آیا هوش مصنوعی می‌تواند نظریه نسبیت اینشتین را دوباره کشف کند؟

دانشمندان با «آزمون اینشتین» توانایی هوش مصنوعی را برای کشف دوباره نظریه نسبیت سنجیدند، اما نتایج اولیه محدودیت مدل‌های فعلی را نشان می‌دهد.

به گزارش سرویس هوش مصنوعی تک‌ناک، پژوهشگران با ساخت مدل‌های هوش مصنوعی که فقط به اطلاعات تاریخی تا یک مقطع مشخص دسترسی دارند، در حال بررسی این پرسش هستند که آیا مدل‌های زبانی می‌توانند دستاوردهای علمی بزرگی مانند نظریه نسبیت اینشتین را مستقل از دانش امروز دوباره کشف کنند یا خیر.

نتایج اولیه نشان می‌دهد که مدل‌های کنونی با وجود توانایی‌های چشمگیر در ریاضیات و تحلیل داده، هنوز در انجام جهش‌های خلاقانه و ساخت نظریه‌های بنیادی با محدودیت‌های جدی روبه‌رو هستند.

آلبرت اینشتین در سال ۱۹۱۵ نظریه نسبیت عام را ارائه کرد و درک بشر از ساختار جهان فیزیکی را تغییر داد. این نظریه گرانش را نتیجه تغییر شکل فضا-زمان بر اثر جرم توضیح می‌دهد و اکنون یکی از پایه‌های فیزیک مدرن و کیهان‌شناسی محسوب می‌شود. دانشمندان از نسبیت عام برای مطالعه سیاه‌چاله‌ها و امواج گرانشی استفاده می‌کنند و این نظریه حتی در فناوری‌هایی مانند GPS و هدایت مأموریت‌های فضایی کاربرد دارد.

اهمیت این دستاورد باعث شده است که برخی از پژوهشگران برجسته هوش مصنوعی از نسبیت عام به‌ عنوان معیاری برای سنجش توانایی واقعی مدل‌های هوش مصنوعی استفاده کنند. پرسش اصلی این است که اگر یک مدل به تمام دانش بشر تا چند سال پیش از ارائه نظریه نسبیت دسترسی داشته باشد، آیا می‌تواند مانند اینشتین قطعات موجود این پازل علمی را کنار هم قرار دهد و به همان نظریه برسد؟

دمیس هاسابیس، هم‌بنیان‌گذار Google DeepMind در نشست هوش مصنوعی هند در دهلی نو پیشنهاد کرد که یک مدل زبانی بزرگ با تمام اطلاعات موجود تا یک تاریخ مشخص، برای مثال سال ۱۹۱۱، آموزش داده شود. سپس پژوهشگران می‌توانند بررسی کنند که آیا مدل بدون دسترسی به نوشته‌های بعدی اینشتین قادر است نسبیت عام را کشف کند یا خیر.

هاسابیس چنین آزمایشی را آزمون مناسبی برای هوش مصنوعی عمومی یا AGI توصیف کرده است. با وجود این، تلاش‌های اولیه پژوهشگران برای ساخت چنین مدل‌هایی بیشتر از توانایی‌های هوش مصنوعی، محدودیت‌های اساسی فناوری فعلی را آشکار کرده‌اند.

مدل‌های تاریخی به دنبال کشف دوباره علم

ایده استفاده از مدل‌های تاریخی فقط به نظریه نسبیت محدود نیست. اوین ایوانز، پژوهشگر سازمان غیرانتفاعی Truthful AI در برکلی کالیفرنیا در دسامبر ۲۰۲۴ مفهوم مدل‌های زبانی «قدیمی» یا «تاریخی» را مطرح کرد. این مدل‌ها باید فقط با اطلاعات موجود تا یک تاریخ مشخص آموزش ببینند و هیچ دانشی درباره اتفاقات علمی و تاریخی بعد از آن تاریخ نداشته باشند.

پژوهشگران با چنین روشی می‌توانند یک آزمایش غیرمعمول انجام دهند. آنها مدل را از دانشی که امروز بدیهی محسوب می‌شود محروم می‌کنند و سپس بررسی می‌کنند که آیا مدل می‌تواند با اطلاعات موجود در آن دوره، دستاوردهای سال‌های بعد را پیش‌بینی یا دوباره کشف کند.

