به گزارش خبرنگار علم و فناوری ایسکانیوز؛ دمیس هاسابیس، مدیرعامل دیپمایند و جایزه نوبل شیمی در سال ۲۰۲۴، به تازگی در رویدادی با حضور نخست وزیر یونان صحبتهای جالبی در مورد آینده هوش مصنوعی کرده است.
جالب است بدانید که یونان جاهطلبیهای بسیاری دارد تا خود را به قطب منطقه فناوری تبدیل کند و از این رو، چند سالی است که از رشد استارتاپهای محلی حمایت میکند و برای مسیر پیشرفت خود مشوقها، سرمایهگذاری خطرپذیر و استفاده دولت از هوش مصنوعی در خدمات عمومی را کلید تداوم این حرکت میداند.
هاسابیس، که خانوادهاش ریشههایی در قبرس دارد، تأکید کرد اگر اروپا میخواهد در تعیین استانداردهای اخلاقی و فنی نقشآفرین باشد، باید در خط مقدم پژوهش هوش مصنوعی باقی بماند. او ترکیب تاریخ و زیرساختهای جدید یونان را بستری نمادین برای گفتوگو درباره آینده فناوری دانست.
دمیس هاسابیس فاش کرد که هوش مصنوعی میتواند به طور چشمگیری زمان کشف دارو را کوتاه کند و سالها پژوهش را به چند ماه کاهش دهد. زیرا مدلهای هوش مصنوعی دیپمایند فرایند شناسایی نامزدهای دارویی را سادهتر میکنند، دقت را افزایش میدهند و نرخ شکست را پایین میآورند. این تحول، نوید دسترسی سریعتر به درمانها، کاهش هزینهها و آغاز عصری تازه در پژوهشهای پزشکی مبتنی بر هوش مصنوعی را میدهد.
هوش مصنوعی بهسرعت در حال دگرگون کردن صنایع است و صنعت داروسازی یکی از مهمترین بهرهمندان آن خواهد بود؛ چراکه روش کشف، آزمایش و عرضه داروها به بازار را بازتعریف میکند. دمیس هاسابیس، مدیرعامل دیپمایند و برنده نوبل شیمی در سال ۲۰۲۴، در مصاحبهای با شبکه تلویزیونی بلومبرگ گفت که هوش مصنوعی میتواند زمان کشف دارو را بهشدت کاهش دهد؛ بهگونهای که پژوهشهای چند ساله را ظرف چند ماه به نتیجه برساند.
مدلهای پیشرفته دیپمایند با هدف سادهسازی شناسایی داروهای امیدبخش، بهبود طراحی مولکولی، افزایش دقت و کاهش نرخ بالای شکست که همواره گریبانگیر توسعه دارویی بوده، توسعه یافتهاند. این تحول میتواند دسترسی به درمانهای نوآورانه را سرعت بخشد، هزینه توسعه را پایین بیاورد، نتایج بیماران را بهبود دهد و عصری تازه از پژوهش پزشکی مبتنی بر محاسبات پیشرفته و مدلسازی پیشبینیکننده رقم بزند.
کشف دارو به شیوه سنتی شامل آزمایشهای طولانی در آزمایشگاه، کارآزماییهای بالینی وقتگیر و آزمون و خطای بسیار است که معمولاً ۱۰ تا ۱۵ سال از ایده تا عرضه به بازار طول میکشد.
هاسابیس میگوید: هوش مصنوعی میتواند این بازه زمانی را دگرگون کند. در چند سال آینده، امیدوارم که این زمان به چند ماه کاهش یابد، نه چند سال. حتی شاید سریعتر.
شرکت وابسته دیپمایند، Isomorphic Labs، با استفاده از هوش مصنوعی سیستمهای زیستی پیچیده را مدلسازی میکند، ساختارهای مولکولی را تحلیل و برهمکنشهای میان دارو و پروتئینها را پیشبینی میکند.
هاسابیس در مصاحبه با بلومبرگ تأکید کرد که هوش مصنوعی میتواند دادههای عظیم را بسیار سریعتر از پژوهشگران انسانی پردازش کند و در نتیجه، نامزدهای دارویی امیدبخش را ظرف چند هفته شناسایی کند، نه چند سال. این رویکرد شتابیافته نهتنها زمان را صرفهجویی میکند، بلکه باعث بهینهسازی تخصیص منابع میشود تا پژوهشگران روی مولکولهایی تمرکز کنند که بیشترین شانس موفقیت را دارند.
