نجات دانشمندان از فرسودگی
هوش مصنوعی شاید هنوز نتواند وعده درمان بسیاری از بیماری‌ها را محقق کند، اما توانایی آن در تحلیل حجم عظیمی از داده‌های زیستی می‌تواند روند پژوهش‌های علمی را سرعت ببخشد.
فرارو- ارزش واقعی هوش مصنوعی ممکن است نه در کشف فوری درمان بیماری‌ها، بلکه در توانایی آن برای حل یکی از مشکلات اساسی علم امروز نهفته باشد: حجم عظیم داده‌هایی که دانشمندان فرصت یا ابزار کافی برای بررسی کامل آن‌ها ندارند.
به گزارش فرارو به نقل از آتلانتیک، داریو آمودی، مدیرعامل شرکت آنتروپیک، بارها گفته است هوش مصنوعی می‌تواند طی ۱۰ سال آینده بیشتر بیماری‌ها را درمان کند. او اواخر ماه گذشته مدعی شد شرکتش نخستین گام را در مسیر تحقق این چشم‌انداز برداشته است: مدل هوش مصنوعی کلود در کمتر از ۲۴ ساعت، سامانه آنزیمی تازه‌ای را شناسایی کرده که به گفته آنتروپیک، شباهت‌هایی با کریسپر دارد؛ فناوری ویرایش ژن که برای درمان برخی بیماری‌ها به کار می‌رود.
آنتروپیک هنگام اعلام این خبر، احتمال داد که یافته مذکور بتواند از آن دسته کشفیاتی باشد که پزشکی را متحول می‌کنند. این شرکت همچنین به نقل از یکی از پیشگامان ویرایش ژن، این نتیجه را «واقعاً جالب توجه» توصیف کرد.
بااین‌حال، شرکت اذعان داشت هنوز دقیقاً نمی‌داند کلود چه چیزی را شناسایی کرده و آیا این یافته واقعاً اهمیت چشمگیری دارد. این نخستین نتیجه‌ای بود که از آزمایشگاه زیست‌شناسی آنتروپیک، تأسیس شده در بهار همان سال، منتشر می‌شد؛ اما اعلام آن با تردیدهای جدی روبه‌رو شد.
شماری از دانشگاهیان و حتی مدیرعامل شرکت داروسازی الای لیلی معتقد بودند آنتروپیک دستاوردی محدود و تدریجی را به‌عنوان کشفی بزرگ معرفی کرده است. فئودور اورنوف، دانشمندی که اصطلاح «ویرایش ژنوم» را ابداع کرده و در پروژه‌ای مرتبط با کریسپر با آنتروپیک همکاری دارد، گفت هنوز مشخص نیست آنچه کلود یافته، اصلاً یک آنزیم باشد.
چندین پژوهشگر نیز به روزنامه نیویورک‌تایمز گفتند سال‌ها از وجود این سامانه احتمالی اطلاع داشته‌اند. گروهی در دانشگاه کپنهاگ حتی مدعی شدند نتایج تازه آنتروپیک ممکن است از تعاملات آزمایشگاه آن‌ها با کلود به دست آمده باشد. آنتروپیک در پاسخ اعلام کرد که مدل کلود با استفاده از متن گفت‌وگوهای کاربران آموزش داده نمی‌شود.
در نتیجه، هنوز معلوم نیست این یافته به پیشرفتی در پزشکی زیستی منجر شود. بااین‌حال، هیاهوی پیرامون آن باعث شده است نکته مهم‌تری نادیده گرفته شود: کلود ظاهراً توانسته حجم عظیمی از داده‌های زیستی را بررسی کند؛ کاری که انجام آن برای دانشمندان ممکن بود بسیار طولانی باشد یا حتی با ابزارهای معمول در دسترسشان امکان‌پذیر نباشد.
