دمیس هاسابیس در فوریهی ۲۰۲۶ روی صحنهی اجلاس هوش مصنوعی هند، از طرحی صحبت کرد که خیلی دور از ذهن به نظر میرسید. مدیرعامل وقت گوگل دیپمایند پیشنهاد کرد یک مدل زبانی بزرگ را فقط با دانشی آموزش دهند که بشر تا سال ۱۹۱۱ در اختیار داشت. سپس ماشین را مقابل یکی از سختترین ماموریتهای تاریخ علم بگذارند و ببینند آیا میتواند نظریهی نسبیت عام را دوباره کشف کند.
هاسابیس چنین آزمایشی را معیاری احتمالی برای سنجش هوش مصنوعی عمومی یا AGI میدانست؛ مفهومی همچنان مبهم که شرکتهای بزرگ فناوری آن را مقصد نهایی رقابتهایشان میدانند.
آموزش مدل در مرز سال ۱۹۱۱ متوقف میشد و معادلات نهایی اینشتین، آزمایشهای بعدی و تمام توضیحاتی که طی یک قرن برای فهم نسبیت نوشته شدهاند، بیرون از مجموعهی آموزشی میماندند. ماشین باید ادامهی راه را با دانش همان دوره پیدا میکرد.
خلاصه صوتی
خلاصه صوتی، ساختهشده با هوش مصنوعی
آلبرت اینشتین چهار سال پس از تاریخ پیشنهادی هاسابیس، معنای گرانش را تغییر داد. گرانش در فیزیک نیوتنی نیرویی بود که اجرام بر یکدیگر وارد میکردند؛ در نسبیت عام، جرم و انرژی بافت فضا-زمان را خم میکنند و همین انحنا مسیر حرکت ماده و نور را شکل میدهد. نظریهی جدید بعدها پایهی مطالعهی سیاهچالهها، کیهانشناسی و امواج گرانشی شد و اصلاحاتش امروزه حتی در GPS کاربرد دارد.
آزمون هاسابیس به همین دلیل از حل مسائل دشوار فیزیک فراتر میرود. هوش مصنوعی باید راه جدیدی برای توصیف جهان پیدا کند. کاملکردن محاسبه به مهارت نیاز دارد و تغییر صورتمسئلههای زمانه، شهود و خلاقیتی نبوعآمیز میخواهد. اینشتین تصور فیزیکدانان از فضا، زمان و گرانش را متحول کرد.
اوین ایوانز، پژوهشگر مؤسسهی غیرانتفاعی Truthful AI، چند ماه پیش از سخنرانی هاسابیس ایدهای مشابه را مطرح کرده بود. مدلهای «تاریخی» از ابتدا فقط اسنادی را میخوانند که تا تاریخی مشخص منتشر شدهاند. سپس پژوهشگران از آنها میخواهند کشفهای سالهای بعد را پیشبینی یا بازسازی کنند.
چند گروه پژوهشی اکنون ساخت چنین ماشینهای زمانی را کلید زدهاند، اما نتایج اولیه نشان میدهد حتی خود آزمایشها چقدر دشوارند. پاککردن آینده از حافظهی مدل به کنترل میلیاردها قطعه متن و تاریخ انتشارشان نیاز دارد و تازه پس از این مرحله، به سؤال سختتری میرسیم مبنی بر اینکه چه زمانی پاسخ درست، واقعاً کشف محسوب میشود؟
خط باریک میان حافظه و درک واقعی؛ چالش اصالت در کشف علمی
سال ۲۰۲۵ گروهی از پژوهشگران آزمون اینشتین را دقیقتر تعریف کردند: «تمام اطلاعات موجود پیش از یک دستاورد بزرگ علمی را در اختیار ماشین بگذارید و ببینید آیا میتواند به طور مستقل همان دستاورد یا نتیجهای معادلش را تولید کند.» نویسندگان، موفقیت در چنین آزمونی را همتراز با یکی از بزرگترین دستاوردهای فکری بشر میدانند.