چگونه مدلهای پیشبینیکننده هوش مصنوعی نرخ شکست را کاهش میدهند
یکی از بزرگترین چالشها در کشف دارو، نرخ بالای شکست است. بسیاری از ترکیباتی که در مراحل اولیه امیدبخش به نظر میرسند، در مراحل بعدی به دلیل بیاثر بودن یا عوارض جانبی مضر، ناکام میمانند.
هاسابیس تأکید کرد که توانایی پیشبینی هوش مصنوعی میتواند این شکستها را به میزان چشمگیری کاهش دهد. مدلهای دیپمایند شبیهسازیهای دقیقی از تاخوردگی پروتئین و برهمکنشهای شیمیایی ارائه میدهند و به دانشمندان امکان میدهند پیشبینی کنند که مولکولها در بدن چگونه رفتار خواهند کرد. همچنین، هوش مصنوعی میتواند ساختارهای مولکولی جدیدی پیشنهاد دهد که روشهای سنتی قادر به شناسایی آنها نیستند و بدین ترتیب، دامنه درمانهای بالقوه گسترش مییابد.
نقش هوش مصنوعی در شتابدهی به توسعه دارو و گسترش دسترسی
هاسابیس در گفتوگو با بلومبرگ درباره پیامدهای گستردهتر کشف دارو با کمک هوش مصنوعی نیز توضیح داد. چرخههای توسعه سریعتر میتوانند پاسخگویی به همهگیریها، بیماریهای نوظهور و بحرانهای بهداشتی حیاتی را سرعت ببخشند. افزون بر این، هوش مصنوعی میتواند زمینهساز پزشکی شخصی شود و درمانها را متناسب با ویژگیهای ژنتیکی، متابولیسم و مشخصات بیماری هر فرد تنظیم کند. از سوی دیگر، افزایش بهرهوری و کاهش هزینهها میتواند دسترسی جهانی به داروها را بهبود دهد. این دموکراتیزه شدن پزشکی، بهویژه در کشورهای در حال توسعه که دسترسی به درمانهای پیشرفته محدود است، پیامدهای اجتماعی عمیقی خواهد داشت.
از آلزایمر تا سرطانهای نادر: هوش مصنوعی در خط مقدم
اگرچه هاسابیس در مصاحبه نام داروی خاصی را ذکر نکرد، اما تأکید کرد که مدلهای هوش مصنوعی هماکنون در حوزههای گوناگونی همچون بیماریهای نورودژنراتیو، اختلالات ژنتیکی نادر و بیماریهای مزمن به کار گرفته میشوند. مطالعات اولیه نشان میدهد که پیشبینیهای محاسباتی میتواند بار آزمایشگاهی را کاهش دهد و مسیرهای عملی برای کارآزماییهای انسانی فراهم کند.
برای نمونه، مدلسازی برهمکنش پروتئین-دارو میتواند ترکیباتی را شناسایی کند که از بروز خطا در تاخوردگی پروتئین در بیماریهایی چون آلزایمر جلوگیری کنند. همچنین، تحلیل مسیرهای مولکولی با هوش مصنوعی میتواند روند یافتن درمان برای سرطانهای نادر را که توسعه دارو برای آنها از نظر اقتصادی مقرونبهصرفه نیست، تسریع کند.
چالشهای کشف دارو با کمک هوش مصنوعی
با وجود تمام مزایا، کشف دارو مبتنی بر هوش مصنوعی خالی از چالش نیست. هاسابیس به چند نکته کلیدی اشاره میکند:
نظارت قانونی: پیشبینیهای تولید شده توسط هوش مصنوعی باید با دقت و سختگیری فراوان اعتبارسنجی شوند تا با استانداردهای جهانی تأیید دارو مطابقت داشته باشند.
نگرانیهای اخلاقی: تضمین ایمنی و عدالت در پیشنهادهای هوش مصنوعی اهمیت حیاتی دارد، بهویژه در زمینه درمانهای شخصیسازیشده.
نیاز به همکاری: اجرای موفق این فناوری مستلزم همکاری میان متخصصان هوش مصنوعی، زیستشناسان مولکولی، داروسازان و پزشکان است.
پرداختن به این چالشها برای ترجمه تواناییهای پیشبینی هوش مصنوعی به درمانهای واقعی، حیاتی خواهد بود.
سازگاری مهمتر از دانش
دمیس هاسابیس تأکید کرد که در سالهای آینده مهمترین مهارت، توانایی یادگیری مداوم خواهد بود. او آموزش را در حال گذار به دورهای توصیف کرد که در آن سازگاری بیش از دانش ثابت اهمیت دارد؛ زیرا سرعت پیشرفتهای هوش مصنوعی عمر تخصص را کوتاهتر کرده است.