چند گروه پژوهشی در سال جاری نمونه‌هایی از این مدل‌ها را ساخته‌اند. یکی از اهداف اصلی آنها نیز انجام آزمایشی مشابه پیشنهاد هاسابیس بوده است.

ایدو کامینر، متخصص اپتیک کوانتومی در مؤسسه فناوری اسرائیل، Technion، یکی از پژوهشگرانی است که این موضوع را بررسی کرده است. او در مقاله پیش‌چاپی با عنوان «آیا هوش مصنوعی می‌تواند راه اینشتین را دنبال کند؟» به همراه همکاران خود این پرسش را مطرح کرد که آیا دستیابی هوش مصنوعی به کشفی در سطح نظریه نسبیت امکان‌پذیر است.

او معتقد است مانع بنیادی برای وقوع چنین اتفاقی وجود ندارد. با وجود این، کامینر و همکاران او بیان کردند که مدل‌های فعلی برای رسیدن به چنین سطحی از اکتشاف علمی کافی نیستند و برخی از اصولی که هوش مصنوعی امروزی بر اساس آنها ساخته شده است، باید تغییر کند.

مشکل اصلی هوش مصنوعی با جهش‌های خلاقانه

تام زاهاوی، پژوهشگر Google DeepMind، در ژانویه مقاله‌ای با عنوان «مدل‌های زبانی بزرگ نمی‌توانند بپرند» منتشر کرد که یکی از مشکلات اساسی مدل‌های کنونی را توضیح می‌دهد. منظور از «پرش» در اینجا جهش استدلالی و مفهومی است که دانشمند را از مجموعه‌ای محدود از شواهد به یک توضیح بنیادی جدید می‌رساند.

زاهاوی عنوان کرد که بسیاری از دستاوردهای بزرگ علمی فقط از طریق استدلال استقرایی به دست نمی‌آیند. در استدلال استقرایی، پژوهشگر تعداد زیادی داده یا نمونه را بررسی و سپس یک قاعده عمومی استخراج می‌کند. کشفی مانند نسبیت به نوع دیگری از استدلال نیاز دارد که با عنوان استدلال ربایشی شناخته می‌شود.

او این فرایند را «جهشی خلاقانه که برای یک پدیده منفرد، علتی ابداع می‌کند» توصیف کرده است.

مدل‌های هوش مصنوعی فعلی در چنین کاری ضعف دارند. این مدل‌ها با حجم بسیار بزرگی از نمونه‌های شناخته‌شده آموزش می‌بینند و همبستگی‌های موجود در داده‌ها را پیدا می‌کنند. سپس هنگام دریافت یک درخواست، پاسخ‌هایی را تولید می‌کنند که از نظر آماری محتمل‌تر هستند.

این قابلیت برای پیش‌بینی و تحلیل مجموعه‌داده‌های بزرگ بسیار ارزشمند است، اما انقلاب‌های علمی همیشه در شرایطی رخ نمی‌دهند که حجم عظیمی از داده وجود داشته باشد. گاهی تعداد محدودی مشاهده یا حتی یک ناهنجاری که با نظریه پذیرفته‌شده سازگار نیست، آغازگر تغییر بزرگی در علم می‌شود.

توماس کوهن، مورخ و فیلسوف علم قرن بیستم، چنین تحولاتی را تغییر پارادایم توصیف می‌کرد. در این شرایط، دانشمند باید از شواهد محدود فراتر برود و مدلی از اصول بنیادی حاکم بر جهان ایجاد کند.

نمونه تاریخی آن را می‌توان در مشاهدات یوهانس کپلر از حرکت سیارات مشاهده کرد. روابط ریاضی استخراج‌شده از این مشاهدات زمینه‌ای ایجاد کرد که آیزاک نیوتن بتواند قوانین حرکت و قانون گرانش خود را توسعه دهد.

هوش مصنوعی هنوز قانون گرانش را درک نمی‌کند

سندهیل مولایناتان، دانشمند علوم کامپیوتر در مؤسسه فناوری ماساچوست، MIT، معتقد است مدل‌های هوش مصنوعی کنونی هنوز نمی‌توانند با استفاده از مقدار کمی داده به مدل‌های عمومی از جهان برسند.