دستیابی به پاسخ درست از طریق حافظه، هرگز به معنای کشف مستقل علمی نیست
وقتی واژهی مستقل به میان میآید، دیگر آزمایشکردن مدل چندان ساده نیست. شاید مدل معادلات نسبیت را از متنی با تاریخ اشتباه یا توضیحی غیرمستقیم بهخاطر سپرده باشد. شاید پژوهشگران با انتخاب چند مقدمهی راهنما، مسیر پاسخ را قدمبهقدم پیش پایش چیده باشند.
هر دو مسیر میتوانند به جوابی درست برسند، اما این جواب هنوز نشان نمیدهد مدل خودش به طور مستقل مسئله را حل کرد است. شاید پاسخ به لطف حافظهی مدل بهدستآمده باشد، یا شاید با دنبالکردن سرنخهای پژوهشگران.
مشخصاً اگر پژوهشگران یک مدل امروزی را انتخاب کنند و بخواهند او زندگی در سال ۱۹۱۱ را تصور کند، آزمایش از همان ابتدا مخدوش میشود. اطلاعات آینده هنگام آموزش در میلیاردها پارامتر مدل رسوب کردهاند و پاککردنشان به ساخت مدلی جدید نیاز دارد. مجموعهی آموزشی چنین مدلی هم باید کاملاً به اسناد همان دوره محدود بماند.
مرز دستکاری دادهها و خلاقیت واقعی ماشین، بزرگترین چالش این آزمایش محسوب میشود
اگر از همان ابتدا سرنخهایی مثل اصل همارزی، آزمایش ذهنی آسانسور یا هندسهی خمیده را در اختیار مدل بگذاریم، بخش بزرگی از مسیر حل را خودمان برایش مشخص کردهایم. مدل در چنین آزمایشی بیشتر قطعات آماده را کنار هم میگذارد. آزمون سختتر زمانی شکل میگیرد که مدل فقط با مسئلهها، مشاهدات و دانشی روبهرو شود که در اختیار فیزیکدانان آن دوره بود و خودش تصمیم بگیرد از کدام مسیر جلو برود.
حتی اگر حافظه و راهنمایی پژوهشگران را کنار بگذاریم، مسئلهی سختتری باقی میماند. یک دانشمند چطور از چند مشاهدهی پراکنده به ایدهای نو میرسد؟ تام زهاوی پژوهشگر گوگل دیپمایند برای توضیح این فرایند، سراغ طرح کوچکی میرود که اینشتین سالها پیش در نامهای برای یکی از دوستانش کشیده بود.
از استقرا تا فرضیهپردازی؛ چرا هوش مصنوعی به جهش اینشتینی نمیرسد؟
اینشتین سالها پیش در نامهای به موریس سولووین، تصورش از مسیر کشف علمی را با یک طرح ساده نشان داده بود. پایین تصویر، تجربهها و مشاهدههای ما از جهان قرار داشتند و بالاتر، اصول و مفاهیمی که دانشمند برای توضیح آنها میسازد.
اینشتین میان این دو خطی بلند کشیده بود؛ جهشی از آنچه میبینیم به ایدهای که میتواند توضیحش دهد. بعدازاین جهش، کار منظمتر میشد؛ دانشمند از اصل جدید نتیجه و پیشبینی درمیآورد و آنها را دوباره با تجربه میسنجید.
تام زهاوی، پژوهشگر گوگل دیپمایند، با کمک همان طرح سه راه متفاوت برای رسیدن به پاسخ را توضیح میدهد. راه اول یعنی استنتاج، از یک قانون شناختهشده آغاز میشود و پیامد را حساب میکند. مثلاً اگر فیزیکدان قوانین حرکت و موقعیت فعلی یک سیاره را بداند، میتواند مسیر آیندهی آن را محاسبه کند.
راه دوم یا استقرا، یعنی از چندین نمونه به یک قاعدهی کلی برسیم. پژوهشگر حرکت تعداد زیادی سیاره را مشاهده میکند و از میان آنها الگویی پیدا میکند که بتواند رفتار همه را توضیح دهد. بخش بزرگی از یادگیری ماشین هم به همین شکل پیش میرود. مدلها میان حجم عظیمی از دادهها الگو پیدا میکنند و نمونهی بعدی را حدس میزنند.
