021-44362669
info@rkaa.net

ردپای هوش مصنوعی در اختراعات آینده-بخش اول

ردپای هوش مصنوعی در اختراعات آینده-بخش اول

ردپای هوش مصنوعی در اختراعات آینده-بخش اول

جزئیات

زندگی هوشمندانه با هوش مصنوعی...

28 بهمن 1397

هوش مصنوعی
یکی از بزرگ‌ترین تأثیرات هوش مصنوعی بر دنیای امروز، کمک کردن به انسان‌ها در کشف و اختراع مواردی است که به‌تنهایی توانایی آن را نداشتند.
رجینا بارزیلی، یکی از محققان دانشگه MIT در حوزه‌ی هوش مصنوعی است که از پیش‌گامان این صنعت نیز محسوب می‌شود. محل کار او، در نزدیکی مؤسسه‌ی تحقیقات زیست‌شناسی Novartis و همچنین گروه تحقیقات دارویی Amgen قرار دارد. بارزیلی قبلا توجهی جدی به آن ساختمان‌های آزمایشگاهی مملو از شیمی‌دان‌ و زیست‌شناس نداشت. البته، از زمانی‌که هوش مصنوعی و یادگیری ماشین، پیشرفت‌هایی شگرف در موضوعات پردازش تصویر و درک زبانی نشان دادند، او از خود پرسید: آیا می‌توان فرایندهای کشف داروهای جدید را نیز به‌کمک هوش مصنوعی بهبود بخشید؟
چالش اصلی در تحقیقات علمی و کشف و اختراعات، توانایی پایین انسان‌ها در اکتشاف است. درواقع، ما تنها توانایی بررسی و اکتشاف بخش کوچکی از علم را داریم. به‌عنوان مثالی در علم مواد، تخمین‌ها نشان می‌دهد که حدود ۱۰۶۰ نوع مولکول با ظرفیت‌های دارویی وجود دارند. آماری که از تعداد انواع اتم در منظومه‌ی شمسی نیز بیشتر است.
بررسی و تحلیل احتمالات تقریبا بی‌نهایت در دنیای علم، یکی از قابلیت‌های اصلی یادگیری ماشینی محسوب می‌شود. برنامه‌هایی که با پایگاه‌های داده‌ی بزرگ، پر از اطلاعات مولکول‌های متنوع، آموزش داده می‌شوند، توانایی تحلیل انواع ترکیب آن مولکول‌ها را خواهند داشت.
کشف دارو، یکی از پرهزینه‌ترین و دشوارترین فرایندهای علمی است. شیمی‌دان‌های حوزه‌ی داروشناسی، باید ترکیب‌های متعدد مولکولی را مورد آزمایش قرار دهند تا دارویی مناسب از آن‌ها استخراج شود. آن‌ها باید دانش خود را به‌کار بگیرند تا نحوه‌ی تأثیرگذاری ساختار مولکول‌ها بر ویژگی‌های فیزیکی و شیمیایی را تحلیل کنند. آن‌ها متغیرهای متعدد را در طول آزمایش‌های خود بررسی می‌کنند و عموما نیز با شکست مواجه می‌شوند.
تحقیقات سرطان
 
بارزیلی درباره‌ی روندهای مطالعاتی و کشف داروهای جدید توسط داروسازها می‌گوید:
 
    پیدا کردن ترکیب‌های مولکولی جدید، هنوز یک هنر است. چون شما با تعداد فراوانی احتمالات در مسیر آزمایش‌های خود روبه‌رو هستید. به‌هرحال، پیدا کردن داروهای بالقوه‌ی جدید، زمان زیادی می‌طلبد.
یادگیری عمیق، با سرعت بخشیدن به مرحله‌ی حیاتی بررسی ترکیب‌های مولکولی، فرصت‌های بسیار زیادی را برای شیمی‌دان‌ها فراهم می‌کند. درنتیجه، کشف دارو نیز سریع‌تر خواهد شد. یکی دیگر از مزیت‌های یادگیری ماشینی نیز، تصورات و مسیرهای فکری غیرمعمول آن است. یکی از همکارات بارزیلی به‌نام پرز اعتقاد دارد یادگیری ماشین شاید در مسیرهایی تفکر کند که انسان، به آن‌ها وارد نمی‌شود. درواقع، نحوه‌ی فکر کردن یک سیستم یادگیری عمیق، با انسان فرق دارد.
نحوه‌ی تفکر یک هوش مصنوعی،‌ با انسان‌ها متفاوت است
 