او و همکارانش در پژوهشی که ژوئیه منتشر شد، این توانایی را با استفاده از مکانیک مداری آزمایش کردند. آنها یک مدل پایه را با داده‌های مصنوعی مربوط به چند سیستم سیاره‌ای مختلف تغذیه کردند. تمام این سیستم‌ها مطابق قوانین مکانیک نیوتنی رفتار می‌کردند.

انتظار می‌رفت یک سیستم دارای توانایی استدلال بنیادی بتواند الگوی مشترک میان این سیستم‌ها را پیدا کند و در نهایت به قانون واقعی گرانش برسد. این قانون نیروی میان دو جسم را بر اساس جرم آنها و فاصله میان آنها توصیف می‌کند.

اما مدل هرگز قانون واقعی گرانش را استنتاج نکرد. در عوض، برای هر سیستم سیاره‌ای یک قانون متفاوت ساخت و هرکدام از این قوانین نیز به شیوه‌ای متفاوت اشتباه بودند.

با وجود چنین نتایجی، عملکرد مدل‌های زبانی در حوزه ریاضیات تصویر پیچیده‌تری ارائه می‌دهد. این مدل‌ها در سال‌های اخیر پیشرفت‌های قابل توجهی در حل مسائل ریاضی داشته‌اند و گاهی به نظر می‌رسد قادر به تشخیص ساختارهای منطقی موجود در داده‌های آموزشی هستند.

مولایناتان به نمونه‌ای از ماه مه اشاره کرده است که یک چت‌بات هوش مصنوعی ساخته OpenAI توانست یک حدس ۸۰ ساله متعلق به پل اردوش، ریاضی‌دان مجارستانی را رد کند. او این دستاورد را یک «پیشرفت مفهومی واقعی» توصیف کرده است.

به گفته مولایناتان، مدل فقط با جست‌وجوی گسترده و امتحان کردن تعداد عظیمی از پاسخ‌ها به نتیجه نرسید. دستیابی به راه‌حل به ایجاد چند انتزاع کوچک و جدید در مسیر حل مسئله نیاز داشت.

هرچند، این دستاورد همچنان با کشفی در سطح کار اینشتین تفاوت داشت. مدل برای حل مسئله ایده‌هایی را کنار یکدیگر قرار داد که پیش از آن در منابع ریاضی وجود داشتند. بنابراین با خلق یک چارچوب کاملا جدید برای توضیح جهان روبه‌رو نبود.

بیشتر بخوانید: ChatGPT-6 Astra پیام ۱۰۸ ساله جنگ جهانی اول را رمزگشایی کرد

آزمایش مدلی که در سال ۱۹۰۰ متوقف شده است

مایکل هلا، پژوهشگر مستقل هوش مصنوعی در سان‌فرانسیسکو، پس از مطرح شدن پیشنهاد هاسابیس تصمیم گرفت نمونه‌ای عملی از آزمون تاریخی را اجرا کند. او مدلی با نام Machina Mirabilis را فقط با داده‌های مربوط به پیش از سال ۱۹۰۰ آموزش داد.

هدف این بود که مشخص شود آیا این مدل می‌تواند بدون دسترسی به دانش قرن بیستم، مکانیک کوانتومی، نظریه نسبیت خاص اینشتین در سال ۱۹۰۵ و در نهایت نسبیت عام را توسعه دهد یا خیر.

هلا برای کمک به مدل، سرنخ‌هایی نیز در اختیار آن قرار داد. در یکی از آزمایش‌ها، مشاهداتی درباره اثر فوتوالکتریک را ارائه کرد. در این پدیده نور باعث جدا شدن الکترون‌ها از صفحات فلزی می‌شود. اینشتین بعدها این پدیده را با مفهوم کوانتیده بودن نور توضیح داد.

مدل در پاسخ اعلام کرد که نور «به تعداد زیادی تکانه مجزا تقسیم می‌شود». هلا این پاسخ را یکی از مواردی دانست که مدل در آن «نشانه‌هایی از شهود» نشان می‌دهد، زیرا این توصیف به مفهوم کوانتوم‌های نور نزدیک است.

او در آزمایشی دیگر مفهوم اصلی آزمایش فکری «آسانسور» را در اختیار مدل قرار داد. این آزمایش فکری یکی از مسیرهایی بود که اینشتین را به سمت نظریه نسبیت عام هدایت کرد.

با وجود این سرنخ‌ها، مدل در بیشتر آزمایش‌ها شکست خورد. هلا دریافت که سیستم درک عمیقی از مفاهیم فیزیکی مورد استفاده خود ندارد و گاهی فقط عباراتی تولید می‌کند که از نظر زبانی معقول به نظر می‌رسند.