فهمیدن قوانین موجود ساده است؛ ساختن چارچوب فکری جدید به کشف واقعی منجر میشود
راه سوم زمانی لازم میشود که چیزی با انتظار ما جور درنمیآید. پژوهشگر با مشاهدهای روبهرو میشود که قانونهای فعلی بهخوبی توضیحش نمیدهند و برای آن توضیح یا چارچوبی تازه پیشنهاد میکند. به این فرایند «فرضیهپردازی» یا استدلال ربایشی میگویند. حدس اولیه بعد باید پیشبینیهایی بسازد که بتوان آنها را با مشاهده و آزمایش سنجید.
همانطور که زهاوی میگوید، ما پیشرفت هوش مصنوعی در استقرا و استنتاج را دیدهایم. مدلها میتوانند از میان حجم عظیمی از دادهها الگو پیدا کنند، از چند فرض به نتیجه برسند و حتی زنجیرههای طولانی اثبات را پیش ببرند. بخش دشوارتر زمانی آغاز میشود که یک مشاهده با توضیحهای موجود جور درنمیآید و باید برای آن، ایده یا اصلی تازه پیدا کرد.
داستان نسبیت عام نمونهی خوبی از همین مسئله بود. در آغاز قرن بیستم، فیزیک نیوتنی هنوز بسیاری از پدیدهها را با دقت بسیار بالا توضیح میداد. بااینحال، حرکت عطارد کاملاً با پیشبینیها جور درنمیآمد. یکی از توضیحهای رایج این بود که شاید سیارهای ناشناخته به نام وولکان روی مدار عطارد اثر میگذارد.
اینشتین با تغییر دادن صورتمسئله جهان را دگرگون کرد، نه فقط با محاسبات
چنین پاسخی قوانین قبلی را دستنخورده نگه میداشت و فقط یک عضو تازه به منظومهی شمسی اضافه میکرد. ولی خمیدهدانستن فضا-زمان تقریباً تمام شهود رایج دربارهی جهان را به چالش میکشید.
اینشتین راه دشوارتر را انتخاب کرد. اصل همارزی، مسئلهی دستگاههای شتابدار و تنش میان گرانش نیوتنی و فیزیک میدانها او را به چارچوبی متفاوت بردند. آزمایش ذهنی آسانسور رابطهی میان شتاب و گرانش را قابلتصور کرد؛ سپس معادلات شکل گرفتند و شواهد تجربی از راه رسیدند.
البته نسبیت عام بر میراث فکری ماکسول، لورنتس، ماخ، ریمان و بسیاری دیگر بنا شد و معمولاً هر کشف علمی از دانستههای قبلی تغذیه میکند. تفاوت اصلی به کاری برمیگردد که پژوهشگر با همان دانستهها انجام میدهد.
پژوهشگران برای سنجش همین توانایی در هوش مصنوعی، جهانی مصنوعی ساختند و از مدلها خواستند فقط با نگاهکردن به حرکت سیارهها، قانونی را پیدا کنند که رفتار آن جهان را توضیح دهد.
تا ببینند ماشین از پشت حرکت سیارهها چه قانونی بیرون میکشد.
توهم فهم؛ وقتی مدلها الگوها را میشناسند اما قوانین بنیادین را درک نمیکنند
سندهیل مولینیتن، اقتصاددان و دانشمند علوم کامپیوتر در MIT، همراه با کیون وفا و دو پژوهشگر دیگر چند منظومهی مصنوعی ساختند. سیارههای این جهانها طبق مکانیک نیوتنی حرکت میکردند. سپس یک مدل را با مسیر سیارهها آموزش دادند و از آن خواستند حرکت بعدی هر جرم را پیشبینی کند.
یشبینی دقیق مسیر سیارات الزاماً به معنای درک قوانین فیزیک نیست
مدل از پس مأموریتش بهخوبی برآمد. کافی بود بخشی از مسیر یک سیاره را ببیند تا ادامهی حرکتش را با دقت پیشبینی کند. اما پژوهشگران پرسش دیگری داشتند. آیا ماشین از پشت تمام مدارها، قانون مشترک حرکتشان را هم پیدا کرده بود؟
گروه برای فهمیدن این موضوع، مدل را با موقعیتهایی تازه روبهرو کردند. اگر مدل واقعاً قانون حرکت را یاد گرفته بود، باید میتوانست همان قانون را در شرایط جدید هم به کار ببرد؛ درست مثل دانشمندی که پس از فهمیدن یک اصل، از آن برای حل مسئلهای تازه استفاده میکند.
