هوش مصنوعی جدیدی که خودش فرضیه می‌سازد و مقاله می‌نویسد؛ تکنولوژی در نقش دانشمندان

شرکت ژاپنی Sakana AI سیستم هوش مصنوعی جدیدی توسعه داده است که می‌تواند بدون نیاز به هدایت مرحله‌به‌مرحله‌ی انسان، فرضیه‌ی علمی مطرح کند، آزمایش انجام دهد و نتایج را در قالب مقاله بنویسد. یکی از مقاله‌های تولیدشده با این سیستم نیز توانست در داوری علمی یک کارگاه پژوهشی امتیاز لازم برای پذیرش را کسب کند.

هوش مصنوعی تاکنون در کارهایی مانند جست‌وجوی منابع، تحلیل داده‌ها و نگارش مقالات به پژوهشگران کمک کرده است؛ اما پروژه‌ی AI Scientist-v2 تلاش می‌کند یک قدم فراتر برود و تقریباً تمام مراحل انجام یک پژوهش علمی را خودکار کند.

این سیستم که نسخه‌ی دوم پروژه‌ی AI Scientist محسوب می‌شود، در سال ۲۰۲۵ معرفی شد و به‌طور ویژه برای پژوهش‌های حوزه‌ی یادگیری ماشین طراحی شده است. برخلاف نسخه‌ی نخست که برای شروع کار به الگوهای آماده و کدنویسی اولیه‌ی انسان وابسته بود، نسخه‌ی جدید می‌تواند مسیرهای پژوهشی مختلف را با استقلال بیشتری بررسی کند.

فرایند کار AI Scientist-v2 با دریافت یک موضوع کلی آغاز می‌شود. سیستم ابتدا فرضیه‌هایی درباره‌ی موضوع مطرح می‌کند و سپس برای بررسی درستی آن‌ها، آزمایش‌های مختلفی طراحی می‌کند.

AI Scientist-v2 از روش جست‌وجوی درختی استفاده می‌کند

این هوش مصنوعی می‌تواند کدهای موردنیاز را بنویسد، آن‌ها را اجرا کند، داده‌های حاصل از آزمایش را بررسی کند و نمودارهای علمی بسازد. در پایان نیز نتایج را در قالب مقاله‌ای با ساختار متداول پژوهش‌های دانشگاهی تنظیم می‌کند.

یکی از تفاوت‌های مهم نسخه‌ی جدید، استفاده از روشی به نام «جست‌وجوی درختی» است. در این روش، هوش مصنوعی به‌جای دنبال‌کردن تنها یک ایده، چند مسیر احتمالی را بررسی می‌کند و با کمک یک عامل مدیریتی، تصمیم می‌گیرد کدام آزمایش‌ها ارزش ادامه‌دادن دارند.

برای مثال، اگر نتیجه‌ی یک آزمایش امیدوارکننده نباشد، سیستم می‌تواند مسیر دیگری را امتحان کند یا روش قبلی را تغییر دهد. این قابلیت به آن اجازه می‌دهد فرایند پژوهش را با انعطاف بیشتری پیش ببرد.

شرکت Sakana AI برای ارزیابی عملکرد سیستم، سه مقاله‌ی کاملاً تولیدشده با هوش مصنوعی را به یکی از کارگاه‌های علمی کنفرانس بین‌المللی ICLR 2025 ارسال کرد.

این آزمایش با اطلاع و همکاری برگزارکنندگان انجام شد. داوران می‌دانستند برخی مقالات ممکن است با هوش مصنوعی نوشته شده باشند؛ اما نمی‌دانستند کدام مقاله‌ها متعلق به این سیستم هستند.

از میان سه مقاله، یکی موفق شد میانگین امتیاز ۶٫۳۳ از ۱۰ را از داوران دریافت کند؛ امتیازی که بالاتر از حد معمول پذیرش آن کارگاه بود. مقاله‌ی موردنظر درباره‌ی روشی برای بهبود توانایی تعمیم در شبکه‌های عصبی نوشته شده بود.

مقاله پس از داوری، طبق توافق قبلی پژوهشگران و برگزارکنندگان پس گرفته شد و به انتشار رسمی نرسید. همچنین مرحله‌ی نهایی بررسی برگزارکنندگان روی آن انجام نشد؛ بنابراین دقیق‌تر است بگوییم مقاله امتیاز لازم برای پذیرش را کسب کرد، نه اینکه به‌طور قطعی در کنفرانس پذیرفته و منتشر شد.

با وجود نتیجه‌ی امیدوارکننده‌ی آزمایش، توسعه‌دهندگان AI Scientist-v2 تأکید می‌کنند که این فناوری هنوز محدودیت‌های مهمی دارد.

از میان سه مقاله‌ی ارسال‌شده، تنها یکی امتیاز کافی کسب کرد و حتی پژوهشگران Sakana AI نیز معتقد بودند هیچ‌کدام از آن‌ها کیفیت لازم برای پذیرش در بخش اصلی کنفرانس ICLR را نداشتند.

همچنین نسخه‌ی دوم الزاماً از نسخه‌ی نخست بهتر نیست. اگر مسئله‌ی پژوهشی مشخص باشد و الگوی مناسبی برای آزمایش وجود داشته باشد، نسخه‌ی قدیمی‌تر ممکن است با موفقیت بیشتری کار کند. نسخه‌ی جدید برای جست‌وجو در موضوعات باز و کمترشناخته‌شده طراحی شده، اما احتمال شکست آن نیز بیشتر است.

مسئله‌ی دیگر، اجرای خودکار کدهای نوشته‌شده با هوش مصنوعی است. این کدها ممکن است باعث اجرای دستورهای ناخواسته یا بروز مشکلات امنیتی شوند. به همین دلیل، سازندگان توصیه می‌کنند سیستم در محیطی ایزوله مانند Docker اجرا شود.

پروژه‌ی AI Scientist-v2 به‌صورت متن‌باز در گیت‌هاب منتشر شده و اجرای آن به سخت‌افزار مناسب، ازجمله کارت گرافیک انویدیا، و دسترسی به مدل‌های زبانی نیاز دارد.

دستاورد Sakana AI نشان می‌دهد که هوش مصنوعی اکنون می‌تواند فراتر از کمک به نگارش مقاله، در طراحی و اجرای پژوهش نیز مشارکت کند. بااین‌حال، تولید خودکار یک مقاله با انجام پژوهش علمی معتبر و قابل‌اعتماد یکسان نیست و بررسی انسانی نتایج، تکرارپذیری آزمایش‌ها و داوری علمی همچنان ضروری است.