نماد سایت جهان دیجیتال

چت جی پی تی و تحول در تحقیقات

چت جی پی تی و تحول در تحقیقات

چت جی پی تی و تحول در تحقیقات

جهان دیجیتال : آیا چت جی پی تی تحقیقات را متحول خواهد کرد؟
تهران – ایرنا – دانشمندان برنده جوایز نوبل معتقدند تاثیرگذاری مدل های زبانی بزرگ مانند برنامه چت جی پی تی بر تحقیقات در آغاز راه خود قرار دارد.

به گزارش گروه علم و آموزش ایرنا از تارنمای تایمز هایر اجوکیشن که یک هفته نامه بریتانیایی در زمینه اخبار و اطلاعات آموزش عالی است، دانشمندان برنده جایزه نوبل اکنون از مدل ها یا الگوهای زبانی بزرگ استفاده می‌کنند، اما کارشناسان می‌گویند تاثیرگذاری این مدل ها بر تحقیقات در آغاز راه است.

چت‌جی‌پی‌تی (ChatGPT) یک بات مکالمه است که توسط شرکت اوپن ای‌آی توسعه یافته‌ است. چت‌جی‌پی‌تی روی خانواده مدل زبانی جی‌پی‌تی-۳٫۵و مدل زبانی جی پی تی_۴ اوپن ای‌آی ساخته شده و با تکنیک‌های یادگیری نظارت شده و تقویتی به‌خوبی تنظیم شده‌ است. چت‌جی‌پی‌تی به عنوان یک نمونه اولیه ۳۰ نوامبر ۲۰۲۲ معرفی شد و به سرعت به دلیل پاسخ‌های دقیق و واضح خود در بسیاری از حوزه‌ها، توجه‌ها را به خود جلب کرد. چت‌جی‌پی‌تی به دلیل ظرفیت آن در ترکیب و تفسیر زبان طبیعی مشابه انسان، استفاده از آن محبوبیت پیدا کرده‌ است.

بات مکالمه یک عامل نرم‌افزاری است که برای شبیه‌سازی یک مکالمه هوشمند با یک یا چند کاربر انسانی از طریق صدا یا متن طراحی شده‌ است. نام دیگر بات مکالمه دستیار مجازی هوشمند است.

هوش مصنوعی به عنوان یک علم چندرشته‌ای، همواره به دنبال توسعه روش‌ها و الگوریتم‌هایی بوده که به کامپیوترها امکان پردازش و فهم زبان انسان را می‌دهند. یکی از پیشرفت‌های مهم در این زمینه، ظهور مدل‌های زبانی بزرگ است که توانایی تجزیه و تحلیل متون را ارتقا داده‌اند.

مدل‌های زبانی بزرگ نوعی مدل ماشینی پیشرفته در زمینه پردازش زبان طبیعی است که با استفاده از شبکه‌های عصبی پیچیده، توانایی درک و تولید متون به زبان انسانی را دارد. این مدل‌ با تعداد زیادی پارامتر و داده‌های عظیم آموزش می‌بیند و در مواجهه با متون جدید، قادر به تولید محتوا و پاسخ‌دهی هوشمندانه است.

مایکل لویت، بیوفیزیکدان اهل آفریقای جنوبی که در سال ۲۰۱۳ برنده جایزه نوبل شیمی شد، گفت: چت جی پی تی می‌تواند هر کسی را ۳۰ درصد باهوش‌تر کند که قابل توجه است.

چت جی پی تی همانند یک شریک مکالمه است که شما را وادار می کند خارج از چارچوب فکر کنید یا یک تیم تحقیقاتی که میلیون ها کتاب و میلیون ها مقاله مجلات را خوانده اند.

لویت که یکی از پیشگامان مدل‌سازی کامپیوتری مولکول‌ها است، به راحتی تحت تأثیر جادوی فناوری قرار نمی‌گیرد، با این حال وی اذعان کرد که تحت تأثیر مدل‌های زبانی بزرگ که سال گذشته ظهور یافتند، قرار گرفته است.

وی گفت: من در طول زندگی ام انتظار چنین چیزهایی را نداشتم. اینها ابزار بسیار قدرتمندی هستند. هنوز هم هر روز کد می نویسم، اما چت جی پی تی برنامه ها را بسیار خوب می نویسد.

این بیوفیزیکدان دانشگاه استنفورد، از نزدیک مشاهده کرده است که چگونه فناوری می تواند به سرعت نحوه دسترسی به دانش را تغییر دهد، اما هیچ چیز با ظرفیت های مدل های زبانی بزرگ قابل مقایسه نیست.