نتیجه پژوهشگران را غافلگیر کرد. مدل بهجای رسیدن به یک قانون عمومی، برای هر منظومه قاعدهای جداگانه ساخت. ماشین پیشبینی مدارها را آموخته بود، اما پشت این پیشبینیها یک توضیح مشترک برای حرکت همهی سیارهها وجود نداشت.
مدلها اغلب نقشهبرداران خوبی هستند، اما ساختار کلی شهر را درک نمیکنند
تفاوت توضیح مشترک و قاعدهی جداگانه را میتوانیم به دو نوع نقشه تشبیه کنیم. نقشهی اول فقط مسیرهایی را که قبلاً طی کردهایم بهخاطر میسپارد و بر اساس همان تجربه، پیچ بعدی را حدس میزند. نقشهی دوم ساختار شهر را به ما نشان میدهد؛ به همین دلیل حتی در خیابانی که قبلاً ندیدهایم هم میتوانیم مسیرمان را پیدا کنیم. مدل سیارهها بیشتر شبیه نقشهی اول عمل میکرد.
آزمایش وفا و همکارانش نشان داد پیشبینی دقیق و فهمیدن یک قانون، با هم فاصله دارند. مدل میتواند با الگویی آماری پاسخ دقیقی بدهد، درحالیکه فهم علمی به قانونی عمومی و قابلانتقال نیاز دارد. اما دستاوردهای تازهی هوش مصنوعی در ریاضیات نشان میدهد ماجرا به همین سادگی هم تمام نمیشود.
جرقههای نوآوری ترکیبی؛ حل معماهای ریاضی بدون تغییر چارچوب جهان
ماه می ۲۰۲۶ یک مدل داخلی OpenAI با یافتن مثال نقضی برای حدسی ۸۰ساله، ریاضیدانان را غافلگیر کرد. پل اردوش در سال ۱۹۴۶ پرسیده بود اگر تعدادی نقطه روی صفحه بگذاریم، چند جفت از آنها میتوانند دقیقاً یک واحد با یکدیگر فاصله داشته باشند؟
اردوش حدس میزد تعداد چنین جفتهایی فقط اندکی سریعتر از تعداد نقاط رشد میکند. مدل OpenAI آرایشی پیدا کرد که از مرز پیشبینیشده عبور میکرد و همان یک آرایش حدس را رد کرد. گروهی از ریاضیدانان برجسته بعداً استدلال را بررسی کردند و نسخهای کوتاهتر و قابلفهم برای انسان نوشتند.
مولینیتن دستاورد مدل را پیشرفتی مفهومی و واقعی میخواند. ماشین چند ایده از شاخههای مختلف ریاضیات را به هم وصل کرد و به ترکیبی رسید که پژوهشگران پیشتر ندیده بودند. وقتی ریاضیدانان راهحل را بازسازی کردند، دیدند ابزارهای اصلی راهحل سابقه دارند. خلاقیت مدل در شیوهی پیوند دادن همان ابزارها بود.
شکستن حدسهای ریاضی اثبات کرد ماشینها خلاقاند، اما تا سطح اینشتین فاصله دارند
بااینحال فاصلهی چنین کاری با جهش اینشتین هنوز زیاد است. مدل از ایدههای شناختهشده ترکیب جدیدی ساخت، اما نسبیت عام چارچوب توضیح جهان را تغییر داد؛ از فضا و زمان گرفته تا معنای گرانش. البته مرز میان ترکیب و ابداع همیشه روشن نیست. دانشمندان انسانی هم تقریباً همیشه از دانستهها و مسئلهها و ابزارهای نسلهای قبل شروع میکنند.
ریاضیات مزیت بزرگی برای سنجش خروجیهای ماشین دارد، چون نتیجههایش را میتوان دقیق بررسی کرد. یک مثال نقض یا حدس را رد میکند یا استدلالش جایی دچار مشکل میشود و پژوهشگران میتوانند مسیر اثبات را قدمبهقدم بررسی کنند.
