از شبیه‌سازی مغز تا مصرف انرژی تراشه‌ها؛ چرا زیست‌شناسی بزرگ‌ترین چالش هوش مصنوعی است؟

چرا زیست‌شناسی این‌قدر پیچیده و دشوار است؟ این پرسشی جذاب و ژرف است که به‌سادگی نمی‌توان به آن پاسخ داد. این معما به رابطه شگفت‌انگیز میان مدل‌های زبانی بزرگ (LLM) به‌عنوان نوعی آگاهی دیجیتال و مغز انسان بازمی‌گردد؛ ساختاری به‌شدت پیش‌بینی‌ناپذیر و رویاپرداز که از بافت‌های زنده و پالس‌های عصبی ساخته شده و در یک کلام، ماهیتی کاملاً زیستی دارد.

اکنون که شاهد ظهور جایگزینی نوپا در قالب شبکه‌های عصبی مصنوعی هستیم، حتی در تعریف دقیق ویژگی‌های مغز زیستی نیز با دشواری روبه‌رو شده‌ایم. در دوران آغازین یادگیری ماشین، تصور می‌شد این شبکه‌های دیجیتال تفاوتی بنیادین با سازوکار زیستی دارند؛ اما امروزه این مرزبندی دیگر چندان قطعی به نظر نمی‌رسد.

با این حال، پرسش بنیادین همچنان پابرجاست: زیست‌شناسی از دیدگاه هوش مصنوعی تا چه اندازه دشوار است؟

در جریان رویداد Next Endeavor در ماونتین‌ویو کالیفرنیا، پنلی تخصصی با میزبانی لیزا دولان از مجموعه Link Ventures برگزار شد که در آن سوریا گانگولی، کریتیک رامش و علی خلعتبور به بررسی کاربردهای هوش مصنوعی در زیست‌شناسی و چالش‌های فنی این مسیر پرداختند.

پیش‌زمینه و ابعاد ماجرا

در آغاز گفتگو، کریتیک رامش با لحنی طنزآمیز اشاره کرد دلیل ورودش به این حوزه، نرفتن به سمت بازارهای مالی بوده است.

او سپس توضیح داد که چرا زیست‌شناسی تفاوت‌هایی ساختاری با مسائلی نظیر زبان طبیعی دارد.

رامش در این باره گفت: «در علوم زیستی مشخص شده که پیش‌آموزش روی پروتئین‌ها، با وجود تمام پیشرفت‌های حاصل‌شده، لزوماً به این معنا نیست که می‌توانیم توالی‌ها را به‌خوبی توصیف کنیم و بسنجیم. بنابراین بخش عمده‌ای از فعالیت‌های ما بر این پرسش متمرکز است که چه بخش‌هایی قابلیت مقیاس‌پذیری مطلوب دارند و الگوهای مناسب برای توسعه مقیاس، همگام با واقعیت‌های زیستی، کدامند؟»

او در ادامه پیرامون مراحل چندگانه تحقیقات برای کشف و توسعه دارو سخن گفت؛ به‌ویژه در پاسخ به پرسش دولان درباره تمایز میان توهم مدل‌های زبانی با خطاهای رایج در علوم زیستی.

رامش خاطرنشان کرد: «زیست‌شناسی حوزه‌ای است که عیار هر ادعایی تنها در آزمایش عملی مشخص می‌شود. این دانش نیازمند تواضع و درک عمیق از پیچیدگی‌های ساختارهای بیولوژیک و آگاهی از موانع کاربردی متعددی است که در مسیر پیاده‌سازی وجود دارد.»

چالش‌های حل‌نشده در زیست‌شناسی

سوریا گانگولی نیز با مقایسه زیست‌شناسی با سایر شاخه‌های علمی، تصویر روشنی از دشواری این حوزه ترسیم کرد.

او در این باره گفت: «در گذشته ریاضیات درسی بسیار دشوار به شمار می‌رفت و دانشجویانی که تمایلی به ریاضی نداشتند، به سراغ زیست‌شناسی می‌رفتند تا از آن فرار کنند. اما در حقیقت ریاضیات مسئله‌ای به نسبت ساده است و هوش مصنوعی امروزه به‌خوبی از پس حل آن برمی‌آید. آنچه حقیقتاً دشوار و سرکش است، زیست‌شناسی است؛ حوزه‌ای که دشواری‌اش از داده‌ها، کمبود اطلاعات دقیق، عدم امکان مشاهده کامل سیستم، وجود نویزهای فراوان در داده‌ها و نبود چارچوب‌های نظری منسجم ناشی می‌شود.»