یکی دیگر از تلاش‌های دانشمندان هوش مصنوعی، استفاده از آن برای اختراع و ساخت محصولات فناوری پاک است. یکی از اهداف آن‌ها، ساخت باتری‌های بهتر برای ذخیره‌سازی نیرو در سلول‌های خورشیدی و خطوط انتقال برق ارگانیک است. نوآوری حاصل، قطعا ارزان‌تر از محصولات سیلیکونی کنونی در اکوسیستم فناوری خواهد بود.
 
دستاوردهای مهم و تأثیرگذار در حوزه‌های فوق، به‌خاطر پیچیده‌تر شدن علوم شیمی، مواد و داروسازی (در اثر افزایش شدید و پیچیده‌ی داده‌ها)، دشوارتر شده‌اند. برای اثبات این ادعا باید بگوییم با آنکه مؤسسه‌های گوناگون، سرمایه‌گذاری‌های عظیمی در اکتشافات دارو و مواد انجام داده‌اند، در سال‌های گذشته پیشرفت‌های کمی در کشف دارو و موارد دیگر داشته‌ایم. در حوزه‌ی فناوری نیز، ما هنوز از باتری‌های لیتیوم یونی استفاده می‌کنیم که در ابتدای دهه‌ی ۱۹۹۰ معرفی شدند. سلول‌های خورشیدی کنونی نیز هنوز از فناوری سیلیکونی استفاده می‌کنند که عمری نزدیک به ۱۰ سال دارد.
 
باتری

آجای آگراول، اقتصاددان مدرسه‌ی مدیریت Rotman در تورنتو و نویسنده‌ی کتاب پرفروش Predicting Machines اعتقاد دارد پیچیدگی‌هایی که موجب کاهش پیشرفت در زمینه‌های فوق شده‌اند، دقیقا محل برتری یادگیری عمیق هستند. جست‌وجو در فضاهای چندبعدی و نتیجه‌گیری و پیش‌بینی‌های باارزش، دقیقا نقطه‌ی مزیت هوش مصنوعی است.
 
اقتصاددان‌های دانشگاه‌های MIT، هاروارد و بوستون در مقاله‌ای ادعا کردند که ظرفیت اقتصادی اصلی هوش مصنوعی،‌ از توانایی آن در حوزه‌ی اختراع به‌دست خواهد آمد. آن‌ها، تغییر «طبیعت فرایندهای نوآورانه و ساختارهای تحقیق و توسعه» را به‌عنوان ظرفیت بالای فناوری هوش مصنوعی در دنیای نوآوری بیان کردند.
 
لاین کاک‌برن یکی از اقتصاددان‌های دانشگاه بوستون و نویسنده‌ی همکار مقاله‌ی فوق می‌گوید:
    روش‌های جدید و پرکاربرد نوآوری، با سرعت و شدت بالا پدید نمی‌آیند. به‌علاوه، اگر حدس ما صحیح باشد، هوش مصنوعی می‌تواند هزینه‌ی تحقیق و توسعه را در زمینه‌های گوناگون تغییر دهد.
    بخش زیادی از نوآوری، به پیش‌بینی‌های براساس داده وابسته است. در چنین مواردی، یادگیری ماشین می‌تواند در ابعادی بزرگ‌تر، فرایندها را سریع‌تر و ارزان‌تر انجام دهد.
در بیانی دیگر از استدلال‌های بالا، می‌توان پیش‌بینی کرد که دستاورد عظیم هوش مصنوعی، به خودروهای خودران، جستجوی تصویری یا حتی توانایی الکسا به انجام دادن دستورهای انسان‌ها، محدود نخواهد شد. درواقع، ظرفیت‌های این فناوری در پیدا کردن ایده‌های جدید برای تقویت نوآوری، شکوفا می‌شود./
آرکا حس خوب امنیت

مقاله ها مرتبط