در حوزهی فیزیک کار سختتر میشود، زیرا گاهی دو نظریه دادههای موجود را یکسان توضیح میدهند و تفاوتشان فقط با آزمایشی آشکار میشود که ساختن ابزارش سالها طول میکشد.
اما پیش از رسیدن به چنین آزمایشی، پژوهشگران با مشکل بنیادیتری روبهرو هستند. آنها باید مدلی بسازند که واقعاً فقط دانش یک دورهی تاریخی مشخص را در اختیار داشته باشد. همین شرط، اجرای آزمون اینشتین را بسیار سخت میکند.
چگونه آینده را از حافظهی مدل پاک کنیم؟
مایکل هلا، پژوهشگری مستقل در سانفرانسیسکو، تصمیم گرفت نسخهای واقعی از آزمون را بسازد. او پروژهاش را «ماشینا میرابیلیس» نامید؛ اشارهای به سال معجزهآسای ۱۹۰۵ که اینشتین چهار مقالهی مهم خود را منتشر کرد. هلا مدلی زبانی را فقط با متون پیش از سال ۱۹۰۰ آموزش داد و سپس آن را بهسوی مکانیک کوانتومی و نسبیت فرستاد.
مدل برای نزدیکشدن به مقصد از راهنمایی هلا کمک گرفت. پژوهشگر در یک آزمایش، مشاهدات مربوط به اثر فوتوالکتریک را در اختیارش گذاشت؛ پدیدهای که نور طی آن الکترونها را از سطح فلز جدا میکند. مدل پیشنهاد کرد نور به تکانههایی جداگانه تقسیم میشود؛ عبارتی نزدیک به تصور بستههای مجزای انرژی.
حتی یک جفت تاریخ اشتباه در دادهها، کل آزمون تاریخی ماشین را مخدوش میکند
آزمایش دیگری مدل را وارد آسانسور خیالی اینشتین کرد. مسافری در اتاقکی بسته نیرویی را روی بدنش احساس میکند و تجربهی داخل اتاقک میتواند از گرانش یا شتاب آسانسور سرچشمه بگیرد. مدل از همین تصویر به نزدیکی اصل همارزی رسید و گرانش و شتاب را در ناحیهای کوچک همارز توصیف کرد.
هلا پاسخها را نشانههایی از شهود میدانست، اما میان چنین جرقههایی و کشفی در ابعاد نسبیت فاصلهی زیادی وجود داشت. بسیاری از مسیرها به بنبست میرسیدند و مدل گاهی جملههایی با ظاهر کاملاً علمی تولید میکرد که پشت آنها تصویر منسجمی از جهان دیده نمیشد. سرنخهای تعیینکننده نیز از سوی پژوهشگر وارد گفتوگو شده بودند.
حتی ساختن ماشین زمان هلا هم از همان مرحلهی آمادهکردن کتابخانه دردسر داشت. بسیاری از کتابهای قرن نوزدهم با اسکن و نرمافزار تشخیص متن دیجیتالی شدهاند. مدل باید از میان فرمولهای شکسته، حروف اشتباه، صفحهآرایی قدیمی و انگلیسی نامأنوس فیزیک میآموخت. ماشین زمان به نسخهای مخدوش از گذشته سفر کرده بود.
در پروژهای دیگر سه محقق به نامها نیک لوین، دیوید دوونو و الک ردفورد، مدلی ۱۳ میلیارد پارامتری به نام Talkie-1930 را توسعه دادند. تاکی حدود ۲۶۰ میلیارد قطعهی متن از کتابها، روزنامهها، مجلات علمی، پتنتها و اسناد حقوقی منتشرشده تا پایان ۱۹۳۰ خواند.
مزیتش این بود که از ابتدای ۲۰۲۶، کپیرایت آثار منتشرشده در سال ۱۹۳۰ در آمریکا منقضی و استفاده از آنها آزاد شد. ولی باوجود تمام مراقبتها، بازهم دیوار زمانی تاکی ترک برداشت. تاریخ دقیق بعضی اسناد مشخص نبود و اطلاعات سالهای بعد از همین شکافها وارد دادههای آموزشی شد.
