آیا هوش مصنوعی می‌تواند آغازگر همه‌گیری بعدی باشد؟ بررسی خطرات زیستی در گزارش ایمنی ۲۰۲۶

کارشناسان بیش از ۳۰ کشور جهان دریافته‌اند که هوش مصنوعی در حال حاضر در انجام وظایف آزمایشگاهی از اکثر ویروس‌شناسان عملکرد بهتری به نمایش می‌گذارد، اما شکاف‌های موجود در ارزیابی‌های ایمنی توسعه‌دهندگان همچنان بدون پاسخ باقی مانده است.

هیچ سیستم هوش مصنوعی نمی‌تواند احتمال قابل اعتمادی از آغاز همه‌گیری بعدی توسط خود ارائه دهد. گزارش بین‌المللی ایمنی هوش مصنوعی ۲۰۲۶ که با مشارکت و راهنمایی بیش از ۱۰۰ کارشناس مستقل از سراسر بیش از ۳۰ کشور تدوین شده است، توانمندی‌های واقعی و رو به رشد این مدل‌ها را به تصویر می‌کشد و هم‌زمان نکته‌ای را یادآور می‌شود که اغلب اخبار جنجالی آن را نادیده می‌گیرند: عدم قطعیت صادقانه علمی.

چالش برانگیزاننده‌ای که ارزش تأمل دارد این است: یکی از مدل‌های ارزیابی‌شده در این گزارش، در خطایابی پروتکل‌های آزمایشگاهی ویروس‌شناسی از ۹۴ درصد متخصصان این حوزه بهتر عمل کرد. با این حال، تولید یک عامل بیماری‌زای همه‌گیر همچنان نیازمند دسترسی به آزمایشگاه فیزیکی، مواد اولیه ویژه، مهارت عمیق تجربی و انتقال موفقیت‌آمیز میان انسان‌ها است.

هوش مصنوعی در آزمایشگاه واقعاً چه کارهایی می‌تواند انجام دهد؟

همان توانمندی‌هایی که نگرانی‌های امنیت زیستی را رقم زده‌اند، دقیقاً پیشران تحقیقات پزشکی مشروع و حیاتی نیز به‌شمار می‌روند.

سیستم‌های هوش مصنوعی کنونی می‌توانند مراحل اجرای آزمایش‌ها را گام‌به‌گام به کاربران آموزش دهند و روند آزمایش‌ها را در سطحی خطایابی کنند که شایسته توجهی کاملاً جدی است. گزارش سال ۲۰۲۶ تأیید می‌کند که هوش مصنوعی عمومی می‌تواند راهنمایی‌های فنی مرتبط با سلاح‌های بیولوژیکی و شیمیایی، از جمله دستورالعمل‌های آزمایشگاهی را ارائه دهد. پژوهشگران همچنین از طراحی‌های مولد در مقیاس ژنوم با استفاده از یک باکتریوفاژ اصلاح‌شده خبر داده‌اند؛ هرچند این تحقیق مربوط به ویروسی است که باکتری‌ها را آلوده می‌کند و نه انسان‌ها، و یک طرح تولیدشده توسط هوش مصنوعی هرگز به‌معنای یک پاتوژن زنده و قابل انتقال نیست.

پروفسور وندی بارکلی، استاد بیماری‌های عفونی در کالج سلطنتی لندن (Imperial College London)، این فناوری را به‌صراحت یک تیغ دولبه توصیف می‌کند. همان ابزارهایی که از توسعه واکسن‌ها و مدیریت شیوع بیماری‌ها پشتیبانی می‌کنند، زنگ خطر امنیت زیستی را به صدا درآورده‌اند و این دو واقعیت را نمی‌توان به‌سادگی از یکدیگر تفکیک کرد.

میزان پتانسیل آسیب‌رسانی به این بستگی دارد که پایگاه دانش ما درباره ویروس هدف چقدر جامع باشد. واقعیت این است که هنوز بخش عظیمی از دانسته‌ها ناشناخته باقی مانده است.