این دیدگاه جایگاه کنونی فناوری را به درستی تبیین می‌کند؛ زیست‌شناسی ماهیتی شبیه ریاضیات ندارد، بلکه پدیده‌ای به مراتب دشوارتر، ناشناخته‌تر و چندلایه‌تر از آن است.

گانگولی در ادامه توضیحات بیشتری درباره پژوهش‌های عملی در دست اجرا ارائه داد.

او تأکید کرد: «شرکت‌های موفقی که در حوزه هوش مصنوعی و زیست‌شناسی فعالیت می‌کنند، باید نوعی مزیت رقابتی پایدار در دسترسی و گردآوری داده‌ها برای خود بسازند و هوش مصنوعی را به شکلی نوآورانه با آن پیوند بزنند تا مسائل کلیدی حل شوند. به‌عنوان نمونه، ما شرکت‌هایی را بررسی کرده‌ایم که روی رابط‌های مغز و رایانه غیرتهاجمی کار می‌کنند؛ آن‌ها با بهره‌گیری از فناوری‌های نو به ثبت میدان‌های مغناطیسی مغز می‌پردازند، از صفحات ریزآرایه برای متمرکز کردن این میدان‌ها استفاده می‌کنند و با ترکیب هوش مصنوعی و پردازش سیگنال، نسبت سیگنال به نویز را به میزان چشمگیری ارتقا می‌دهند. این رویکرد چشم‌اندازی فوق‌العاده هیجان‌انگیز به‌همراه دارد.»

رمزگشایی از اختلالات ادراک و آگاهی

بخش دیگری از سخنان گانگولی نیز نیازمند توجه و تأمل ویژه‌ای است.

او توضیح داد: «مغز انسان پیچیده‌ترین سامانه زیستی در جهان هستی است و ما کمترین دسترسی مستقیم را به آن داریم؛ وضعیتی که البته اکنون در حال دگرگونی است.»

گانگولی در این بخش به مبحث «اختلالات آگاهی» اشاره کرد و از پژوهش‌های جاری روی موش‌ها و میمون‌ها سخن گفت؛ تحقیقاتی که به دستاوردهایی نوین در تشخیص توهمات ناشی از اسکیزوفرنی و تجربیاتی نظیر احساس خروج از بدن تحت تأثیر داروهایی چون کتامین منجر شده است.

او تشریح کرد: «ما از هوش مصنوعی برای ساخت مدلی محاسباتی از مغز بهره بردیم. سپس با ایجاد اختلال کنترل‌شده در این سیستم هوش مصنوعی تلاش کردیم رفتارهای خاصی را در آن القا کنیم؛ در گام بعدی با تحریک متناظر مغز، توانستیم الگوهای مشابهی ایجاد کرده و اختلالات آگاهی نظیر توهم، تجارب خروج از بدن، حملات صرع و موارد مشابه را بازتولید کنیم و حتی آن‌ها را تحت کنترل درآوریم.»

او در پایان این مبحث یادآور شد که در آینده شاید بتوان بیماری‌هایی را درمان کرد که به تعبیر او، «درک بنیادین ما از خویشتن را دگرگون می‌سازند».

پیامد چنین دستاوردی برای آینده پزشکی و ادراک انسان، شگفت‌انگیز و دگرگون‌کننده خواهد بود.

از لیزرهای فضایی تا انتقال داده در تراشه‌ها

در ادامه نشست، محور گفتگو به سمتی دیگر معطوف شد. علی خلعتبور به تشریح فرآیند توسعه لیزری پیشرفته در دانشگاه MIT و جذب بودجه بیست میلیون دلاری از ناسا پرداخت.

خلعتبور گفت: «نخستین چالش در توسعه سخت‌افزار این است که آیا منابع کافی در اختیار دارید یا خیر؛ گام دوم این بود که ما باید قطعه‌ای می‌ساختیم که صد برابر کارآمدتر و بهینه‌تر عمل کند، چراکه این لیزرها به فضا ارسال می‌شوند؛ جایی که خنک‌سازی تجهیزات کاری به غایت دشوار است و به بالاترین سطح بهره‌وری انرژی نیاز دارید.»

او با برشمردن چالش‌های مربوط به تأمین توان، بار پردازشی و سیستم‌های خنک‌کننده در مقیاس کلان افزود:

«برای آنکه نوآوری ماندگار شود، باید آن را در قالب سامانه‌ای کاربردی پیاده‌سازی کرد؛ همین اصل سبب شد مسیر علمی را تا تأسیس یک استارتاپ ادامه دهم.»

او با استفاده از تمثیلی برگرفته از جام جهانی، به بررسی چالش جابجایی داده‌ها در میان پردازنده‌های گرافیکی (GPU) پرداخت.