مشکل بزرگ علم امروز؛ داده‌های بیشتر، فرصت تحلیل کمتر
در آستانه قرن بیست‌ویکم، پژوهشگران برای نخستین بار موفق شدند توالی کامل حدود سه میلیارد حرف سازنده دی‌ان‌ای انسان را تعیین کنند. پروژه ژنوم انسان ۱۳ سال طول کشید و حدود ۲.۷ میلیارد دلار هزینه داشت. امروزه تعیین توالی کامل ژنوم یک فرد کمی بیش از یک روز زمان می‌برد و هزینه آن می‌تواند به حدود ۲۰۰ دلار برسد.
این پیشرفت چشمگیر باعث شده است حجم داده‌های ژنومی در دسترس عموم به اندازه‌ای افزایش یابد که مدیریت و تحلیل آن‌ها دشوار شده است. در حوزه‌های دیگری مانند پژوهش درباره پروتئین‌ها نیز پیشرفت فناوری، به تولید انبوه داده‌ها انجامیده است.
اما گردآوری اطلاعات تنها بخشی از مسیر علمی است. پژوهشگران باید بتوانند داده‌ها را ذخیره، منتقل و بررسی کنند و از میان انبوه اطلاعات، الگوهای معنادار را بیرون بکشند. کمیته‌ای از متخصصان زیست‌اطلاعات در سال ۲۰۱۲ اعلام کرد «گلوگاه بهره‌وری علمی» از تولید داده به تحلیل آن‌ها منتقل شده است. تلاش‌های اولیه مؤسسه ملی سلامت آمریکا برای حل این مشکل نیز به سرعت با دشواری روبه‌رو شد.
اگر دانشمندان می‌توانستند اطلاعات تولید شده را به‌طور مؤثر تحلیل کنند، احتمالاً می‌توانستند ژن‌ها یا اجزای سلولی مناسب‌تری را برای هدف‌گیری شناسایی کنند و از این طریق به توسعه داروهای جدید برسند. مشکل اینجاست که حجم داده‌ها از توان بررسی جامع پژوهشگران فراتر رفته است.
هوش مصنوعی چگونه به دانشمندان کمک می‌کند؟
در چنین شرایطی، هوش مصنوعی می‌تواند نقش یک ابزار جست‌وجوگر قدرتمند را ایفا کند. بو وانگ، استادیار دانشگاه تورنتو و دانشمند ارشد هوش مصنوعی در یک شرکت کشف دارو، معتقد است مهم‌ترین تأثیر این فناوری در زیست‌شناسی، گسترش توان دانشمندان برای بررسی داده‌هاست.
عامل‌های هوش مصنوعی می‌توانند مجموعه‌های عظیم اطلاعات را بررسی کنند و موارد غیرمعمولی را بیابند که ارزش بررسی دقیق‌تر توسط انسان را دارند. آن‌ها همچنین می‌توانند فرضیه‌هایی درباره علت مشاهده الگوهای نامعمول پیشنهاد کنند و در ارزیابی اولیه این فرضیه‌ها نقش داشته باشند. مدل‌های پیش‌بینی نیز به پژوهشگران کمک می‌کنند آزمایش‌هایی را انتخاب کنند که بیشترین احتمال دستیابی به نتایج مفید را دارند.
در مرحله بعد، آزمایشگاه‌های خودکار ممکن است بتوانند آزمایش‌های انتخاب شده را نیز اجرا کنند. بااین‌حال، پژوهشگران هنوز درباره اینکه آیا هوش مصنوعی واقعاً به طراحی آزمایش‌هایی تحول‌آفرین منجر می‌شود یا دانشمندان را به سمت گزینه‌های کم‌خطرتر و کمتر اکتشافی هدایت می‌کند، اتفاق‌نظر ندارند.