پروفسور وندی بارکلی، استاد بیماری‌های عفونی، کالج سلطنتی لندن

گزارش سال ۲۰۲۶ کاملاً شفاف است: میان یک طراحی بیولوژیکی با کمک هوش مصنوعی و وقوع یک همه‌گیری واقعی، موانع فیزیکی، فنی و لجستیکی بسیار چشمگیری وجود دارد.

صنعت هوش مصنوعی در چه بخش‌هایی باید بهتر عمل کند؟

توسعه‌دهندگان هوش مصنوعی به وجود شکافی اذعان کرده‌اند که هنوز نمی‌توانند ابعاد دقیق آن را اندازه‌گیری کنند؛ اعترافی که شایسته موشکافی بسیار بیشتری است.

چندین توسعه‌دهنده مطرح هوش مصنوعی پس از آنکه در ارزیابی‌های اختصاصی خود متوجه شدند نمی‌توانند رد کنند که مدل‌های جدیدتر ممکن است به افراد تازه‌کار در ساخت سلاح‌های بیولوژیکی کمک ملموسی برسانند، لایه‌های حفاظتی سخت‌گیرانه‌تری افزودند. این عبارت را باید با دقت خواند: «نمی‌توانند رد کنند». چنین اعترافی نظارت عمومی، دقیق و مستمری را می‌طلبد و صرف یک به‌روزرسانی بی‌سر‌و‌صدا در خط‌مشی‌ها به‌هیچ‌وجه کافی نیست.

گزارش سال ۲۰۲۶ به استاندارد بسیار سخت‌گیرانه‌تری اشاره می‌کند که این صنعت هنوز به‌صورت یکپارچه به آن دست نیافته است: آیا یک سیستم می‌تواند اطلاعات گوناگون را ترکیب کند، جریان‌های کاری سرتاسری آزمایشگاهی را خطایابی نماید و ابزارها را به‌طور خودمختار در تمام مراحل یک چرخه پژوهشی به کار گیرد؟ معیار واقعی سنجش این است. توسعه‌دهندگان باید این شکاف را پیش از بروز بحران در ارزیابی‌های خود برطرف کنند، نه پس از آن. بارکلی در این زمینه دیدگاهی واقع‌بینانه ارائه می‌دهد: «فکر می‌کنم هنوز بسیار بعید است که افراد بتوانند در یک آزمایشگاه خانگی، خیلی سریع به موفقیت در ساخت تهدیدهای زیستیِ طراحی‌شده با هوش مصنوعی برسند.»

سایر متخصصان بیماری‌های عفونی که نشریه آتلانتیک به آنها استناد کرده است، استدلال می‌کنند که پاتوژن‌های طبیعی همچنان محتمل‌ترین منشأ همه‌گیری بعدی به‌شمار می‌روند؛ بنابراین تمرکز بر امنیت زیستی نباید آمادگی‌های سنتی را به حاشیه براند. همه‌گیری کووید-۱۹ بدون دخالت هیچ الگوریتمی نشان داد که یک ویروس پدیدآمده در طبیعت با چه سرعتی می‌تواند سیستم‌های بیمارستانی و زنجیره‌های تأمین را در سراسر جهان فلج کند.

راهکار پیش‌رو ممنوعیت همه‌جانبه تحقیقات ویروس‌شناسی نیست؛ چراکه به گفته بارکلی، چنین اقدامی بدون بازداشتن افراد مخرب، به پیشرفت علم مشروع آسیب می‌زند. شواهد علمی از اقدامات هدفمند پشتیبانی می‌کنند: غربالگری سخت‌گیرانه‌تر سنتز ژنتیکی، نظارت قدرتمندتر بر آزمایشگاه‌ها و ارزیابی‌های صادقانه هوش مصنوعی در آزمایش سناریوهای سرتاسری در جهان واقعی. علاوه بر این، سیستم‌های هوش مصنوعی باید عدم قطعیت را به‌شکل دقیق بازتاب دهند، نه اینکه به سؤالاتی که هنوز پاسخی برایشان وجود ندارد با اعتمادبه‌نفس ساختگی پاسخ دهند. مدیریت و قانون‌گذاری این حوزه بدون شک دشوار است، اما رها کردن یک شکاف مستندشده بدترین انتخاب ممکن خواهد بود.