تاکی به سؤالات مربوط به رئیسجمهوری روزولت پاسخ درست میداد، درحالیکه ریاستجمهوری او از سال ۱۹۳۳ آغاز شد؛ سه سال پس از پایان ظاهری حافظهی مدل. حتی نشتهای کوچک اطلاعات هم کل آزمایش را به هم میریزند. یک پاراگراف با تاریخ اشتباه میتواند چیزی که شبیه کشف تازه به نظر میرسد، به خاطرهای پنهان از آینده تبدیل کند.
ساخت ماشین زمانی که واقعاً آینده را فراموش کرده باشد، دستکم از کشف علمی ندارد
پژوهشگران باید تاریخ و منشأ تقریباً تمام دادههای آموزشی را بدانند و وقتی مدلی صدها میلیارد قطعه متن را خوانده باشد، انجام چنین کاری بیش از حد سخت میشود.
نیک لوین میگوید مدلهای تاریخی برای پیشبینیهای کوتاهمدت هم مفیدند. مثلاً پژوهشگران میتوانند آموزش مدل را در ژانویه متوقف کنند و بعد ببینند آیا کشف ماه ژوئن را پیشبینی میکند. هرچه فاصلهی زمانی کوتاهتر باشد، کنترل دادهها سادهتر میشود و پژوهشگران راحتتر میتوانند آزمایش را دوباره اجرا کنند.
تیم دانشگاه زوریخ همین مسیر را با مدلهای سری Ranke-4B دنبال میکند، خانوادهای که در سالهای ۱۹۱۳، ۱۹۲۹، ۱۹۳۳، ۱۹۳۹ و ۱۹۴۶ متوقف میشوند و هر مدل فقط جهان را تا همان تاریخ میشناسد. دنیل گوتلیش، یکی از اعضای گروه، هدف فعلیشان را پیداکردن جرقههای نبوغ میداند؛ نشانههای کوچکی که نشان دهند مدل گاهی میتواند یکقدم از دانستههای دورهی خودش جلوتر برود.
پاکی دادهها فقط اصالت یک پیشنهاد را روشن میکند. آزمون بعدی باید ارزش علمی آن را بسنجد. از میان صدها حدس تازه، کدامیک ارزش سالها محاسبه، آزمایش و هزینه را دارد؟ همین انتخاب، ماشین را به یکی از انسانیترین بخشهای علم میرساند.
پاکبودن دادهها فقط اولین چالش را حل میکند، اینکه مدل واقعاً خودش ایدهای را پیشنهاد میدهد یا کشفیاتش از دادههای آموزشی نشئت میگیرد. در مرحله بعد تازه به این سؤال میرسیم که از میان صدها حدس جدید، کدامیک آنقدر ارزش دارد که پژوهشگران سالها وقت، محاسبه و هزینه صرفش کنند؟
نوآوری آسان است؛ انتخاب ایدهی ارزشمند دشوار
جیکوب آندریاس، دانشمند علوم کامپیوتر در MIT، تصور میکند مدلهای زبانی شاید بتوانند نظریهای در ابعاد نسبیت ارائه دهند. یک مدل بزرگ میتواند صدها توضیح برای مجموعهای از مشاهدات بسازد و شاید میان آنها چارچوبی معادل نسبیت عام هم پیدا شود. ولی کدام ایده ارزش دنبالکردن دارد؟
نویسندگان مقالهی «آیا هوش مصنوعی میتواند راه اینشتین را ادامه دهد؟» چنین داوریای را «سلیقهی علمی» مینامند. پژوهشگر باتجربه از میان انبوه فرضیهها، مسیری را انتخاب میکند که هم پیامد مهمی داشته باشد و هم بتوان آن را آزمود. تجربه، شناخت تاریخ علم و محدودیتهای عملی کمک میکنند بسیاری از مسیرهای کمثمر خیلی زود کنار بروند.
«سلیقه علمی» همان حلقه مفقودهای است که هوش مصنوعی را از دانشمند واقعی جدا میکند
اینشتین هم برای توضیح حرکت عطارد میتوانست پارامترهای جدیدی به نظریه نیوتون اضافه کند یا نظریهی ولکان را بپذیرد. ولی او فرضیهی سختتری را دنبال کرد. اهمیت کارش فقط معرفی ایدهای عجیب نبود؛ او سالها فرضیه گرانش و هندسهی فضا-زمان را دنبال کرد، پیامدهایش را سنجید و راههایی برای آزمودنش یافت.