همه شاخه‌های زیست‌شناسی از هوش مصنوعی بهره یکسانی نمی‌برند
هوش مصنوعی همین حالا نیز در پزشکی کاربرد دارد. در بسیاری از بیمارستان‌های آمریکا از مدل‌هایی استفاده می‌شود که با تکیه بر سوابق پزشکی افراد، خطر ابتلا به برخی بیماری‌ها، از جمله انواع خاصی از سرطان، را پیش‌بینی می‌کنند.
اما این رویکرد در همه حوزه‌های زیست‌شناسی به یک اندازه مؤثر نیست. برخی شاخه‌ها به داده‌هایی وابسته‌اند که جمع‌آوری آن‌ها دشوارتر است؛ برای مثال، بررسی چگونگی ارتباط سلول‌ها و بافت‌ها به تصاویر میکروسکوپی نیاز دارد که معمولاً دسترسی به آن‌ها به آسانی داده‌های توالی ژنتیکی نیست. استرلینگ چرچمن، استاد ژنتیک در دانشکده پزشکی هاروارد، همچنین به پژوهش درباره اندامک‌های سلولی و جابه‌جایی مواد درون سلول اشاره می‌کند؛ حوزه‌هایی که به آزمایش‌های دقیق و زمان‌بر نیاز دارند.
بااین‌حال، چرچمن معتقد است هر جا داده کافی وجود داشته باشد، هوش مصنوعی می‌تواند دستاوردهای چشمگیری رقم بزند. او تابستان را در شرکت اوپن‌ای‌آی صرف کار روی مدلی ویژه برای پژوهشگران علوم زیستی کرده است. از نظر او، این فناوری به‌ویژه برای دانشمندانی مفید خواهد بود که برنامه‌نویسی نمی‌دانند و می‌خواهند خودشان داده‌های پژوهشی‌شان را تحلیل کنند. چرچمن انتظار دارد هوش مصنوعی سرعت تحلیل داده‌ها را دست‌کم ۱۰ برابر افزایش دهد تا پژوهشگران بتوانند زمان بیشتری را به پرسش‌های زیستی و انجام آزمایش‌ها اختصاص دهند.
ارزش واقعی هوش مصنوعی شاید در سرعت بخشیدن به علم باشد
کشف اعلام‌شده آنتروپیک نمونه‌ای از توانایی هوش مصنوعی در شناسایی موارد غیرمعمولی است که ممکن است از چشم پژوهشگران دور بمانند. ابزارهای موجود نیز می‌توانند حجم بزرگی از داده‌های ژنومی را بررسی کنند و پیش‌تر برای شناسایی سامانه‌های واقعی و جدید ویرایش ژن به کار رفته‌اند. کندل کلمنت، مدیر آزمایشگاه زیست‌شناسی محاسباتی در دانشگاه یوتا، می‌گوید هوش مصنوعی می‌تواند چنین تحلیل‌هایی را در مقیاسی بسیار بزرگ‌تر انجام دهد و هم‌زمان نتایج میانی را نیز ارزیابی کند.
البته اجرای چنین فرایندی به منابع محاسباتی قابل‌توجهی نیاز دارد. آنتروپیک برای بررسی پایگاه داده‌ای شامل نزدیک به دو میلیارد ورودی دی‌ان‌ای، حدود ۹۵۰ عامل کلود را به‌طور هم‌زمان به کار گرفت.
شرکت‌های هوش مصنوعی انگیزه زیادی دارند که درباره دستاوردهای پزشکی آینده این فناوری تبلیغ کنند؛ به‌ویژه در شرایطی که انتقادها از آن‌ها افزایش یافته است. آمودی اخیراً در شبکه اجتماعی ایکس نوشت بهترین راه برای قانع کردن منتقدان هوش مصنوعی، درمان واقعی سرطان است. چنین دستاوردی بی‌تردید نقطه عطفی بزرگ خواهد بود. اما کمک به دانشمندان برای تحلیل سریع‌تر داده‌ها و پیشبرد پژوهش‌ها نیز اهمیت دارد؛ حتی اگر به اندازه درمان سرطان انقلابی به نظر نرسد.