کشفیات علمی به کمک رایانه‌ها و هوش مصنوعی
حجم عظیم تحقیقات و مطالعات علمی به تولید انبوه اطلاعات منجر شده است. با این حال، این اطلاعاتِ انبوه اغلب کم‌عمق و نامنسجم‌اند. آیا این امکان وجود دارد که پردازش این اطلاعات و بهره‌گیری از آن‌ها برای کشفیات علمی را به رایانه‌ها و دستگاه‌های متکی به هوش مصنوعی بسپاریم؟
«کسی که به بررسی متون دانشمندان می‌پردازد، اگر هدفش رسیدن به حقیقت است، باید با هر آن‌چه می‌خواند دشمنی کرده و ... از هر لحاظ به آن حمله کند. او در جریان این بررسی انتقادی باید به خود نیز با دیده‌ی تردید بنگرد، تا مبادا در دام تعصب یا سهل‌گیری بیافتد» – ابن هیثم (1040-965 م.)
علم دچار بحرانِ اطلاعات شده است. سال پیش، تنها در رشته‌ی زیست‌پزشکی یک میلیون و دویست هزار مقاله‌ی جدید منتشر شد، و به این ترتیب تعداد کل مقاله‌های این رشته به 26 میلیون رسید. با این حال، هر دانشمند به طور متوسط در سال تنها حدود 250 مقاله می‌خواند. در همین حال، کیفیت مقالات علمی سیری نزولی داشته است. برخی پژوهش‌هایی که اخیراً انجام شده نشان می‌دهد اکثر مقالات زیست‌پزشکی تکرارناپذیر و استمرارپذیر نبوده و در نتیجه اشتباه‌اند.
این دو چالشِ «کمیت بیش از حد زیاد» و «کیفیت بیش از حد پایین» در ظرفیت عصب‌شناختی محدود مغز انسان ریشه دارند. دانشمندان به طور روزافزونی فرضیه‌های خود را بر اساس بخش کوچکتری از دانش جمعی انسانی تدوین می‌کنند، و در نتیجه به نحوی فزاینده پرسش‌های نادرستی مطرح می‌کنند یا به پرسش‌هایی می‌پردازند که پیشتر به آن‌ها جواب داده شده است. همچنین، به نظر می‌رسد خلاقیت انسان‌ها به طور روزافزونی به تجارب پیشین آن‌ها و تصادفی بودن این تجارب وابستگی پیدا می‌کند – رویدادهایی خاص در زندگی پژوهشگر این امکان را فراهم می‌آورد تا او پی به نکته‌ای ببرد که از نظر دیگران مغفول مانده بود. شانس و تصادف همواره در اکتشافات علمی اثرگذار بوده است، اما در حال حاضر نقش بسیار بزرگتری پیدا کرده است.
یکی از راهبردهای نویدبخش برای غلبه بر بحران جاری استفاده از هوش مصنوعی و دستگاه‌ها در فرآیندهای علمی است. دستگاه‌ها، نسبت به مغز انسان، حافظه‌ای بهتر و ظرفیت محاسباتی بالاتری دارند. خودکارسازیِ فرآیندِ علمی می‌تواند اکتشافات را بسیار افزایش دهد. حتی می‌تواند آغازگر انقلاب علمیِ دیگری باشد. امکان وقوع چنین رویداد بزرگی به پاسخ پرسشی به همان اندازه بزرگ بستگی دارد: آیا خودکارسازی اکتشاف علمی واقعاً ممکن است؟ به باور من، با استفاده از رویکردی که تقریباً برای قرن‌ها با آن آشناییم، این کار شدنی است. پاسخ این پرسش را در آثار سِر فرانسیس بیکن، فیلسوف انگلیسی قرن هفدهم و از پیشگامان علم مدرن، می‌توان سراغ گرفت.
چالش‌برانگیزترین گام در راه فرآیند خودکارسازی، نحوه‌ی جمع‌آوری مشاهدات علمیِ معتبر در سطح وسیع است. در حال حاضر، برای کل دانش علمی بشر در سطح مشاهدات، بانک مرکزی داده‌ها وجود ندارد.
نخستین اشاره‌ها به روش علمی را می‌توان در قرن‌ها پیش نزد اندیشمندان مسلمان، مانند ابن هیثم، یافت. با این حال، این بیکن بود که برای اولین بار روش علمی را صورت‌بندی کرده و آن را به موضوع مطالعه مبدل ساخت. او در کتاب خود، ارغنون جدید (1620)، الگویی برای اکتشاف پیشنهاد داد که هنوز هم به عنوان «روش بیکنی» شناخته می‌شود. او مخالف استفاده از منطق قیاسی در استنباط‌های علمی بود و این روش را قابل اعتماد نمی‌دانست. در مقابل، رویکردی را پیشنهاد داد که در آن مشاهدات درباره‌ی پدیده‌ای خاص، به طور نظام‌مند گردآوری شده، جدول‌بندی شده، و به طور عینی تحلیل می‌شوند: در این روش، با استفاده از منطق استقرایی، به ایده‌هایی قابل تعمیم دست پیدا می‌کنیم. به باور بیکن، حقیقت تنها زمانی پدیدار می‌شود که ذهن از اصول ناقص (و در نتیجه نادرست) بری باشد.