او تأکید کرد: «چالش اصلی این است که داده‌ها چگونه منتقل شوند؛ زیرا در نهایت همه پردازنده‌های گرافیکی منتظر دریافت داده‌ها می‌مانند. ما هنوز الگوی شفافی از یک سیستم رایانش توزیع‌شده اختصاصی برای هوش مصنوعی نداریم. نگرش ما به مراکز داده همچنان سنتی است و آن‌ها با ساختاری سلسله‌مراتبی و قدیمی به هم متصل شده‌اند، در نتیجه تنگناهای گلوگاهی فراوانی در مسیر تبادل داده میان پردازنده‌ها پدید می‌آید.»

این نکته دیدگاهی بنیادین در معماری سیستم‌ها است؛ اغلب مباحث بر توان اسمی سخت‌افزار متمرکز می‌شود، در حالی که چالش اصلی در فرآیند انتقال داده میان اجزای پردازشی نهفته است.

از سطح الکترون‌ها تا معماری الگوریتم‌ها

مباحث این نشست زوایای دیگری را نیز در بر می‌گرفت؛ از جمله دیدگاهی تأمل‌برانگیز که درباره مصرف انرژی مطرح شد:

«مغز انسان تنها با توان مصرفی حدود ۲۰ وات کار می‌کند که رقمی شگفت‌آور است؛ در نظر بگیرید یک لامپ رشته‌ای معمولی ۱۰۰ وات برق مصرف می‌کند و یک تراشه H100 به‌تنهایی نیازمند حدود ۷۰۰ وات انرژی است. وقتی هزاران پردازنده را کنار هم بگذارید، مصرف کلی به چندین مگاوات می‌رسد. کاهش این شکاف از مگاوات‌ها به ۲۰ وات، نیازمند بازنگری بنیادین در کل زنجیره فناوری، از فیزیک حرکت الکترون‌ها تا طراحی الگوریتم‌ها است.»

مسیر پیش‌رو و پیش‌بینی آینده

در بخش پایانی، لیزا دولان از هر سه کارشناس پرسید: «دوست دارید سرمایه‌گذاران یا بنیان‌گذاران دیگر چه ایده‌ای را دنبال کنند که در حال حاضر مورد غفلت قرار گرفته است؟»

در پاسخ، گانگولی با طرح دیدگاهی غیرمنتظره گفت: «رویکرد کنونی ما در هوش مصنوعی از اساس با اشکال روبه‌رو است.»

دولان از او خواست تا این ادعای بحث‌برانگیز را توضیح دهد.

گانگولی توضیح داد: «بهره‌وری بی‌نظیر مغز انسان در یادگیری با حداقل نمونه‌ها در مقایسه با ماشین‌ها، گویای آن است که شیوه کنونی آموزش هوش مصنوعی خطایی راهبردی دارد. امیدوارم پژوهشگران و سرمایه‌گذاران تمرکز بسیار بیشتری بر حل این مسئله بگذارند.»

رامش نیز اظهار داشت: «استارتاپ‌ها، به‌ویژه در عرصه زیست‌شناسی، به مقدار مشخصی واقع‌گرایی و فروتنی نیاز دارند. سرمایه‌ها و توجهات معمولاً به سمت ایده‌های پرزرق‌وبرق جذب می‌شوند؛ در حالی که انبوهی از چالش‌های بنیادین به دلیل عدم توجه کافی دست‌نخورده باقی مانده‌اند. تمرکز بر حل مسائل عملی و ملموس می‌تواند دستاوردهای ماندگاری برای کل اکوسیستم فناوری به ارمغان آورد.»

علی خلعتبور نیز در جمع‌بندی دیدگاه خود گفت: «یادگیری پیوسته یکی از بزرگ‌ترین چالش‌های کنونی هوش مصنوعی است. در حال حاضر یک مرکز داده را به آموزش یک مدل اختصاص می‌دهیم و چند ماه بعد مدلی دیگر آموزش داده می‌شود؛ گویی هیچ پیوندی میان این دو مرحله وجود ندارد. ما نیازمند بازطراحی کل هرم سخت‌افزار و نرم‌افزار هستیم تا یادگیری مستمر به‌صورت سخت‌افزاری محقق شود.»

نکات مطرح‌شده در این رویداد تصویری دگرگون‌کننده از چشم‌انداز هوش مصنوعی پیش چشم می‌گذارد؛ ایده‌هایی که بی‌تردید شیوه پیوند هوش محاسباتی با علوم زیستی و سخت‌افزارهای پردازشی را در سال‌های پیش‌رو متحول خواهند کرد.