مشاغل علمی زیر تیغ هوش مصنوعی

هوش مصنوعی بسیاری از مشاغل را تهدید می‌کند و به نظر نمی‌رسد مشاغل علمی از این قاعده مستثنا باشند. سوال اینجاست که کدام مشاغل بیشترین خطر جایگزینی با هوش مصنوعی را دارند؟

به گزارش ایسنا، برای پاسخ به این سوال، نشریه نیچر با بیش از ۴۰ پژوهشگر در دانشگاه و صنعت که در کار خود از هوش مصنوعی استفاده می‌کنند، صحبت کرده است. بسیاری از آن‌ها می‌گویند اوج‌گیری هوش مصنوعی همین حالا نیز تقاضا برای پژوهشگران انسانی‌ را که می‌توانند کد بنویسند یا تحلیل دادهٔ پایه انجام دهند، کاهش داده است. اینها وظایفی هستند که اغلب توسط دانشجویان تحصیلات تکمیلی، پژوهشگران پسادکتری یا افراد بدون تحصیلات تکمیلی انجام می‌شود.

به گفته شوآن‌هه ژائو (Xuanhe Zhao)، مهندس مکانیک در موسسه فناوری ماساچوست در کمبریج، منسوخ شدن برخی نقش‌های پایه در حوزه‌هایی مانند مدل‌سازی رایانه‌ای، بحث آینده نیز نیست و همین حالا در حال وقوع است، زیرا هوش مصنوعی این کار را بسیار بهتر از دانشمندان تازه وارد انجام می‌دهد. کارکنان در برخی مشاغل مانند ترجمه مقالات از یک زبان به زبان دیگر، نیز شاهد از دست رفتن حرفه خود هستند. پژوهشگران عموما فکر می‌کنند که موقعیت‌هایی که شامل آزمایش عملی هستند، امن‌ترند، همان‌طور که مشاغل دانشمندان ارشد که پروژه‌های پژوهشی را سازمان‌دهی و هماهنگ می‌کنند نیز امن‌تر به نظر می‌رسند. اما برخی استدلال می‌کنند که هوش مصنوعی حتی در این کارکردهای سطح بالاتر نیز در حال نزدیک شدن به انسان‌هاست.

به گفته آنتون کورینک (Anton Korinek)، اقتصاددان در دانشگاه ویرجینیا در شارلوتزویل، مشاغلی که شامل وظایف صرفا شناختی هستند، نخستین موارد حذفی خواهند بود. او می‌گوید: به طور سنتی، این‌ها همان مشاغلی بودند که بیشترین ارتباط را با پژوهش علمی داشتند. آن‌ها به ‌زودی توسط هوش مصنوعی تصاحب خواهند شد.

نیرویی مخرب

پژوهشگران هم‌اکنون از ابزارهای هوش مصنوعی برای بسیاری از وظایف مانند ویرایش مقالات و خلاصه‌سازی مقالات علمی استفاده می‌کنند. اما در حال حاضر، به گفته پژوهشگران، توانایی هوش مصنوعی در تولید کد و پردازش داده بیشترین اختلال را در بازار کار علمی ایجاد کرده است.

برای مثال، برخی آزمایشگاه‌های دانشگاهی برنامه‌نویسان پژوهشی را استخدام می‌کنند تا بسته‌های کدی بنویسند که دیگر دانشمندان از آن‌ها استفاده کنند. به گفته برایان های (Brian Hie)، زیست‌شناس محاسباتی، با ظهور هوش مصنوعی، چنین مشاغلی اکنون منسوخ شده‌اند. شوآن‌هه ژائو موافق است که موقعیت‌هایی که بر ایجاد شبیه‌سازی‌ها و تحلیل داده تمرکز دارند، اکنون می‌توانند با هوش مصنوعی پر شوند.

حتی اگر هوش مصنوعی هنوز به اخراج چنین کارکنانی منجر نشده باشد، هم ‌اکنون نیز موقعیت‌های جدید در علم را محدود کرده است. هانا ویمنت استیل (Hannah Wayment-Steele) زیست‌شناس محاسباتی در دانشگاه ویسکانسین مدیسون، می‌گوید اگر پنج سال پیش در حال راه‌اندازی آزمایشگاهم بودم، فکر می‌کردم استخدام یک برنامه‌نویس پژوهشی واقعا عالی است... اما حالا واقعا نیازی به آن نمی‌بینم، زیرا هوش مصنوعی می‌تواند حتی کدنویسی سنگین را انجام دهد.

نانشو لو (Nanshu Lu)، مهندس مواد در دانشگاه تگزاس در آستین، با این حرف موافق است. او می‌گوید: ما در استخدام دستیاران پژوهشی تحصیلات تکمیلی و پژوهشگران پسادکتری آینده بسیار محافظه‌کارتر شده‌ایم که این تا حدی به دلیل عدم قطعیت‌ها در مورد حمایت‌های مالی و قطعا به خاطر هوش مصنوعی است.

برخی دانشمندان نسبت به خطرات احتمالی هشدار می‌دهند و می‌گویند دانشجویان کارشناسی، تحصیلات تکمیلی و متخصص‌ها ممکن است دیگر نتوانند مشاغل آزمایشگاهی دانشگاهی به دست آورند که مشاغلی هستند که سکوی پرتابی به سوی دیگر موقعیت‌های علمی فراهم می‌کنند. کلاس ویک (Claus Wilke)، زیست‌شناس محاسباتی در دانشگاه تگزاس، می‌گوید: ممکن است موقتا به ازای هر دلار، پژوهش بیشتری انجام دهید، اما هزینه آن فروپاشی زنجیره تربیت نیرو و افول بلندمدت خواهد بود.

