يتعلّم الذكاء الاصطناعي أسرار الكون، لكنه يخلق عقبات غير متوقعة أمام الفيزيائيين

يستعين العلماء بالذكاء الاصطناعي لتسريع الأبحاث في علم الكونيات، لكن دراسة حديثة تكشف عن تحدٍّ كبير: إذ يمكن للذكاء الاصطناعي، بعد أن يتعلّم النموذج القياسي للكون، أن يطوّر تحيزات تعيق اكتشاف فيزياء جديدة. ويُبرز هذا التطور العلاقة المعقدة بين الكفاءة التي يقودها الذكاء الاصطناعي والفهم العلمي الحقيقي.

أهم الخلاصات

🧠

أبرز النتائج في لمحة

تُظهر الدراسة أن الذكاء الاصطناعي يمكنه أن يسرّع أبحاث علم الكونيات، لكنه قد يُدخل أيضًا تحيزات إذا جرى الإفراط في نقل تدريبه السابق إلى مشكلات جديدة.

تحليل أسرع

يمكن للذكاء الاصطناعي أن يقلّص الوقت اللازم للحسابات الكونية المعقدة من خلال التعلّم من عمليات المحاكاة الموجودة مسبقًا.

خطر التحيز

يمكن أن يؤدي التدريب المسبق على ΛCDM إلى انتقال سلبي، ما يجعل النموذج يغفل الإشارات التي لا تنسجم مع الأنماط المألوفة.

التفسير البشري

لا يزال على الباحثين أن يقيّموا متى تكون المعرفة المنقولة مفيدة ومتى قد تشوّه الاستنتاجات العلمية.

وعود الذكاء الاصطناعي ومخاطره في علم الكونيات

تنطوي أبحاث علم الكونيات غالبًا على تمحيص كميات هائلة من البيانات وتشغيل عمليات محاكاة معقدة، وهي عملية قد تستغرق سنوات. ولتبسيط ذلك، يتجه العلماء إلى الذكاء الاصطناعي. وقد استكشفت دراسة جديدة نُشرت في Journal of Cosmology and Astroparticle Physics استخدام شبكات عصبية للذكاء الاصطناعي دُرِّبت على عمليات محاكاة للنموذج القياسي لعلم الكونيات المعروف باسم ΛCDM.

ما الذي يضيفه الذكاء الاصطناعي — وما الذي ينطوي عليه من مخاطر

الوعود

يساعد التدريب المسبق الذكاء الاصطناعي على معالجة المعلومات الكونية بكفاءة أكبر، ويقلّل الحاجة إلى عدد كبير من عمليات المحاكاة عند العمل ضمن نماذج مألوفة.

المخاطر

عندما تنتقل المهمة إلى ما يتجاوز النموذج القياسي، يمكن للمعرفة السابقة نفسها أن تُدخل تحيزًا إلى النظام وتقلّل قدرته على رصد فيزياء جديدة حقًا.

فهم الانتقال السلبي

استخدم الباحثون تقنية في تعلّم الآلة تُسمّى التعلّم بالنقل. وفي هذه الطريقة، يتعلّم نموذج الذكاء الاصطناعي أولًا من مجموعة بيانات واحدة (عمليات محاكاة للنموذج القياسي)، ثم يطبّق تلك المعرفة على مهمة مرتبطة، لكنها مختلفة. وقد قدّم الذكاء الاصطناعي أداءً جيدًا عند تحليل النموذج القياسي باستخدام عدد أقل من عمليات المحاكاة.

غير أن المشكلات ظهرت عندما تداخلت مفاهيم الفيزياء الجديدة مع المعلمات التي كان الذكاء الاصطناعي قد تعلّمها بالفعل. وقد حدثت هذه الظاهرة، التي تُسمّى «الانتقال السلبي»، لأن الذكاء الاصطناعي أصبح متحيزًا. فبدلًا من التعرّف إلى تأثيرات فيزيائية جديدة فعلًا، اعتمد على معرفته القائمة، مما جعله يغفل مؤشرات محتملة تدل على فيزياء تتجاوز النموذج القياسي. وهذا يعني أن الذكاء الاصطناعي لم يكن يُخفق عشوائيًا، بل كان يعزّز الأنماط القائمة، بما قد يحجب اكتشافات جديدة.

الحاجة إلى الخبرة البشرية

شدّد المشارك في تأليف الدراسة أدريان إي. باير على أنه، رغم قدرة الذكاء الاصطناعي على تسريع التقدم العلمي عند استخدامه بصورة منهجية، فلا بد أن يصاحب هذه السرعة فهمٌ حقيقي. وقال باير: «يمكن للتعلّم بالنقل أن يمنح الذكاء الاصطناعي انطلاقة قوية، مما يتيح لنا اختبار عدد أكبر بكثير من الأفكار بشأن الكون مقارنة بما كان سيكون عمليًا بخلاف ذلك. لكن إذا حمل نموذجٌ ما معرفة من سياق إلى آخر، فعلينا أن نفهم ما الذي نقله معه — ومتى تفيد هذه المعرفة ومتى قد تضلّلنا.»

وستشمل الأبحاث المستقبلية التي سيجريها باير وفريقه تجارب مماثلة باستخدام بيانات تحاكي على نحو أقرب بيانات المسوح الواقعية، مع إدخال عوامل مثل حالات عدم اليقين المرتبطة بتكوّن المجرات، وأقنعة المسح، والضوضاء. كما يهدفون إلى تحديد أيّ الأسئلة الكونية تحديدًا يمكن أن تستفيد أكثر من غيرها من التعلّم بالنقل.