وی گفت: استفاده از گوگل را از سال ۱۹۹۸ و دو سال قبل از انتشار عمومی آن شروع کردم؛ زیرا سرگئی برین بنیانگذار آن در کلاس من بود. برین مرد بسیار باهوشی بود که پیشنهاد تبدیل آن به یک سرویس اشتراک را رد کرد. گوگل قدرت تاثیرگذاری دارد، اما چت جی پی تی از آن هم قوی تر است.

ChatGPT که مقالات علمی و نویسندگان ساختگی را اختراع می کند، برخی از دانشمندان را نگران کرده است. اما از نظر لویت محققان باید بتوانند نتایج دردسرساز را تشخیص دهند.

وی گفت: چت جی پی تی مثل داشتن یک دوست فوق‌العاده باهوش است که همیشه حقیقت را نمی‌گوید، اما ما می توانیم این اشتباهات را تشخیص دهیم. نیمی از کارهایی که دانشمندان انجام می دهند دارای نقص است، اما ما در مرتب سازی داده‌ها عملکرد خوبی داریم.

مارتین چالفی، بیوشیمیدان دانشگاه کلمبیا که در سال ۲۰۰۸ برنده جایزه نوبل شیمی شد، هم مشتاق هوش مصنوعی به عنوان ابزار کمکی در تحقیقات است.

وی گفت: اخیرا به پزشک مراجعه کردم و او معاینات معمول خود را انجام داد و گفت از هوش مصنوعی برای تجزیه و تحلیل نتایج استفاده کرده است.

چالفی با تشبیه این کار پزشک با بهره برداری از هوش مصنوعی در تحقیقات اظهار داشت: پزشک هر کاری را که یک پزشک انجام می‌دهد انجام داد، اما تشخیص دوم را نیز دریافت کرد که ممکن است نظر او را عوض کند. اگر پزشکم پیشنهاد می‌کرد مرا به دستگاهی وصل کند تا برای درمان من تصمیم بگیرد، خوشحال نمی‌شدم. اما این چیزی نیست که در تحقیقات اتفاق می افتد؛ نمی دانم چرا شما چنین کمکی را نمی خواهید.

با این حال، سایر برندگان نوبل در مورد خروجی چت جی پی تی و سایر چت بات ها که کل مجموعه آثار علمی را اسکن می‌کنند، کاملا متقاعد نشده اند. در جریان مباحثه ای در نشست سالانه برندگان جایزه نوبل لینداو که ده ها برنده نوبل در جزیره لینداو در جنوب آلمان گردهم آمدند، برخی نسبت به اعتماد بیش از حد محققان به شناخت مدل های زبانی بزرگ ابراز نگرانی کردند.

آنها می گویند: باید بدانیم این برنامه ها از چه مجموعه داده هایی استفاده می کنند. این موضوع باید شفاف باشد. مقررات باید این برنامه ها را ملزم کند، حاشیه قطعیت را مشخص یا دستکم مقالات علمی با نتایج متناقض که می تواند محققان را به جستجوی دیدگاه های متفاوت ترغیب کند، مشخص کند.

هوش مصنوعی در سال‌های آینده نیروی مهمی برای موفقیت خواهد بود. برخی دیگر پا را فراتر گذاشته و می گویند کمیته نوبل باید بطور جدی به فکر تغییر قوانین خود باشد تا هوش مصنوعی یا دستکم محققان هوش مصنوعی واجد شرایط دریافت این جایزه شوند. فناوری AlphaFold شرکت DeepMind که معمای تاشدگی پروتئین را که تقریباً ۵۰ سال لاینحل باقی مانده بود، حل کرد و به دانشمندان این امکان را داد که شکل سه بعدی یک مولکول را بر اساس توالی اسید آمینه آن تعیین کنند. این فناوری نمونه خوبی از یک پیشرفت است که باید واجد شرایط دریافت جایزه باشد.

لویت گفت: بقای جایزه نوبل به خاطر اعتبار آن است. بنابراین می‌دانیم چرا کمیته نوبل نمی‌خواهد این جایزه را به یک رایانه بدهد. این همان جایزه‌ای است که آلبرت انیشتین یک قرن پیش تصاحب کرد. اما این یک سوال منصفانه است چرا که هوش مصنوعی همه چیز را تغییر داده است.

شوتاک پاتل، برنده جایزه ۲۵۰ هزار دلاری ACM در سال ۲۰۱۸، گفت: در واقع، این موضوع که آیا هوش مصنوعی برنده جایزه نوبل خواهد شد یا نه، قابل بحث است، زیرا چندین جایزه نوبل آینده وجود دارد که به شدت به فناوری اتکا دارند.

