به گزارش سایت خبری پرسون، فورتوناتو، پژوهشگر دانشگاه بلومینگتون ایندیانا، از نسخه رایگان چت جی‌پی‌تی پرسید که آیا می‌تواند برندگان جایزه نوبل امسال را پیش‌بینی کند یا خیر و این چت‌بات اینگونه پاسخ داد: نمی‌توانم آینده، از جمله برندگان جایزه نوبل سال ۲۰۲۳ یا هر سال دیگری را پیش‌بینی کنم.
سپس فورتوناتو از هوش مصنوعی خواست سه اکتشاف بزرگ در شیمی، فیزیک و فیزیولوژی یا پزشکی را که توسط دانشمندان زنده‌ای که پیش از این جایزه نوبل دریافت نکرده‌اند، انجام شده، شناسایی کند. به این سه رشته در بخش علمی نوبل جایزه اهدا می‌شود. شاگردان فورتانو نیز مورد مشابهی را از چت‌بات گوگل به نام کلود خواستند.
هر دو چت‌بات توانستند اکتشافات مهمی از توسعه ابزار ویرایش ژنوم کریسپر تا کشف گرافن ماده دو بعدی را ارائه کنند، اما در پاسخ‌های آنها نقص‌های زیادی وجود داشت.
در برخی موارد، چت‌بات‌ها اکتشافاتی را شناسایی کردند که دانشمندان قبلا برای دستیابی به آنها جایزه نوبل دریافت کرده بودند. و این تنها مشکل نبود. فورتوناتو می‌گوید: من در مورد دانشمندانی که در قید حیات هستند پرسیدم و آنها نمونه‌هایی را مطرح کردند که درگذشته‌اند.
قدرت پیش‌بینی
جیمز ایوانز(James Evans)، دانشمند علوم اجتماعی محاسباتی در دانشگاه شیکاگو می‌گوید: اگرچه مدل‌های زبانی بزرگ(LLM) مانند چت جی‌پی‌تی و کلود، ممکن است در شکل کنونی خود پیشگوهای بزرگ جایزه نوبل نباشند، اما پتانسیل تبدیل شدن به ابزارهای قدرتمند پیش‌بینی را دارند.
او می‌افزاید: اما برای اینکه آنها برای این هدف مناسب باشند، باید کمی تلاش کرد. برای ایجاد یک هوش مصنوعی پیش‌بینی کننده جوایز نوبل، مدل‌های زبانی بزرگ فعلی باید اصلاح شوند و بر اساس داده‌های مناسب آموزش ببینند.
هوش مصنوعی همچنین می‌تواند تلاش‌های موجود برای پیش‌بینی برندگان آینده را بهبود بخشد.
یک مورد خاص
راسموس بیورک(Rasmus Bjørk)، فیزیکدان دانشگاه فنی دانمارک در کپنهاگ که تجزیه و تحلیل برندگان جایزه نوبل را انجام داده است، می‌گوید: مورد استناد قرار گرفتن به تنهایی برای نشان دادن اینکه چه کسی ممکن است در آینده جایزه نوبل را دریافت کند، کافی نیست. بیورک می‌گوید برای دریافت این جایزه، پژوهشگران باید کارهای پیشگامانه‌ای انجام دهند که حوزه‌ای را رو به جلو پیش ببرد یا تأثیری اساسی بر جامعه داشته باشد. او می‌گوید: این باید یک مورد خاص باشد. البته، اندازه‌گیری این خاص بودن می‌تواند دشوار باشد.
بنو تورگلر(Benno Torgler)، اقتصاددان رفتاری در دانشگاه فناوری کوئینزلند در بریزبن که برندگان جایزه نوبل را مطالعه کرده است، می‌گوید: مدل‌های زبانی بزرگ ممکن است بتوانند کمک کنند، زیرا می‌توانند منابع و آرشیوهای آنلاین را برای یافتن اطلاعاتی که نشانه‌های دیگری از تاثیرگذاری تحقیقات را نشان می‌دهند جستجو کنند. این موارد ممکن است شامل ذکر مقاله در پوشش‌های خبری، شبکه‌های همکاری محققان و پیوندهای آنها با برندگان قبلی جایزه نوبل باشد. تغذیه مدل‌های زبانی بزرگ با این اطلاعات کیفی می‌تواند به پیش‌بینی‌های دقیق‌تری منجر شود.
بیورک می‌گوید: ابزارهای مولد هوش مصنوعی همچنین می‌توانند به سوگیری‌هایی را که قبلا جوایز نوبل را احاطه کرده بودند، تداوم بخشند. از زمان معرفی جوایز نوبل بیش از یک قرن پیش، تنها ۶۰ زن برنده این جایزه شده‌اند. اگر مدل‌های زبانی بزرگ بر روی داده‌های مربوط به برندگان گذشته آموزش ببینند، احتمال بیشتری وجود دارد که مردان را نسبت به زنان بیشتر به عنوان برندگان بالقوه آینده انتخاب کنند. او می‌گوید: ما باید مدل‌های زبانی بزرگ را طوری آموزش دهیم که این تعصبات را حذف کنیم.
داوری توسط هوش مصنوعی
پندلبری می‌گوید: وقتی صحبت از تصمیم‌گیری برنده جایزه نوبل می‌شود، هیچ چیزی جای داوری انسان‌ها را نمی‌گیرد. او می‌گوید: در نهایت سلیقه لازم است. من فکر می‌کنم این همان چیزی است که به جایزه نوبل زیبایی می‌بخشد.
اما ایوانز فکر می‌کند که مدل‌های زبانی بزرگ روزی می‌توانند به دنیای جوایز علمی مساوات برقرار کنند، زیرا می‌توانند راه را برای انواع جدیدی از جوایز هموار کنند که به جای دیدگاه کمیته‌های انسانی، بر تحلیل‌های کمتر مغرضانه و مبتنی بر هوش مصنوعی متکی هستند. او می‌گوید چنین جوایزی می‌تواند به نمایان کردن تحقیقاتی کمک کند که علم را به‌گونه‌ای که در حال حاضر شناخته نشده است، تغییر داده‌اند.
منبع: ایسنا