از دست رفتن مشاغل

شواهد نشان می‌دهد که هوش مصنوعی هم‌ اکنون نیز در برخی حوزه‌های مرتبط با علم باعث از دست رفتن شغل شده است. با بهبود و گسترش مترجمان مبتنی بر هوش مصنوعی، انجمن مترجمان آمریکا شاهد کاهش ۲۶ درصدی عضویت در بخش علم و فناوری خود در کمتر از دو سال و نیم بوده است.

برخی مترجمان به کارهای جدید روی آورده‌اند. برای مثال، جیمی راسل در چپل هیل، کارولینای شمالی، که قبلا اسناد کارآزمایی‌های بالینی را ترجمه می‌کرد، اکنون مترجم پزشکی است و گفت‌وگوهای شفاهی میان بیماران و پزشکان را ترجمه می‌کند. اما او مترجمان سابقی را می‌شناسد که اکنون راننده سرویس تحویل غذا هستند. او می‌گوید: خیلی ناراحت‌کننده است.

محدودیت‌های مدل

با این وجود بسیاری از پژوهشگران می‌گویند که هوش مصنوعی هنوز نمی‌تواند وظایف سطح بالاتری را که دانشمندان انجام می‌دهند، انجام دهد. برای مثال، تصمیم‌گیری درباره اینکه کدام ایده‌ها را به‌عنوان پرسش‌های پژوهشی دنبال کنند. جاناتان اوپنهایم (Jonathan Oppenheim)، فیزیکدان کوانتومی در دانشگاه کالج لندن، با هوش مصنوعی بیگانه نیست و از آن می‌خواهد پیش از ارسال هر یک از دست‌نوشته‌هایش به یک مجله، گزارش‌های داوری ساختگی ایجاد کند. او نقدهای آن را مفید می‌داند، اما می‌گوید هوش مصنوعی واقعا قادر به ارائه ایده‌های نو نیست.

حتی کسانی که نسبت به توانایی هوش مصنوعی برای تولید ایده‌های پژوهشی خوش‌بین‌تر هستند، می‌گویند انسان‌ها هنوز در آن موارد نقش دارند. کارو سانکارالینگام (Karu Sankaralingam) دانشمند علوم رایانه دانشگاه ویسکانسین مدیسون، فکر می‌کند بهترین راه برای ایده‌پردازی درباره مسیرهای پژوهشی ترکیب داده‌های انسانی و هوش مصنوعی است، زیرا تولید فرضیه نیازمند حضور یک فرد در چرخه برای مهندسی پرامپت‌های دقیق است. او می‌گوید: من زمان فوق‌العاده زیادی را صرف فکر کردن به پرامپت می‌کنم. چنین دقتی برای جلوگیری از «توهمات» هوش مصنوعی لازم است. توهمات به خروجی‌های ساختگی‌ که سامانه‌های هوش مصنوعی می‌توانند تولید کنند، گفته می‌شود.

با این حال، آنتون کورینک (Anton Korinek) بر این باور است که حتی مشاغل پژوهشی ارشد نیز اگر بر شناخت متمرکز باشند، آسیب‌پذیرند. او می‌گوید: انتظار دارم ریاضیدانان در سال تحصیلی آینده تأثیر آن را ببینند. هرچند ریاضیدانان این دیدگاه را که هوش مصنوعی به جایگزین آن‌ها شدن نزدیک است، رد می‌کنند.

کار عملی

در مقایسه، متخصص‌های آزمایشگاه و پژوهشگرانی که آزمایش‌های «آزمایشگاه مرطوب» انجام می‌دهند، دست‌کم فعلا در موقعیت امن‌تری هستند. آزمایشگاه‌های خودکار مبتنی بر هوش مصنوعی و رباتیک هنوز از انجام بسیاری از وظایف ناتوان‌اند و در تفسیر نتایج مشکل دارند. اوپنهایم می‌گوید هوش مصنوعی برای مدتی نسبتا طولانی تأثیر زیادی بر کار آزمایشگران نخواهد داشت.

یک مطالعه در ماه فوریه در حوزهٔ زیست‌شناسی ساختاری اطمینان می‌دهد که برخی مشاغل با وجود ظهور هوش مصنوعی باقی خواهند ماند. ابزار هوش مصنوعی آلفافولد ۲ (AlphaFold2) وظیفه دشوار برون‌یابی از توالی‌های اسید آمینه به ساختار پروتئین را انجام می‌دهد و ساختار حدود ۴۰ درصد از پروتئین‌های شناخته‌شده را با اطمینان «بسیار بالا» پیش‌بینی می‌کند.

با این حال، یک پیش‌چاپ که در روز ۳ فوریه منتشر شد، نشان داد که روش‌های دستی و پرزحمت تصویربرداری از ساختار پروتئین هنوز استفاده می‌شوند. بسیاری از پروتئین‌هایی که به‌صورت دستی مشخصه‌یابی شده بودند، همان‌هایی بودند که ابزار هوش مصنوعی در درک آن‌ها مشکل داشت که نشان می‌دهد پژوهشگران به مسائلی روی آورده‌اند که در آن‌ها انسان‌ها «مزیت نسبی» دارند.

پژوهشگران می‌گویند چنین انعطاف‌پذیری‌ شاید مسیر پیشِ روی علم باشد.

ترنس تائو (Terence Tao)، ریاضیدان در دانشگاه کالیفرنیا در لس انجلس، می‌گوید: اگر با هوش مصنوعی سازگار شویم که فکر می‌کنم مجبور به این کار باشیم، آن‌گاه دوام خواهیم آورد و در برخی موارد، حتی می‌توان شکوفا شد.

*