هاسابیس گفت که کارگران آینده باید یادگیری را فرایندی دائمی بدانند، نه مرحلهای که با فارغالتحصیلی پایان مییابد. او به پیشرفتهای سریع در رایانش و زیستشناسی اشاره کرد و نشان داد که ورود ابزارهای هوش مصنوعی چگونه میتواند حوزهها را بهسرعت دگرگون کند.
چشمانداز فناوری
مدیر دیپمایند هشدار داد که «هوش مصنوعی عمومی» شاید چندان دور نباشد و احتمالاً ظرف یک دهه پدیدار شود؛ تحولی که به گفته او، میتواند تأثیری بزرگتر و سریعتر از انقلاب صنعتی داشته باشد. این تغییر میتواند به جهشهایی در پزشکی، انرژی پاک و اکتشافات فضایی منجر شود.
با این حال، او تأکید کرد که مدلهای قدرتمند باید پیش از استفاده گسترده با دقت آزمایش شوند. به باور او، رویه رایج عرضه سریع محصولات در موجهای فناوری گذشته نباید در مورد سیستمهایی تکرار شود که توان اثرگذاری بر اقتصادها و جوامع جهانی را دارند.
هشدار نخستوزیر یونان
کِریاکوس میتسوتاکیس، نخستوزیر یونان، که در آمفیتئاتر هرودس آتیکوس در کنار هاسابیس حضور داشت، هشدار داد که اگر دولتها نقش فعالتری برعهده نگیرند، نمیتوانند با سرعت رشد شرکتهای بزرگ همگام شوند. او گفت تمرکز منافع فناوری در دستان شمار اندکی از شرکتها، اعتماد عمومی را تضعیف میکند و به ثبات اجتماعی لطمه میزند.
او از تلاش یونان برای ساخت یک «کارخانه هوش مصنوعی» حول ابررایانهای جدید در لاوریو خبر داد و این پروژه را بخشی از راهبرد اروپا برای تبدیل مقررات و پژوهش به مزیت رقابتی و کاهش وابستگی به پلتفرمهای آمریکا و چین دانست.
آموزش و اشتغال
هر ۲ سخنران بارها به مساله مهارتها بازگشتند. هاسابیس گفت علاوه بر آموزشهای سنتی در علوم و ریاضیات، دانشجویان باید بیاموزند چگونه پیشرفت خود را پایش کنند و روشهایشان را تطبیق دهند. او یادآور شد که فرصتهای ارزشمند معمولاً در همپوشانی حوزهها پدید میآیند و هوش مصنوعی میتواند همچون معلمی خصوصی، کاوش در این پیوندها را تسهیل کند.
میتسوتاکیس هم چالش دولتها را هماهنگی نظام آموزشی با بازارهای کار متغیر دانست. او گفت اقتصاد یونان عمدتاً خدماتی است و همین شاید روند تغییرات را کندتر از کشورهایی با صنایع تولیدی سنگین کند، اما هشدار داد که از دست رفتن مشاغل، حتی در حوزههایی که پیشتر امن تلقی میشدند، اجتنابناپذیر است.
فشار بر دموکراسی
نخستوزیر نگرانی خود را از تهدیدهای هوش مصنوعی علیه انتخابات بیان کرد. او به دیپفیکها به عنوان خطری مستقیم برای اعتماد عمومی اشاره کرد و گفت اروپا شاید به مقررات سختگیرانهتری در توزیع محتوا نیاز داشته باشد. او همچنین از آسیبهای روانی ناشی از غرق شدن نوجوانان در شبکههای اجتماعی سخن گفت.
هاسابیس نیز موافق بود که تجربه شبکههای اجتماعی باید راهنمای تصمیمهای امروز باشد. او پیشنهاد کرد که هوش مصنوعی میتواند با پالایش اطلاعات، گفتوگو را گسترش دهد، نه محدود کند. او آیندهای را ترسیم کرد که در آن دستیارهای شخصی در خدمت منافع کاربران عمل میکنند و آنها را به سمت محتوایی سوق میدهند که به گفتوگویی سالمتر کمک کند.
پرسش درباره وفور
در بحث به این موضوع هم پرداخته شد که هوش مصنوعی میتواند عصر «وفور رادیکال» را رقم بزند. هاسابیس گفت پژوهش در حوزه پروتئین، انرژی و طراحی مواد نشان میدهد که دانش بهسرعت در حال گسترش است و این فناوری میتواند دروازه دسترسی به منابع عظیم را بگشاید. با این حال، او افزود که نحوه توزیع این ثروت به سیاستهای اقتصادی و تصمیمهای دولتها وابسته است، نه به الگوریتمها.
