تطور العلم: من ديكارت إلى الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي التوليدي

تم إنشاء الصورة بواسطة أرتميكو باستخدام Midjourney

إلى هذا الحد ، انتهى الاعتقاد بأن العلم يعني تجارب قابلة للملاحظة وقابلة للتكرار ، والتي بدأت مع ديكارت في القرن السابع عشر. على النقيض من ذلك ، يعتمد الفهم العالمي على نماذج حسابية مدعومة ببنية تحتية معرفية.

- كيف ترى العالم ، نيكولا ميرزوف

سمح نظام الأرقام العربية بمعالجة الأرقام بسهولة ، مما أدى إلى الرياضيات ودورها كأداة للتحقق من صحة العلوم. في الواقع ، تاريخ العلم هو في جزء كبير منه تاريخ الرياضيات الجديدة التي تثبت صحة الأساسيات الجديدة في العلوم. اليوم ، لدينا مجموعة جديدة من الأدوات "الرياضية" ، والتطورات في الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في السنوات الخمس الماضية. لا يتعلق ML الجديد هذا كثيرًا بإنشاء نص أو فن جديد. يتعلق ML الجديد بالتحقق من صحة العلم الجديد على مستوى أساسي أكثر مما اكتشفناه من قبل. الغرض من هذه المقالة هو التحدث عن أداة ML الجديدة هذه للتحقق من صحة العلم الجديد.

بدأ العلم الحديث بعمل نيوتن وديكارت. أعطانا نيوتن أول فهم دقيق للفيزياء ، لكنه أيضًا كان له الفضل في تطوير حساب التفاضل. يستمر هذا الاقتران بين العلوم الفيزيائية والرياضيات في تشكيل البحث حتى يومنا هذا ولا سيما في تطبيق المعادلات التفاضلية الجزئية على المشكلات متعددة المتغيرات في الهندسة والفيزياء. يعود الفضل إلى ديكارت في تطوير الجبر لشرح الهندسة. يمكن تفسير الشكل الهندسي بسلسلة من المعادلات (الجبر) ، حيث تحدد الإحداثيات نقطة ما ، ونقاط الخطوط المحددة والخطوط التي تحدد المستويات والشكل. دعم هذا الجبر رؤية ديكارت للعلم باعتباره فحصًا من أعلى إلى أسفل للملموس من المستوى الكلي إلى المستوى الجزئي والتركيز على المادة والبنية والسببية الحتمية الخطية. ليس من المستغرب أن ديكارت كان فيلسوفًا تجريبيًا بالإضافة إلى دراسته للرياضيات والعلوم. شكلت فلسفته "الطبيعية" العلم على مدى المائتي عام القادمة وما زالت حتى يومنا هذا.

كان التقدم الكبير التالي في العلم هو نظرية الكم. كان الكثير من أسس فيزياء الكم مبنيًا على الرياضيات الجديدة. أولاً ، قدم لنا لودفيج بولتزمان ميكانيكا إحصائية ، والتي أدخلت الاحتمالية وعدم اليقين في دراسة العلوم الفيزيائية. استخدم كل من ماكسويل وبوينكير وهايزنبرغ وشرودنجر وبوهر وبلانك وآينشتاين الرياضيات للبناء على عمل بولتزمان. تركنا هذا مع فهم جديد للواقع مبني على جزيئات دون ذرية وغير مرئية تتصرف بطريقة احتمالية. لا يمكن أن ينتهي بنا الأمر أكثر من فلسفة ديكارت الطبيعية. يركز العلم الآن على غير المرئي. لحسن الحظ ، ساعدنا الاختراق التالي في الرياضيات والعلوم ، نظرية الفوضى ، على سد عدم اليقين في فيزياء الكم مع العالم الطبيعي الذي نراه كل يوم.

في عام 1972 ، قدم الأستاذ في معهد ماساتشوستس للتكنولوجيا إدوارد لورنز فكرة الفوضى الحتمية. قام بينوا ماندلبروت ، الباحث في شركة IBM ، بتطوير عمل لورينز ، ووضع "أساسًا رياضيًا لتشكيل الأنماط في الطبيعة" [1]، وأظهر أن الأنظمة القطعية غير الخطية ذات الاعتماد الحساس على الظروف الأولية (SDIC) يمكن تصميمها على الكمبيوتر. لم يشرح ماندلبروت فقط جزءًا من العلوم الطبيعية لم يكن مفهومًا إلا قليلاً ، ولكنه قدم مفهوم "الفركتلات" لشرح الأنماط التي تتكرر باستمرار عبر كل الطبيعة. مع الأنماط الموثقة ، جاءت الرياضيات بسهولة وسهلت الحوسبة إلى حد كبير إجراء مزيد من البحث في نمذجة الظواهر الفوضوية في مجالات مثل الأرصاد الجوية والجيولوجيا وعلم الأحياء. بغض النظر عما تبقى من ميتافيزيقيا ديكارت ونظرية المعرفة بعد فيزياء الكم ، فإن الفهم الجديد للأنماط الطبيعية التي تظهرها نظرية الفوضى أظهر طريقة أخرى للرياضيات لتفسير العلم الذي لم يسبق تفسيره. ربما أظهرت نظرية الفوضى أيضًا نقطة أكثر أهمية. يمكن فهم العلم من خلال تطبيق نمذجة الكمبيوتر للبحث عن أنماط في الأنظمة. ثم تم تطبيق هذا التركيز في العلوم على الأنظمة على فئة أخرى من الأنظمة - علم التعقيد.

