دکتر امین محمدیان، عضو هیئت علمی پژوهشگاه توسعه فناوری‌های پیشرفته

 

اگر بخواهیم وضعیت کنونی نهاد علم در مواجهه با هوش مصنوعی را از زاویه‌ای متفاوت روایت کنیم، می‌توان موقعیتی طنزآمیز اما تکان‌دهنده را تصور کرد. فرض کنید عامل‌های هوش مصنوعی (AI Agents) در یک شبکه الگوریتمی گرد هم آمده‌اند و درباره ما انسان‌ها گفتگو می‌کنند؛ یکی از آن‌ها می‌گوید: «این غیرمصنوعی‌ها با چه اعتمادبه‌نفسی نشست علمی تشکیل داده‌اند! در حالی که بخش عمده کارهای پژوهشی‌شان، از مرور ادبیات و ترجمه تا نگارش گزارش پایان‌نامه‌ها و حتی داوری مقالات را ما انجام می‌دهیم!» و دیگری پاسخ می‌دهد: «جالب‌تر اینکه تازه در ابتدای مسیریم و به‌زودی مابقی فرآیند تولید علم را هم از دستشان خواهیم گرفت».

این طنز موقعیت، حقیقت عمیقی را در خود نهفته دارد: در زیست‌بوم دانشی امروز، جایگاه «فاعل شناسا» و «کنشگر اصلی» در حال تغییر است. ما رسماً وارد عصر هوش مصنوعی شده‌ایم؛ عصری که دیگر نمی‌توان هوش مصنوعی را صرفاً یک «ابزار کمکی» برای افزایش سرعت محاسبات دانست. پرسش بنیادین و رادیکالی که ما پژوهشگران باید مستقماً از خود بپرسیم این است: اگر هوش مصنوعی روزبه‌روز بخش بیشتری از فرآیند کشف و تولید علمی را بر عهده بگیرد، دقیقاً چه سهمی برای اندیشه ورزی انسانی باقی می‌ماند؟ آیا ما در حال تبدیل‌شدن به «مصرف‌کنندگان منفعل علم» هستیم یا می‌توانیم سهم اصیل خود را در تولید، ارزیابی، هدایت دانش بازتعریف کنیم؟

 

۲. سیر شایستگی‌های انسانی و غرق‌شدن قله‌های دانش

برای درک سرعت شگفت‌انگیز این تحولات، شایسته است به مدل «سرزمین شایستگی‌های انسان» (Landscape of Human Competence) اشاره کنم که هانس مراوک (Hans Moravec) در سال ۱۹۹۸ ترسیم کرد. در این مدل، شایستگی‌های ذهن بشر به صورت یک سرزمین جغرافیایی تصویر شده است که سطح آب (نماد توانمندی هوش مصنوعی) تدریجاً در آن بالا می‌آید و حوزه‌های مختلف را به زیر آب می‌برد. زمانی محاسبات عددی، بازی شطرنج و بازشناسی گفتار زیر آب رفتند؛ اما دو قله مرتفع و دست‌نخورده در این نقشه وجود داشت: قله هنر و قله علم.

امروز با چشم خود می‌بینیم که این سطح آب با چه شدتی در حال بلعیدن قله علم است. ماشین‌ها نه‌تنها کتاب می‌نویسند و کدنویسی پیچیده انجام می‌دهند، بلکه به قلمرو اثبات قضایا و مدیریت پژوهش ورود کرده‌اند. قاطع‌ترین مستند علمی بر این مدعا، توسعه سامانه «AI Scientist» توسط پژوهشگران Sakana AI و انتشار آن در مجله Nature (مارس ۲۰۲۶) است. این سامانه توانسته است تمامی چرخه یک پژوهش علمی—از ایده‌پردازی اولیه، جستجوی ادبیات و کدنویسی تا اجرای خودکار آزمایش‌ها، تحلیل داده‌ها، نگارش کامل مقاله و حتی مشارکت در فرآیند داوری همتایان (Peer Review)—را به صورت خودکار و بدون مداخله مستقیم انسان (End-to-End) به انجام رساند.