میتسوتاکیس هم یادآور شد که همانند انقلابهای صنعتی گذشته، اگر دستاوردهای بهرهوری تنها در اختیار شرکتهای بزرگ قرار گیرد، نظامهای بازنشستگی و برنامههای اجتماعی زیر فشار سنگینی قرار خواهند گرفت. او گفت سیاستگذاران باید برای دورهای از آشفتگی آماده باشند که سریعتر از حد انتظار فرا خواهد رسید.
آمادهسازی برای عصر بعدی
این گفتوگو با پیام مشترکی پایان یافت: جوامع به شهروندانی نیاز خواهند داشت که بتوانند در طول زندگی خود سازگار شوند و پیوسته بیاموزند. از نگاه هاسابیس، این سازگاری پایهایترین شرط برای حرکت در آیندهای است که هوش مصنوعی آن را شکل میدهد. و از نگاه میتسوتاکیس، وظیفه دولتها این است که مطمئن شوند این تغییرات ارزشهای دموکراتیک را تقویت میکند، نه تضعیف.
ادعای «هوش در سطح دکتری» یاوه است
دمیس هاسابیس همچنین گفت که ادعاهای برخی شرکتهای هوش مصنوعی مبنی بر ساخت سامانههایی با سطح هوش در حد دکتری «مزخرف» است.
او افزود: اغلب از زبان رقبا میشنوید که میگویند سیستمهای امروزی در سطح دکتری هستند. به نظر من این یاوه است. آنها دکتری نیستند. بعضی قابلیتهایشان ممکن است در سطح دکتری باشد، اما به طور کلی توانمند نیستند، و این دقیقاً همان چیزی است که از هوش عمومی انتظار میرود: توانایی انجام کارها در سراسر حوزهها در سطح دکتری.
این واکنش پس از آن مطرح شد که سم آلتمن، مدیرعامل OpenAI، هنگام رونمایی از GPT-5 گفته بود این مدل «در حد یک متخصص واقعی دکتری در هر حوزهای» عمل میکند و آن را «قدرتمندترین، باهوشترین، سریعترین، قابل اعتمادترین و پیشرفتهترین مدل استدلالی» نامیده بود.
اما هاسابیس تأکید کرد که سیستمهای فعلی هنوز فاصله زیادی با چنین سطحی دارند و گفت: همه ما میدانیم که اگر پرسشها را به شکلی خاص مطرح کنیم، همین چتباتهای امروزی حتی در ریاضی دبیرستانی یا شمارش ساده دچار اشتباه میشوند. این برای یک AGI واقعی نباید امکانپذیر باشد. بهنظر من، ما هنوز پنج تا ۱۰ سال تا ساخت سامانهای که بتواند چنین کارهایی انجام دهد فاصله داریم.
او همچنین گفت این سیستمها هنوز قادر به یادگیری مداوم مانند انسانها نیستند. چیزی که غایب است یادگیری پیوسته است؛ اینکه بتوان به صورت آنلاین چیزی جدید به سیستم آموزش داد یا رفتار آن را تغییر داد. بسیاری از این قابلیتهای بنیادی هنوز وجود ندارند. شاید مقیاسبندی بتواند ما را به آنجا برساند، اما اگر بخواهم شرطبندی کنم، احتمال میدهم هنوز یک یا ۲ نوآوری اساسی لازم است که طی پنج سال آینده به دست خواهد آمد.
هرچند مدلهای مدرن مانند GPT-5، Grok 4 و Gemini 2.5 Pro بسیار قدرتمند هستند، مدال طلای المپیاد ریاضی میگیرند و بهتر از بسیاری از انسانها کدنویسی میکنند، اما همچنان در کارهای ساده لغزش دارند. این مدلها نمیتوانند ساعت آنالوگ بخوانند، تصویر انسان با ساعت در دست چپ ترسیم کنند یا معماهای ساده را حل کنند. چنین هوش «دندانهداری» ــ فوقالعاده قوی در برخی وظایف و بسیار ضعیف در برخی دیگر ــ نشان میدهد که این سامانهها هنوز در سطح دکتری نیستند؛ هیچ فرد دکتری وجود ندارد که نتواند ساعت بخواند. همانطور که هاسابیس تصریح کرده است، اطلاق «سطح دکتری» به هوش مصنوعی کنونی، در بهترین حالت شتابزده و در بدترین حالت صرفاً یک ترفند بازاریابی است.
انتهای پیام/
نظر شما