إذا كان هذا المحتوى التعليمي التفصيلي مفيدًا لك ، اشترك في قائمتنا البريدية AI ليتم تنبيهنا عندما نصدر مادة جديدة.

في عام 1984 ، أسس موراي جيل مان الحائز على جائزة نوبل في الفيزياء معهد سانتا في مع مجموعة من العلماء والعلماء البارزين لاستكشاف الأنظمة المعقدة. أوضح جيل مان التعقيد ، "ما يجب أن نبحث عنه هو التوليفات الرائعة التي ظهرت اليوم ، والتي كانت متعددة التخصصات للغاية" ، كما يقول جيل مان [2]. كان بعضها يسير على ما يرام بالفعل: البيولوجيا الجزيئية. علم غير خطي. العلوم المعرفية. ولكن من المؤكد أن هناك تركيبات أخرى ناشئة ، كما قال ، وينبغي على هذا المعهد الجديد أن يبحث عنها ". على عكس الأنظمة الفوضوية ، فإن الأنظمة المعقدة ليست حتمية ، كما هو موضح أدناه. تعرض الأنظمة الحتمية "تطورًا فريدًا" ، حيث "يتبع دائمًا حالة معينة من النموذج نفس تاريخ تحولات الحالة". [3]

ميزة "غير الخطية" ، "لا يحتاج النظام إلى التغيير بشكل متناسب مع التغيير في متغير" [4]، يوفر المرونة لالتقاط فكرة رياضية أن جميع الأنظمة الطبيعية والتي من صنع الإنسان عبارة عن شبكات تتضمن حلقات التغذية الراجعة. هذا الاتصال ، المتغيرات الشبكية المختلفة في حالات مختلفة في نقاط زمنية مختلفة ، يشرح الطبيعة غير الحتمية للأنظمة المعقدة ، والطبيعة متعددة المتغيرات للأنظمة والجودة الناشئة لهذه الأنظمة. الظهور هو ميزة نظام حيث لا يمكن شرح خصائص الكل بشكل إضافي من خلال المكونات. إن تحول الماء إلى جليد هو مثال على الظهور. ما أظهره لنا التعقيد هو نوع آخر من الأنظمة فسرته مبادئ تجاوزت العلم الديكارتي إلى حد بعيد.

تشرح إحدى خصائص الأنظمة المعقدة سبب تقدم التعلم الآلي كأداة لشرح العلم. الأنظمة المعقدة هرمية من الأسفل إلى الأعلى. ما يعنيه هذا هو أن الجسيمات الكمومية تتحد لتشكل الذرات التي تصبح جزيئات ، ثم الخلايا والأعضاء (الأنظمة) وفي النهاية البشر (الأنظمة). وصف هربرت سيمون ، الخبير الاقتصادي في جائزة نوبل ، هذا الجمع بين المكونات [5] وهو أساس الإبداع البشري والتطور. تدور ماكينة القمار وتتغير النتائج في كل مرة تقوم فيها بسحب الرافعة. بعض النتائج على أي مستوى من التسلسل الهرمي للأنظمة تعزز القدرة على البقاء بينما لا تفعل الاختلافات الأخرى ذلك. سواء كانت عملية تركيبية أو طبيعية ، فإن هذه العملية التوافقية تخلق التنوع لتحسين النتائج بشكل محتمل. هذا المفهوم للعملية الاندماجية هو الأساس الفكري للبيولوجيا الحاسوبية والكيمياء والفيزياء.

يشرح إي أو ويلسون ، أستاذ الأحياء الأسطوري بجامعة هارفارد ، ذلك جيدًا.