روش بیکنی می‌خواست با مشخص کردن مراحل استنباط علمی و بهینه‌سازی هر یک از این مراحل، فرآیندهای مشاهده و مفهوم‌سازی را از سوگیریِ منطقِ قیاسی برهاند. بیکن به دنبال آن بود تا با کمک گروهی از مشاهده‌گران اطلاعات فراوانی درباره‌ی طبیعت گردآوری کرده و آن اطلاعات را در یک بایگانی مرکزی ذخیره کند تا برای تحلیل‌های استقرایی در دسترس باشد. او در ارغنون جدید می‌نویسد: «تجربه‌گرایان مانند مورچه‌ها هستند؛ جمع‌آوری کرده و استفاده می‌کنند. عقل‌گرایان مانند عنکبوت تار می‌تنند. زنبورها بهترین روش را دارند؛ روش آن‌ها بینابینی است: مواد موجود را گرفته، هضم کرده، و به چیز دیگری تبدیل می‌کنند.»
امروزه به ندرت از روش بیکنی استفاده می‌شود، زیرا معلوم شده است که این روش بیش از اندازه پرزحمت و گران بوده و همچنین کاربرد‌های فنی آن نیز نامشخص است. با این حال، در آن زمان صورت‌بندی منطقی روش علمی یک پیشرفت انقلابی محسوب می‌شد. پیش از آن، علم امری متافیزیکی بود که تنها اندکی از افراد تحصیل‌کرده (اغلب از طبقه‌ی اشراف) به آن دسترس داشتند. بیکن با کنار گذاشتن مرجعیت یونانیان باستان و مشخص کردن مراحل اکتشاف، الگویی به وجود آورد که به هر فردی (بدون در نظر گرفتن پیشینه‌ی خانوادگی او) اجازه می‌داد دانشمند شود.
رویکرد بیکن حقیقتی پنهان را نیز آشکار کرد: فرآیند اکتشاف ذاتاً الگوریتمی است. فرآیند اکتشاف علمی عبارت است از تعداد محدودی از مراحل مختلف که تا رسیدن به نتیجه‌ای معنادار تکرار می‌شوند. بیکن در توصیف روش خود آشکارا از کلمه‌ی «ماشین» (دستگاه) استفاده می‌کرد. الگوریتم علمی او سه جزء اساسی دارد: نخست، مشاهدات باید جمع‌آوری شده و به مجموعه‌ی دانش موجود اضافه شود. دوم، از مشاهدات جدید برای ایجاد فرضیه‌های جدید استفاده شود. سوم، به کمک آزمایش‌هایی که به طور دقیق طراحی شده‌اند، این فرضیه‌ها آزموده شوند.
اگر دانش الگوریتمی باشد، امکان خودکارسازی آن نیز وجود دارد. با این حال، دانشمندان علوم رایانه و اطلاعات این رؤیای آینده‌نگرانه را نادیده گرفته‌اند، و دلیل عمده‌ی آن این است که سه مرحله‌ی اکتشاف علمی در سه ساحت مختلف قرار دارند. مشاهده امری حسی است؛ فرضیه‌سازی امری عقلانی است؛ و آزمایش امری مکانیکی است. خودکارسازی فرآیند علمی مستلزم گنجاندن دستگاه‌ها در هر مرحله است، و همچنین دستگاه‌ها در هر مرحله باید بتوانند، بدون مزاحمت، با سایر دستگاه‌ها ارتباط داشته باشند. هنوز کسی راهی برای انجام این کار نیافته است.
در دوران اخیر، شاهد پیشرفتی شگرف در نحوه‌ی انجام آزمایش‌ها بوده‌ایم. برای مثال، صنعت داروسازی برای ساخت داروها از سامانه‌های خودکار با توان عملیاتی بسیار بالا استفاده می‌کند. شرکت‌های نوپا مانند ترَنسکریپت و اِمِرالد کلاود لَب (که هر دو در کالیفرنیا قرار دارند) سیستم‌هایی را می‌سازند که تقریباً تمام کارهای فیزیکی دانشمندان زیست‌پزشکی را می‌توانند انجام دهند. دانشمندان می‌توانند به صورت آنلاین آزمایش خود را برای این شرکت‌ها ارسال کنند، و در آن‌جا این آزمایش‌ها به کُد تبدیل شده و به سامانه‌های روباتی داده می‌شود؛ این سامانه‌ها می‌توانند تعداد زیادی از آزمایش‌های زیست‌شناختی را انجام دهند. این راه‌حل‌ها برای رشته‌هایی که به آزمایش‌های فشرده و فراوان نیاز دارند، مانند زیست‌شناسی مولکولی و مهندسی شیمی، بسیار کاربردی است اما از روش‌های مشابه می‌توان در حوزه‌هایی که به داده‌های فراوان نیاز دارند یا حتی در رشته‌های نظری نیز استفاده کرد.