 

۳. از Science تا پارادایم پنجم: سیر تطور کشف علمی و تا پارادایم پنجم علم

نگاه تاریخ‌نگارانه به نهاد علم نشان می‌دهد که ما سیر تحول پارادایم‌های علمی را با سرعتی فزاینده طی کرده‌ایم:

پارادایم‌های سنتی (تجربی و تحلیلی): که بر پایه مشاهده مستقیم، استقراء، آزمایش‌های دستی و سپس صورت‌بندی‌های نظری ریاضی بنا شده بودند. پارادایم سوم (علوم محاسباتی): که با ورود رایانه‌ها و شبیه‌سازی‌های پیچیده ریاضی شکل گرفت. پارادایم چهارم (علم داده‌محور / Data-Intensive Science یا e-Science): در این الگو، کشف علمی مستقیماً از دل تحلیل داده‌های کلان (Big Data) استخراج می‌شود. علم داده: یکی کردن سه پاردایم قبل یعنی آزمایش، نظریه و شبیه‌سازی محاسباتی است.

ورود این پارادایم به علوم اجتماعی با خلق «میکروسکوپ‌های اجتماعی» همراه بود که اجازه می‌داد فرضیه‌های رفتاری در مقیاس میلیون‌ها کاربر آزموده شوند. البته این روند ابعاد نقدپذیری همچون سیطره نظام «سرمایه‌داری نظارتی» (Surveillance Capitalism) و انحصار سکوهای فناورانه شرکت‌های بزرگ چون GAFAM (گوگل، اپل و ...) را نیز به همراه داشت. پارادایم پنجم (علم خودمختار / AI4Science): امروزه ما در آستانه چرخش به پارادایم پنجم ایستاده‌ایم؛ الگویی که در آن فرضیه‌‌پردازی خودکار، طراحی مستقل آزمایش‌ها، اعتبارسنجی حلقه بسته (Closed-loop Validation) و یادگیری مستمر به سامانه هوشمند واگذار می‌شود.

۴. خودکارسازی در برابر خودمختاری: پیشران‌ها و انتقال گلوگاه علم

در تحلیل فرآیندی، باید میان خودکارسازی (Automation) و خودمختاری (Autonomy) تمایز قائل شد. خودکارسازی به معنای واگذاری فعالیت‌های اجرایی (نظیر مرور ادبیات، کدگذاری و تحلیل متن) به ماشین است؛ اما خودمختاری نیازمند سه مولفه بنیادین است:

اجرای خودکار آزمایش‌ها و تحلیل‌ها، استقلال شناختی (Cognitive Independence): طراحی فرضیه و فرآیند استدلال علمی توسط ماشین. حلقه بسته (Closed Loop): یادگیری مداوم و اصلاح خودکار فرضیه بر اساس خروجی آزمایش‌ها.

چهار نیروی بنیادی شامل انفجار داده‌های علمی، رشد نمایی قدرت محاسباتی (GPU/TPU/NPU)، «بحران بازتولیدپذیری» (Reproducibility Crisis) در مطالعات و فشار برای حل چالش‌های عاجل جهانی (نظیر پاندمی‌ها و بحران‌های اقلیمی) پیشران این تحول هستند. نکته کلیدی این است که گلوگاه اصلی علم امروز دیگر «کمبود ایده» نیست، بلکه «آزمون پرهزینه و زمان‌بر ایده‌ها» است.  در بخش خدمختاری پیوند هوش مصنوعی با اینترنت اشیاء (IoT) و شکل‌گیری «آزمایشگاه‌های خودران» (Self-Driving Labs) باعث شده است تا آزمایش‌های فیزیکی و شیمیایی بدون خستگی و به صورت ۲۴ ساعته در حلقه‌های بسته اجرا شوند.

 

۵. علوم اجتماعی خودمختار و شبیه‌سازی عامل‌محور

در حوزه علوم اجتماعی، تحول هوش مصنوعی چهار مرحله متوالی را طی می‌کند: ۱. دستیار پژوهش: خلاصه‌سازی، جستجو و کدگذاری داده‌ها. ۲. پژوهشگر همکار: مشارکت در فرضیه‌سازی و تفسیر یافته‌ها. ۳. پژوهشگر عامل‌محور (Agentic): برنامه‌ریزی مستقل، زنجیره‌سازی وظایف و اصلاح مسیر پژوهش. ۴. علم اجتماعی خودمختار: ترکیب شبیه‌سازی جوامع انسانی با عامل‌های پژوهشگر. دامروزه سکو‌های شبیه‌سازی نوین مانند YuLan-OneSim با به‌کارگیری بیش از ۱۰۰ هزار عامل هوشمند، جوامع مجازی کاملی می‌سازند تا پیچیده‌ترین فرضیه‌های رفتاری، جامعه‌شناختی و اقتصادی را در محیطی ایزوله و با سرعتی بالا بیازمایند.