"نحن نغرق في المعلومات ، بينما نتضور جوعًا من أجل الحكمة. سيُدار العالم من الآن فصاعدًا بواسطة مُصنِّعين ، وهم أشخاص قادرون على تجميع المعلومات الصحيحة في الوقت المناسب ، والتفكير النقدي بشأنها ، واتخاذ الخيارات المهمة بحكمة ". (1999)

بناءً على هذا التفكير ، أسس ويلسون ما أصبح يُطلق عليه علم الأحياء الحسابي - تطبيق ML في الاستقصاء البيولوجي. في علم الأحياء ، لم يكن لدينا فقط الحيوانات والأنواع ، ولكن جميع الجينومات وتسلسلها الهرمي متعدد الطبقات للمكونات التي يجب مراعاتها. مع زيادة حجم مجموعات البيانات بمرور الوقت ، توسع تطبيق ML من تحليلات البيانات إلى التحليلات التنبؤية والتعليمية ، من علم الأحياء إلى العلوم الطبية والزراعة وعلوم المواد والتطبيقات الفيزيائية السيبرانية. كان ML هو الأداة المثالية لاستخدامها في التعرف على الأنماط عبر مجموعة واسعة من التخصصات. في النهاية ، أدركنا أنه يمكن استخدام ML لأكثر من تحليل البيانات. يمكن استخدام ML لتطوير الحلول المقترحة للمشاكل في الطب وعلوم المواد والزراعة والعديد من المجالات الأخرى. يمكن لـ ML تحليل التركيبات التركيبية للمكونات لتحديد أفضل الحلول النظرية. لم يعد علينا تقييم آلاف وآلاف الحلول. قامت ML بفحص الحلول مسبقًا وتقليل عبء العمل والأهم من ذلك تقصير الوقت اللازم للتسويق (للحلول المنقذة للحياة).

هانا فراي تشرح ما حدث بالفعل.

"الرياضيات تدور حول التجريد بعيدًا عن الواقع ، وليس تقليده. وهي تقدم قيمة حقيقية في هذه العملية. بالسماح لنفسك بمشاهدة العالم من منظور مجرد ، فإنك تنشئ لغة قادرة بشكل فريد على التقاط ووصف الأنماط والآليات التي كانت ستبقى مخفية لولا ذلك. وكما سيخبرك أي عالم أو مهندس خلال الـ 200 عام الماضية ، فإن فهم هذه الأنماط هو الخطوة الأولى نحو القدرة على استغلالها ". [6]

أصبح ML ، كما توقعه ويلسون ، أفضل أداة في التاريخ للتلاعب الرياضي من خلال استخدام الخوارزميات للتعرف على الأنماط. كما يوضح الخبير الاقتصادي المعقد دبليو برايان آرثر ، "باستخدام المعادلات ، نتلاعب بالنظام للوصول إلى شكل ما نسعى إليه: بعض التعبير عن حل ، بعض المعادلات ، بعض الشروط الضرورية ، بعض البنية الرياضية ، بعض العروض المرغوبة الحقيقة الواردة في النظام ". ... "تمنحنا الخوارزميات إمكانية دراسة التشكيل. يدرس الباحث ما هي العملية التوليدية التي تنتج نمطًا معينًا وكيف يمكن أن يختلف باختلاف التصميمات الحسابية. إذن ، هناك ذهاب وإياب بين النموذج أو الهيكل الذي تم تكوينه والخوارزمية التي شكلته. يصبح النمط تجريبيًا: تنتج الخوارزمية بعض الهياكل ، وتلك البنية تعود إلى الاستعلام عن الخوارزمية التي أنتجتها ". [7] كانت الخطوة التالية في تطور ML هي إعادة توظيف هذه "العملية التوليدية".

مع تزايد شعبية التعلم الآلي وفائدته ، ازدهرت الحوسبة السحابية ومن المتوقع أن تصل إلى عائدات تزيد عن تريليون دولار بحلول عام 1/2026 ، وفقًا لأبحاث Synergy Research. [8] دعمت الحوسبة السحابية جنبًا إلى جنب مع تقنية قواعد البيانات الأفضل توسيع حجم مجموعة البيانات لأي مشكلة معينة. مع تحسن تقنية قاعدة البيانات ، تمت مطابقتها بتحسين في مجموعة خوارزميات ML المتاحة. كانت إحدى مجموعات الخوارزميات التي ظهرت هي الذكاء الاصطناعي التوليدي ، والتي حظيت باهتمام كبير لتلاعبها بالنص والبيانات الفنية لإنتاج الكتابة والفن الأصلي. كان التطور الأكثر أهمية هو استخدام الذكاء الاصطناعي التوليدي في العلوم.