یکی از راهبردهای نویدبخش برای غلبه بر بحران جاری استفاده از هوش مصنوعی و دستگاه‌ها در فرآیندهای علمی است. دستگاه‌ها، نسبت به مغز انسان، حافظه‌ای بهتر و ظرفیت محاسباتی بالاتری دارند. خودکارسازیِ فرآیندِ علمی می‌تواند اکتشافات را بسیار افزایش دهد.
فرضیه‌سازیِ خودکار پیشرفت چندانی نداشته اما دان سوانسون در دهه‌ی 1980 گام‌های مهمی در این راه برداشته است. او نشان داده است که بین ایده‌های نامرتبط در آثار علمی، پیوندهایی وجود دارد؛ سوانسون با استفاده از یک چارچوب منطقی قیاسی ساده، توانست مقالاتی را از رشته‌های مختلف که در آن‌ها هیچ ارجاع مشترکی وجود نداشت، به یکدیگر پیوند دهد. به همین ترتیب، سوانسون توانست فرضیه‌ی جدیدی در رابطه با پیوند بین روغن ماهی خوراکی و نشانگان رِینود مطرح کند، بدون این که آزمایشی انجام دهد یا در هیچ‌یک از این رشته‌ها تخصصی داشته باشد. رویکردهای متأخرتر، مانند کارهای آندری رژتسکی از دانشگاه شیکاگو و آلبرت-لازلو باراباسی از دانشگاه نورت‌ایسترن، بر الگوسازی ریاضی و نظریه‌ی گراف متکی است. آن‌ها داده‌های بسیاری را جمع‌آوری کرده و مجموعه‌ی اطلاعات را به صورت یک شبکه ترسیم می‌کنند، شبکه‌ای که نقاط اتصال، مفاهیم، و خطوط پیوند همان روابط بین اجزای شبکه را شکل می‌دهند. پیوندهای کشف‌نشده بین این نقاط (مفاهیم)، فرضیه‌های جدید ما خواهند بود.
چالش‌برانگیزترین گام در راه فرآیند خودکارسازی، نحوه‌ی جمع‌آوری مشاهدات علمیِ معتبر در سطح وسیع است. در حال حاضر، برای کل دانش علمی بشر در سطح مشاهدات، بانک مرکزی داده‌ها وجود ندارد. پردازش زبان انسان تا آن‌جا پیش رفته است که می‌توان به صورت خودکار از مقالات علمی نه تنها روابط بین آن‌ها بلکه زمینه‌ی هر یک را نیز استخراج کرد. با این حال، ناشران عمده‌ی مقالات علمی محدودیت‌های سخت‌گیرانه‌ای برای متن‌کاوی وضع کرده‌اند. مهم‌تر از همه این که، تفسیر (یا سوءبرداشت) دانشمندان بر متن مقالات تأثیرگذار است و هر متن حاوی روش‌شناسی‌ها و مفاهیمِ ترکیبیِ پیچیده‌ای است که استخراج و کمی‌سازی آن‌ها را دشوار می‌کند.
با وجود این، پیشرفت‌های اخیر در زمینه‌ی پایگاه داده‌های شبکه‌ای و علوم رایانه‌ای باعث شده تا روش بیکنی، برای اولین بار در تاریخ، قابلیت اجرا پیدا کند. و حتی پیش از خودکار شدن اکتشاف علمی، پذیرش رویکرد بیکن در زمانه‌ای که تقلیل‌گراییِ صرف در حال نزدیک شدن به پایان عمر مفید خود است، می‌تواند مفید و باارزش باشد.
در عصر داده‌های بزرگ، ذهن انسان نمی‌تواند به نحوی کارآمد پدیده‌های طبیعی و بسیار پیچیده را پردازش کند. روش بیکنی مدرنی که از طریق داده‌کاوی دست به انتخاب برخی داده‌ها زده و سپس این اطلاعات را به کمک الگوهای محاسباتی استقرایی تحلیل می‌کند، می‌تواند فهم ما از جهان طبیعی را دگرگون کند. چنین رویکردی می‌تواند فرضیه‌های جدیدی طرح کند که احتمال درست بودن آن‌ها بیشتر باشد؛ می‌تواند این فرضیه‌ها را آزموده، و شکاف‌های موجود در دانش ما را پر کند. همچنین این رویکرد یادآوری می‌کند که دانش قرار است چه چیزی باشد: جست‌وجوی حقیقت، ضدیت با اقتدارگرایی، و آزادی بی‌حدومرز.
برگردان: هامون نیشابوری
احمد خطیب متخصص زیست‌شناسی مولکولی در دانشگاه علوم پزشکی هاروارد است. آن‌چه خواندید برگردانِ این نوشته‌ی اوست:
Ahmed Alkhateeb, ‘Science Has Outgrown the Human Mind and its Limited Capacities,’ Aeon, 24 April 2017