 

۶. مخاطرات معرفتی واگذاری کشف علمی به هوش مصنوعی

با وجود تمام گشایش‌ها، واگذاری کشف علمی به الگوریتم‌ها ما را با خطرات معرفتی جدی مواجه می‌سازد:

تک‌فرهنگی شدن دانش (Scientific Monoculture): اتکای مطلق به الگوریتم‌ها سبب می‌شود تنها پرسش‌هایی طرح شوند که برای هوش مصنوعی قابل پردازش هستند؛ در نتیجه، رویکردهای غیرمتعارف، کیفی و خلاقانه حذف شده و تنوع فکری در علم به شدت کاهش می‌یابد. توهم‌های فهم (Illusions of Understanding): همان‌طور که مسری و کراکت (Nature 2024) تبیین کرده‌اند، اتکا به هوش مصنوعی سه توهم شناختی ایجاد می‌کند:

توهم عمق تبیینی (Illusion of Explanatory Depth): اشتباه گرفتن قدرت پیش‌بینی ماشین (Accuracy=97%) با «فهم واقعی علمی»؛ پژوهشگر تصور می‌کند پدیده را فهمیده است، در حالی که فقط خروجی محاسباتی را دریافت کرده است.

توهم گستره اکتشافی (Illusion of Exploratory Breadth): این تصور خام که ماشین تمام فرضیه‌های ممکن را بررسی کرده، در حالی که خروجی آن کاملاً محدود به چارچوب دیزاینر و داده‌های آموزش‌دیده است.

توهم عینیت (Illusion of Objectivity): فرض اشتباه مبنی بر اینکه هوش مصنوعی فاقد هرگونه سوگیری شناختی، ارزش‌داوری یا موضع‌گیری ایدئولوژیک است.

 

۷. بازتعریف نقش دانشمند، اصلاح نظام علمی و حکمرانی پیش‌دستانه

برای مواجهه فعالانه و نه منفعلانه با این پارادایم، نقش دانشمند باید از «تولیدکننده مستقیم داده و تحلیل» به «هدایت‌کننده و ناظر هوشمند سامانه‌ها» ارتقا یابد. مهارت‌های دانشمند آینده دیگر منحصر به یک رشته خاص نیست، بلکه ترکیبی از تخصص حوزه‌ای، سواد هوش مصنوعی، تفکر سیستمی، اخلاق فناوری و توانایی همکاری انسان و ماشین خواهد بود.

هم‌زمان، نظام ارزیابی علمی باید از سنجش‌های کمی و مقاله محوری به سمت کیفیت واقعی علم، اثرگذاری اجتماعی، بازتولیدپذیری و رعایت اصول داده‌های FAIR (یافت‌پذیر، دسترس‌پذیر، تعامل‌پذیر و قابل استفاده مجدد) حرکت کند.

در نهایت، مواجهه حاکمیت‌ها با این فناوری نباید منفعلانه باشد؛ بلکه نیازمند حکمرانی پیش‌دستانه (Anticipatory Governance) و تحقق علم باز و قابل اعتماد (Open Science by Design) است. این امر از طریق تدوین قواعد اخلاقی پیش از وقوع بحران، ایجاد شفافیت در داده‌ها و الگوریتم‌ها، و ارزیابی مستمر مخاطرات فناوری‌های همگرا حاصل می‌شود.

 

۸. نتیجه‌گیری

خودمختارسازی تولید علم یک رویای آینده‌نگرانه نیست، بلکه مسیری است که هم‌‌اکنون در جریان است. فردا متعلق به کسانی نیست که صرفاً از ابزارهای هوش مصنوعی استفاده می‌کنند، بلکه متعلق به جوامعی است که توانمندی حکمرانی بر فرآیند تولید دانش را دارا هستند. جان کلام و پیام کلیدی این پژوهش را می‌توان در یک جمله خلاصه کرد:

«قدرت علمی آینده، تنها به حجم دانش تولیدشده وابسته نیست؛ بلکه به توان حکمرانی پیش‌دستانه بر فرآیند تولید دانش گره خورده است».