مدلهای زبانی میتوانند هزاران حدس تازه تولید کنند، اما زیادکردن تعداد حدسها مسئله را حل نمیکند. ماشین باید تشخیص دهد کدام حدس ارزش پیگیری دارد. خواندن متن فقط بخشی از مواد لازم را برای پرورش چنین تواناییای فراهم میکند.
علم در کتابها ثبت میشود، اما دربارهی جهان واقعی حرف میزند. مدلی که بتواند آزمایش پیشنهاد کند، نتیجه را ببیند و بر اساس آن مسیر استدلالش را تغییر دهد، یکقدم از خواندن آرشیو علم فراتر میرود.
از آرشیوخوانی تا بازتعریف مسئله؛ ورود ماشین به چرخه آزمایشهای واقعی
سالها پیش ماریو کرن، فیزیکدان و پژوهشگر هوش مصنوعی برنامهای به نام MELVIN ساخت تا اجزای آزمایشهای اپتیک کوانتومی را به شکلهای مختلف کنار هم قرار دهد. الگوریتم هزاران آرایش را امتحان میکرد و بعضی طرحهایی که پس از کنارگذاشتن آرایشهای کمفایده باقی میماندند؛ برای فیزیکدانان عجیب بودند، اما از نظر فیزیکی کار میکردند. پژوهشگران از همین خروجیها به روشهای جدیدی برای دستکاری حالتهای کوانتومی رسیدند.
ماشینها از خواندن متون فراتر رفتهاند و حالا خودشان آزمایشهای فیزیکی را هدایت میکنند
نسل جدید ابزارهایی مثل ملوین، دامنهای بسیار وسیعتر را جستوجو میکنند. امروز هوش مصنوعی میتواند آزمایشی را پیشنهاد دهد، رباتها آن را اجرا کنند، ابزارها نتیجه را اندازه بگیرند و مدل با دادهی جدید سراغ آزمایش بعدی برود. بهاینترتیب، ماشین از خواندن متون علمی فراتر میرود و حدسش را مستقیماً در برابر طبیعت میآزماید.
ولی هنوز انسانها مسئله و معیار موفقیت را تعیین میکنند. پیداکردن بهترین آزمایش برای هدفی مشخص، با کاری که اینشتین انجام داد تفاوت دارد. جهشی در آن اندازه شاید زمانی رخ دهد که ماشین بتواند خود مسئله را بازتعریف کند و از نتیجهای خلاف انتظار، چارچوب تازهای برای فهم جهان بسازد.
قبولی در آزمون اینشتین چه شکلی خواهد داشت؟
به عقیدهی هاسابیس آزمون اینشتینیعنی ماشینی با دانش سال ۱۹۱۱ بتواند به کشفی در اندازهی نسبیت عام سال ۱۹۱۵ برسد. اما پژوهشگرانی که راه طولانی تستها و توسعهها را پیمودهاند، معیار قبولی در این آزمون را تحویلگرفتن چند معادلهی درست نمیدانند.
مدل باید با دادههای بستهی گذشته آموزش ببیند و مسیر کشف را با مسئلهها، مشاهدات و ابزارهای فکری همان دوره پیدا کند.
شاید اولین ماشینی که آزمون اینشتین را با موفقیت پشت سر میگذارد؛ مسیری را طی کند که هیچ شباهتی به روشهای شناختهشدهی انسانی ندارد. اما نظریهی ماشین هم درست مثل انسان باید پدیدهها را توضیح دهد، پیشبینیهای قابلسنجش ارائه کند و بررسیهای دقیق هم نشان دهند که این کشف محصولِ نشت دادههای آینده یا دستکاری ناپیدای پژوهشگران نیست.
ارزش کشف هوش مصنوعی زمانی مشخص میشود که نظریه از پشت نمایشگر بیرون بیاید و دست به پیشبینی جسورانهای بزند؛ بعد اگر جهانِ واقعی هم همان پاسخی را بدهد که ماشین انتظار دارد، آزمون به پایان میرسد.
