الذكاء الاصطناعي في العلم: لماذا لم تستحق الشبكات العصبية المعطف الأبيض بعد

لنكن صريحين: بينما ننشغل بالحماسة لنموذج لغوي جديد كتب شيفرة برمجية أو نظم قصيدة، فإن الأمور في المختبرات الحقيقية ليست وردية إلى هذا الحد. هناك اتجاه رائج يُعرف بالذكاء الاصطناعي للعلوم، أو AI4S (AI for Science)، كان من المفترض أن يقلب تصورنا للكيمياء والفيزياء والأحياء. لكن عند التدقيق، تبدو النماذج «الذكية» الحالية بعيدة جدًا عن أن تُسمّى علماء بالمعنى الكامل. إنها أقرب إلى طلاب واسعي الاطلاع حفظوا مكتبة كاملة، لكنهم يتجمدون حين يُوضع في أيديهم أنبوب اختبار.

بدأ كل شيء مع الموجة الأولى التي تُسمّى اليوم AI4S 1.0. وكان بطلها AlphaFold من Google DeepMind. فقد نجح ببراعة في التنبؤ ببنية البروتينات، وكان ذلك اختراقًا حقيقيًا. غير أن هنا مكمن المأخذ: لقد كان انتصارًا للقوة الحسابية الغاشمة وللتعرف على الأنماط. فقد عثر النموذج على قوانين مطّردة في كمّ هائل من البيانات جمعها البشر على مدى عقود. هذا إنجاز رائع، لكنه ليس علمًا بالمعنى الكلاسيكي تمامًا. فالعلم ليس بحثًا عن التطابقات فحسب، بل هو فهم لسبب عمل العالم على هذا النحو لا غيره.

تكمن المشكلة الرئيسية في النماذج الرائدة الحالية في أنها تعيش في عالم الكلمات والبكسلات، لا في عالم الذرات والقوى. ويصف العلماء ذلك بغياب فهم «المبادئ الأولى». فحين تطلب من الذكاء الاصطناعي تصميم مادة جديدة، يبدأ بدمج البيانات المعروفة لديه. لكنه لا يستشعر قوانين الديناميكا الحرارية أو ميكانيكا الكم كما يستشعرها الفيزيائي. والنتيجة هلوسات تبدو كأنها أوراق علمية، لكنها تنهار عند أول محاولة للتحقق منها في الواقع. فالنماذج ببساطة لا تعرف كيف تستدل ضمن قيود فيزيائية صارمة.

تسعى الصناعة الآن بشيء من التخبط إلى إيجاد طريق نحو AI4S 2.0. وهذا لم يعد مسألة «مزيد من البيانات» أو «مزيد من بطاقات الرسوميات». إنه يتعلق بتغيير بنية تفكير الآلات نفسها. نحتاج إلى ما يسميه الصينيون «الذكاء العلمي»، أي أنظمة «مضمَّنة» فيها القوانين الفيزيائية منذ البداية. تخيّل شبكة عصبية لا تستطيع إخراج إجابة تخالف قانون حفظ الطاقة، لا لشيء إلا لأن بنيتها الرياضية لا تسمح بذلك. هذا تحول جذري من التخمين الاحتمالي إلى الاستنتاج الاستنباطي.

علاوة على ذلك، يتطلب العلم الحقيقي الاستقلالية. فنحن نتجه نحو مفهوم «المختبرات المغلقة»، حيث لا يكتفي الذكاء الاصطناعي بتقديم النصائح، بل يخطط التجربة بنفسه، ويدير الأذرع الروبوتية، ويصحح نظريته، وهذا أهم ما في الأمر، بناءً على إخفاقاته. أما نماذج LLM الحالية فتكره الوقوع في الخطأ وتحاول إرضاء المستخدم. بينما يعرف العالم الحقيقي أن النتيجة السلبية هي أيضًا نتيجة. وما لم نعلّم الذكاء الاصطناعي تقدير الأخطاء واستخلاص استنتاجات منطقية منها، سيبقى مجرد لعبة باهظة الثمن في أيدي الباحثين.

وتبرز مشكلة أخرى في البيانات. فقد استُخدم لتدريب GPT-4 ما يقارب الإنترنت كله. أما في العلم، فالبيانات قليلة ومجزّأة، وكثيرًا ما تكون محبوسة في أرشيفات الشركات. ولكي يصبح AI4S 2.0 واقعًا، علينا تعليم النماذج التعلم من عينات صغيرة وتوليد البيانات عبر المحاكاة. وهذا تحدٍّ ضخم للمهندسين، وما زال من غير الواضح من سيجد المفتاح أولًا. لكن شيئًا واحدًا واضح: جائزة نوبل المقبلة التي سيكون للذكاء الاصطناعي دور فيها لن تُمنح على «نص جميل»، بل على فهم جوهر المادة ذاته.

الخلاصة: الذكاء الاصطناعي الحالي أمين مكتبة عبقري، لكنه مجرِّب تجارب عديم الموهبة. فهل سيتمكن مفهوم AI4S 2.0 من تحويل الشبكات العصبية إلى باحثين مستقلين، أم سنصطدم بسقف لا تستطيع الآلة عنده، من حيث المبدأ، تحقيق اختراق حدسي؟