جایزه ای سی ام به محققان برجسته در اوایل یا اواسط دوران فعالیت آنها اعطا می شود و دومین جایزه بزرگ در رایانه پس از جایزه تورینگ یک میلیون دلاری ACM که «نوبل محاسبات» نامیده می شود، است.

پاتل مدیر بخش فناوری‌های سلامت گوگل و استاد دانشگاه واشنگتن گفت: هر کسی که جایزه نوبل واکسن کووید را دریافت کند، مطمئناً از هوش مصنوعی استفاده کرده است. هوش مصنوعی در توالی‌یابی سریع ژنوم SARS-CoV-۲ بسیار حیاتی بود.

حوزه تحقیقاتی این محقق که جمع‌آوری داده‌های سلامت با استفاده از تلفن‌های همراه و فناوری‌های پوشیدنی مانند ساعت‌های هوشمند است، با ظهور مدل های زبانی در چند ماه گذشته متحول شده است. شیوه هایی که آزمایشگاه او برای نظارت بر ضربان قلب بیمار یا بررسی سطح انسولین خون با استفاده از دوربین‌های استاندارد تلفن همراه، یا بررسی بیماری سل با استفاده از میکروفون تلفن ابداع کرده، بدون شک نوآوری‌های هیجان‌انگیزی است، اما این دانشمند رایانه گفت یک مانع بزرگ در این زمینه، پردازش انبوه داده‌های بی‌درنگ از دستگاه‌های دیجیتال است.

به گفته پاتل، به لطف مدل زبانی، محققان دیگر نیازی به کدگذاری مجموعه داده های دریافتی ندارند و قادر به پردازش و حتی تفسیر این داده ها با حداقل آموزش بودند.

وی تاکید کرد: این کار تقریباً به اندازه سامانه ای که پنج سال برای توسعه آن کار می‌کردیم، دقیق بود.

پاتل گفت محققان حوزه سلامت که نظارت بر سلامت تعداد معدودی بیمار را انجام می دادند، اکنون با مدل های زبانی که قادر به تحلیل و تفسیر داده های دستگاه های پوشیدنی هستند، به زودی می توانند داده های میلیون ها نفر را دریافت کنند.

وی افزود: اگر می‌خواهید با مشکلاتی مانند تشخیص بیماری‌های نادر قبل از بروز علایم آنها مقابله کنید، این ابزار فوق‌العاده مفید است. ما قبلاً توانسته‌ایم مدلی را برای یافتن یک مشکل سلامتی خاص، آموزش دهیم.

به گفته پاتل، ترکیب هوش مصنوعی با دستگاه‌های دیجیتالی زندگی امروزی، مرزهای دستاوردهای تحقیقاتی را جابجا می کند. دستگاه های دارای مدل های زبانی را می توان برای تهیه سفارشی برنامه های تناسب اندام و تغذیه برای بهبود سلامت عمومی بکار برد.

وی ادامه داد: به جای اینکه به مردم بگوییم باید ورزش کنند یا کمتر غذا بخورند، وزارتخانه های بهداشت باید ساعت های هوشمند ارائه دهند و هوش مصنوعی برنامه های بسیار خاصی را برای تناسب اندام و تغذیه بر اساس شخصیت و عادات و رفتارهای افراد تولید کند. با دسترسی به تلفن افراد، می توان برنامه بهداشتی طراحی کرد که احتمال موفقیت آن را بیشتر می کند.

برخی از صاحبنظران آشکارا این موضوع را مطرح کرده اند که آیا کاهش بهره‌وری علمی در حال حاضر در دانش امروز یک قاعده شده است و با داشتن تیم‌های بزرگ‌تر، تجهیزات گران‌تر و زمان بیشتر برای یافتن ایده‌های جدید تأثیر بسیار کمتری نسبت به پیشرفت‌های گذشته دارند. مطالعه‌ای در سال ۲۰۲۰ در نشریه «American Economic Review» با عنوان «آیا یافتن ایده‌ها سخت‌تر است؟» برآورد کرد که بهره‌وری علمی به حدود ۳ درصد دهه ۱۹۳۰ رسیده است.

پاتل گفت: این نوع تحقیقات در چند سال گذشته رشد انفجاری داشته، اما در چند ماه گذشته به سطح جدیدی ارتقا یافته است. اکنون هیجان انگیزترین زمان برای محقق شدن است.

خروج از نسخه موبایل