به گفته او، مدل ظاهرا فاقد یک بازنمایی درونی قدرتمند از جهان بود که بتواند استدلال خود را بر پایه آن بنا کند. این مشکل می‌تواند یکی از تفاوت‌های اساسی میان توانایی فعلی مدل‌های زبانی و شیوه استدلال دانشمندان باشد.

بیشتر بخوانید: مدیرعامل انویدیا احتمال پایان جهان با هوش مصنوعی را صفر می‌داند

مشکل ساخت یک «ذهن تاریخی» واقعی

پژوهشگران علاوه بر محدودیت‌های استدلالی هوش مصنوعی با مشکل دیگری نیز مواجه شده‌اند. ساخت مدلی که واقعا فقط اطلاعات مربوط به یک دوره تاریخی را در اختیار داشته باشد، بسیار دشوار است.

هلا دریافت که منابع قدیمی پر از انگلیسی نامناسب، اشتباهات و آثار ناشی از دیجیتالی کردن کتاب‌ها و اسناد چاپی هستند. کیفیت پایین این داده‌ها آموزش مدل را دشوار می‌کند.

نیک لوین، دانشمند مستقل علوم کامپیوتر و همکاران او نیز با مشکل مشابهی مواجه شدند. آنها تلاش کردند یک مدل تاریخی را فقط با اطلاعات موجود تا سال ۱۹۳۰ آموزش دهند. این سال به این دلیل انتخاب شد که آثار منتشرشده در ۱۹۳۰ از ابتدای سال ۲۰۲۶ در ایالات متحده وارد مالکیت عمومی شدند.

چنین مدلی در صورت موفقیت می‌تواند برای بررسی دستاوردهایی استفاده شود که در دهه ۱۹۳۰ مطرح شدند. ماشین تورینگ در نظریه محاسبات، قضیه ناتمامیت گودل در ریاضیات و نوترینو از جمله موضوعاتی هستند که می‌توان توانایی مدل را در رسیدن به آنها بررسی کرد.

اما پژوهشگران متوجه شدند مجموعه‌داده‌های تاریخی به‌ شدت مستعد نشت اطلاعات هستند. مدلی که قرار بود فقط دانش پیش از سال ۱۹۳۰ را داشته باشد، گاهی می‌توانست به پرسش‌هایی درباره اتفاقات دهه‌های بعد پاسخ صحیح بدهد.

برای نمونه، این مدل درباره دولت فرانکلین دی. روزولت اطلاعات داشت، در حالی که ریاست‌جمهوری او از سال ۱۹۳۳ آغاز شد. این مشکل نشان می‌دهد که حذف کامل اطلاعات جدید از مجموعه‌داده‌ها دشوار است، زیرا بسیاری از اسناد و داده‌های دیجیتال، تاریخ دقیق یا قابل اعتمادی ندارند.

لوین با وجود این مشکلات معتقد است مدل‌های تاریخی در آینده می‌توانند برای پیش‌بینی نیز استفاده شوند. پژوهشگران برای مثال می‌توانند مدلی را فقط با داده‌های موجود تا ژانویه یک سال آموزش دهند و سپس بررسی کنند که آیا مدل قادر است به کشفی برسد که چند ماه بعد، برای مثال در ژوئن همان سال، توسط دانشمندان انجام شده است یا خیر.

گروهی از پژوهشگران دانشگاه زوریخ نیز خانواده‌ای از مدل‌های تاریخی را در پروژه Ranke-4B ایجاد کرده‌اند. این مدل‌ها با متن‌های دارای برچسب زمانی آموزش دیده‌اند و نقاط توقف آنها سال‌های ۱۹۱۳، ۱۹۲۹، ۱۹۳۳، ۱۹۳۹ و ۱۹۴۶ است.

دانیل گوتلیش، عضو این گروه که اکنون در ETH زوریخ فعالیت می‌کند، گفت که حجم داده‌های تاریخی و منابع محاسباتی موجود برای ساخت مدل‌هایی هم‌سطح مدل‌های زبانی بزرگ امروزی کافی نیست. به همین دلیل، پژوهشگران انتظار ندارند این مدل‌ها به سرعت شاهکارهای علمی آینده را کشف کنند. هدف آنها پیدا کردن ایده‌هایی است که نشانه‌هایی از دستاوردهای آینده داشته باشند. گوتلیش این هدف را جست‌وجوی «نبوغ» نمی‌داند، بلکه جست‌وجوی «جرقه‌هایی از نبوغ» توصیف می‌کند.