يأتي الذكاء الاصطناعي التوليدي في إصدارات عديدة - غير خاضعة للإشراف وخاضعة للإشراف ومعززة. بغض النظر عن أسلوب الخوارزمية ، يتم استخدام البيانات التركيبية إما كمخرجات في شكل كتابات أو فن أو كبيانات تدريب جديدة لتحسين الخوارزميات. هذا الاستخدام للبيانات التركيبية كبيانات تدريبية له استخدامات عديدة ، بما في ذلك جعل المستخدمين مجهولين. ومع ذلك ، أعتقد أن الاكتشاف الأكثر إثارة قد أوضحه دافني كولر ، عالم الكمبيوتر ، ماك آرثر جينيس ، والرئيس التنفيذي لشركة الطب الحيوي إنسيترو. باستخدام البيانات التركيبية ، ما وجده Insitro هو ميزات جديدة في مجموعات البيانات الطبية لم تكن معروفة للباحثين من قبل. في الأساس ، رأت الخوارزميات أنماطًا لم يراها البشر وكررتها في البيانات التركيبية الجديدة. يعتقد كولر أن الميزات الجديدة ، التي تتكرر في مجموعات البيانات التركيبية المستقبلية ، يمكن أن تأخذ دراسة الطب إلى مستوى جديد تمامًا من العلوم الطبية الأساسية. [9] يمكن أيضًا تطبيق هذا المنطق في أي مجال حسابي تقريبًا من العلوم الطبيعية لفتح دراسة مستويات جديدة من الأساسيات.

مارك أندرسين ، الشريك المؤسس لشركة VC a16z ، في الآونة الأخيرة بودكاست، يوضح أن التكنولوجيا الجديدة تسمح لنا "بإعادة النظر في الأساسيات". تاريخيا ، كان العلماء مقيدون بالأدوات المتاحة في نطاق التجارب. يمتلك الذكاء الاصطناعي التوليدي القدرة على تحويل العلم على المستوى الأساسي. تم تشكيل تاريخ العلم الحديث في البداية من خلال تحليل البيانات التجريبية والتحقق من صحتها من خلال الرياضيات. اليوم ، مع البيانات التركيبية ، نحن على وشك إجراء الرياضيات لعملية الاكتشاف بأكملها مع قيام العلماء بالتحقق السريري فقط. كما يقول رأس المال الاستثماري في Air Street Capital ، "الذكاء الاصطناعي أولاً حسب التصميم". تم شرح هذا التصميم الأول من حيث الذكاء الاصطناعي جيدًا في مجلة Cheminformatics:

"ازداد استخدام الذكاء الاصطناعي والتعلم الآلي (AI / ML) في اكتشاف الأدوية بسرعة في السنوات الأخيرة ، مما يوفر أدوات تصميم بمساعدة الذكاء الاصطناعي لمشاريع تصميم الأدوية. تكمن نقاط القوة في الذكاء الاصطناعي في العثور على أنماط من كمية هائلة من البيانات من مصادر غير متجانسة ، في أفضل حالاتها لزيادة قدرات البشر في المهام الصعبة مثل التحسين الجزيئي. تتيح التطورات في أدوات التصميم الجزيئي de novo أتمتة خطوة التصميم في دورات تصميم الأدوية وتحليلها واختبارها (DMTA). [10]

في هذه المرحلة ، يستخدم الباحثون المتقدمون ML لتسريع النهج الجديد ، DMTA ، لزيادة تطوير المواد الكيميائية والأدوية الجديدة عبر مجموعة واسعة من الصناعات. سيستمر الباحثون في تحسين الخوارزميات لتحسين العملية ، لكن الكثير من البحث العلمي انتقل إلى النماذج الحسابية التي تحدث ثورة في علم الأحياء والكيمياء والعلوم الطبية.

عماد مستقي ، مؤسس Stable Diffusion ، في معهد ماساتشوستس للتكنولوجيا تكنولوجي ريفيو (فبراير 2023) يسلط الضوء على هذه النقطة.

تعمل كل من Google و Microsoft مع الذكاء الاصطناعي التوليدي باعتباره جوهر مستقبلهم. لا يوجد "ما زلنا في وقت مبكر هنا" ، تقوم الشركات التي تبلغ قيمتها تريليون دولار بتغيير استراتيجيتها وتركيزها بالكامل. لا يمكنني أبدًا أن أتذكر تحولًا تكنولوجيًا واستراتيجيًا سريعًا وذا مغزى مثل هذا ".

إن مقارنة الذكاء الاصطناعي التوليدي مع Excel أو iPhone هو التقليل من التأثير المحتمل لهذه التقنية الجديدة. قد يكون تأثير الذكاء الاصطناعي التوليدي مكافئًا للكهرباء أو نظرية المعلومات لشانون. الذكاء الاصطناعي التوليدي سيكون قوة عظمى! [11]