاه کنید.
گروه او همچنین در حال توسعه یک شبیهسازی مجازی از کیهان است. این پروژه از نسخه افزونهای از مدل Claude، ساختهشده توسط شرکت Anthropic در سانفرانسیسکو، کالیفرنیا، استفاده میکند تا دادهها را در کنار تصویرسازیها نمایش دهد. این مدل میتواند شبیهسازی از یک خوشه کروی که مجموعهای از هزاران تا میلیونها ستاره را در کنار نمودارهایی نمایش دهد که نشان میدهند چه تعداد سیاهچاله یا ستاره نوترونی در طول زمان شکل میگیرند. او اضافه میکند: فرصتهای آموزشی که اینجا وجود دارد، خارقالعاده است.
افزایش بهرهوری
هوش مصنوعی همچنین بر خروجیهای دانشمندان و مسیر شغلی آنها تأثیر میگذارد. یک مقاله پیشچاپ سال ۲۰۲۴ که در arXiv منتشر شده، گزارش میدهد دانشمندانی که از هوش مصنوعی استفاده میکردند، مقالههای بیشتری منتشر کردهاند، ارجاعهای بیشتری گرفتهاند و چهار سال زودتر از کسانی که از هوش مصنوعی استفاده نمیکردند، رهبر گروه شدهاند.
پژوهشگران از یک مدل زبانی بزرگ برای شناسایی بیش از یک میلیون مقاله کمکگرفته از هوش مصنوعی در میان ۶۷٫۹ میلیون مطالعه منتشرشده در ۶ حوزه بین سالهای ۱۹۸۰ تا ۲۰۲۴ استفاده کردند. نویسندگان اشاره میکنند که هوش مصنوعی کار را در حوزههای تثبیتشده و غنی از داده تسریع میکند. این نشان میدهد که اگرچه هوش مصنوعی ممکن است بهرهوری دانشمندان فردی را افزایش دهد، اما میتواند تنوع علمی را کاهش دهد.
بسیاری از پژوهشگران درباره دیگر اثرات زیانبار هوش مصنوعی بر پژوهش نگران هستند. نظرسنجی وایلی، مستقر در هوبوکن، نیوجرسی، نشان داد که ۸۷ درصد افراد درباره خطاهای هوش مصنوعی که «توهم» نامیده میشوند و درباره امنیت داده، اخلاق و نبود شفافیت درباره دادههای آموزشی نگران بودند. در نظرسنجی سال گذشته این رقم ۸۱ درصد بود.
نیگل هیچین، ریاضیدان دانشگاه آکسفورد در بریتانیا، فکر میکند بزرگترین خطر استفاده از هوش مصنوعی در پژوهش این است که مردم فرض کنند مدلهای هوش مصنوعی درست هستند. او اضافه میکند: این وضعیت میتواند در جامعه نوعی تنبلی ایجاد کند، چون این فناوری به مردم کمک نمیکند بفهمند چرا یک پاسخ درست یا غلط است.
بایلز دیده است که دانشجویان و پژوهشگران دیگر از مدلهای زبانی بزرگ مانند چت جیپیتی برای نوشتن کدهای نرمافزاری خود استفاده میکنند، بدون اینکه بفهمند آن کد چطور کار میکند. در یک مورد، مقالهای که گروه او برای انتشار ارسال کرده بود، یک خطا داشت؛ خطایی که از کدی ناشی میشد که دانشجویی از چت جیپیتی خواسته بود بنویسد و خودش آن را آزمایش نکرده بود.
بایلز میگوید مهم است که به دانشجویان یاد بدهیم چطور پاسخها را راستیآزمایی کنند، با کمک به آنها برای توسعه شهود درباره اینکه پاسخ چه میتواند باشد. او اضافه میکند: ما باید با اشتیاق این فناوری را بپذیریم، اما نتایج را با همان شک و تردیدی نگاه کنیم که باید با همه نتایج علمی هنگام ارائه برخورد کنیم.