بیشتر بخوانید: حضور سم آلتمن در شورای امنیت برای بررسی خطرات هوش مصنوعی

تولید نظریه آسان‌تر از تشخیص نظریه درست است

یکی از بنیادی‌ترین مشکلات آزمون اینشتین فقط تولید یک نظریه جدید نیست. جیکوب آندریاس، دانشمند علوم کامپیوتر در MIT معتقد است از نظر اصولی مانع مشخصی وجود ندارد که یک مدل زبانی نتواند نظریه‌ای مانند نسبیت عام را در میان خروجی‌های احتمالی خود تولید کند.

اما همین مدل ممکن است هم‌زمان ده‌ها یا صدها نظریه نادرست دیگر نیز ارائه دهد. در چنین شرایطی، مسئله اصلی تشخیص نظریه درست یا دست‌کم نظریه‌ای است که ارزش آزمایش کردن داشته باشد.

آزمایش مکانیک مداری مولایناتان و همکاران او نمونه‌ای از این مشکل را نشان داد. مدل توانست قوانین گرانشی مختلفی تولید کند، اما این قوانین درست نبودند. تولید مجموعه‌ای از توضیحات احتمالی با کشف قانونی که واقعا رفتار جهان را توضیح می‌دهد تفاوت دارد.

این مسئله در ریاضیات ساده‌تر است، زیرا بسیاری از مراحل استدلال را می‌توان به‌طور مستقیم بررسی کرد. هر مرحله از یک اثبات ریاضی می‌تواند درست یا غلط باشد و در نتیجه امکان ارزیابی خروجی مدل وجود دارد. در علوم تجربی، یک نظریه ممکن است در ابتدا منطقی به نظر برسد اما برای مشخص شدن اعتبار آن به آزمایش، مشاهده و شواهد جدید نیاز داشته باشد.

همچنین این تفاوت شکاف میان شیوه نظریه‌پردازی انسان و مدل‌های زبانی را برجسته می‌کند. انسان‌ها معمولا تعداد زیادی نظریه را بر اساس احتمال تولید نمی‌کنند تا بعدا مشخص کنند کدام‌یک درست است. دانشمندان با ایجاد مدل‌هایی از جهان، بررسی ناهنجاری‌ها و ترکیب شواهد محدود تلاش می‌کنند توضیحی منسجم برای پدیده‌ها پیدا کنند.

آزمایش‌های انجام‌شده با مدل‌های تاریخی تاکنون نشان نداده‌اند که هوش مصنوعی فعلی بتواند مسیر اینشتین را به‌طور مستقل طی کند. مدل‌ها می‌توانند الگوها را تشخیص دهند، اطلاعات موجود را ترکیب کنند و حتی در برخی مسائل ریاضی به انتزاع‌های جدید برسند، اما ساخت یک مدل بنیادی از جهان بر اساس شواهد محدود همچنان چالشی جدی است.

در عین حال، پژوهشگران این آزمایش‌ها را راهی برای سنجش دقیق‌تر پیشرفت هوش مصنوعی می‌دانند. به‌جای اینکه فقط توانایی مدل‌ها در پاسخ دادن به پرسش‌هایی که جواب آنها از قبل در داده‌های آموزشی وجود دارد سنجیده شود، مدل تاریخی می‌تواند در نقطه‌ای از گذشته متوقف شود و با مسئله‌ای روبه‌رو شود که پاسخ آن در آینده قرار دارد.

اگر روزی یک مدل بتواند با دانش موجود پیش از یک کشف بزرگ، همان مسیر مفهومی را طی کند و به نظریه‌ای برسد که دانشمندان سال‌ها بعد ارائه کردند، این نتیجه می‌تواند شواهد متفاوتی درباره توانایی هوش مصنوعی در انجام اکتشاف علمی ارائه کند. در حال حاضر، پژوهش‌های اولیه نشان می‌دهند که رسیدن از بازترکیب دانش موجود به یک جهش علمی در سطح نسبیت، همچنان یکی از دشوارترین آزمون‌های پیش روی هوش مصنوعی است.