تصور کنید سالها پژوهش سختکوشانه و شبزندهداری برای نوشتن یک پایاننامه دکترا، که در سال ۲۰۱۵ ممکن بود سالها تحقیق دقیق را میطلبید، حالا با فشردن یک دکمه به نتیجه برسد. طبق ادعای دانیل لمیر (Daniel Lemire)، دانشمند برجسته علوم کامپیوتر، هوش مصنوعی عاملمحور (Agentic AI) — سیستمی که شبیه به یک کارمند مستقل است و میتواند بدون نظارت لحظهای، گامهای پیچیده را برای رسیدن به هدف برنامهریزی و اجرا کند — نهتنها پایههای آکادمی مدرن را تکان داده، بلکه آنها را بهکل ویران کرده است.
این تغییر، نتیجهی دههها دیجیتالیشدن تدریجی است. در دوران پیش از وب، پژوهش به معنای بازدیدهای مکرر از کتابخانهها و فهرستبرداری دستی از مجلات کاغذی بود. پژوهشگران مجبور بودند میان مجلات پرسه بزنند و نسخههای فیزیکی تهیه کنند. لمیر به یاد میآورد که در آن دوران، پژوهشگران مجبور بودند مقالات مهم را حفظ کنند چون هیچ موتور جستوجویی وجود نداشت یا دستیار هوشی نبود که به آنها کمک کند. در آن زمان، کیفیت و تخصص استاد راهنما اهمیت فوقالعادهای داشت؛ کسانی که ادبیات موضوع را «مثل کف دست» میشناختند، میتوانستند دانشجویان را به درستی به سمت آثار مرتبط و مناسب هدایت کنند.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن و تغییر ماهیت تولید محتوا اشاره کردیم، ابزارها همواره نقش تسهیلکننده داشتهاند. ظهور موتورهای جستوجو و گوگل اسکالر (Google Scholar) این روند را شتاب بخشید. لمیر گوگل اسکالر را یک نقطه عطف میداند؛ ابزاری که شبیه داشتن دوستی با دانش دایرهالمعارف در تمام لحظات بود. این دسترسی باعث شد پژوهشگران مستقل بتوانند موضوعات و ادبیات موجود را به جای سالها، در عرض چند ساعت یا چند روز شناسایی کنند.
بر اساس بررسیهای لمیر، این انتقال دیجیتال باعث جهش تعداد داوطلبان دکترا شد. در ایالات متحده، تعداد کسانی که پایاننامه دکترا نوشتند از حدود ۳۶,۰۰۰ نفر در سال ۱۹۹۰ به بیش از ۵۸,۰۰۰ نفر تا سال ۲۰۲۴ رسید. در همین حال، چین شاهد انفجاری بود که تعداد این آثار را از چند هزار نفر در اوایل دهه ۹۰ به حدود ۸۸,۰۰۰ مورد در هر سال رساند.
اتوماسیون پژوهش در چندین مرحله پیش رفت:
- دیجیتالی شدن فایلهای PDF و استفاده از جستوجوی کلیدواژهای روی دیسکها.
- اشتراکگذاری آسانتر کدها و دادهها میان پژوهشگران.
- پژوهشهای فیزیکی خودکار، مانند پهپادهایی که برای عکسبرداری بر فراز جنگلها پرواز میکنند.
- تحلیلهای شیمیایی و آزمایشهای رباتیک.
- ظهور هوش مصنوعی عاملمحور که قادر است مستندات کامل را ترکیب، سنتز و تولید کند. در همین راستا، برخی ابزارهای هوش مصنوعی برای تسریع پژوهش پایاننامهها طراحی شدهاند که مرز میان تلاش انسانی و اتوماسیون را بیش از پیش کمرنگ میکنند.
به نقل از تونی فنگ، استاد ریاضیات دانشگاه برکلی، مسیر رسیدن به دکتری ریاضیات در گذشته مفاهیمی چون «تابآوری، تدبیر، تفکر انتقادی و یک تردید سازنده (شکگرایی سالم)» را در دانشجو پرورش میداد. اما اکنون، یک پایاننامه قابلقبول در رشتههای ریاضی، جامعهشناسی، آموزش، علوم کامپیوتر یا مهندسی مکانیک را میتوان فوراً تولید کرد.
لمیر استدلال میکند که سطح کیفی دکترا حتی پیش از AI هم پایینتر از تصور بود؛ چراکه اکثر پایاننامهها به ندرت خوانده میشوند و اغلب پیمودن مسیر آنها برای خواننده دشوار و طاقتفرسا است. او معتقد است دفاع شفاهی — آخرین سد دفاعی برای حفظ صداقت آکادمیک — اکنون بیشتر به یک تشریفات تبدیل شده است. او اشاره میکند که به دلایل اجتماعی، رد شدن داوطلبان در جلسه دفاع «بسیار نادر» است، بهویژه چون برخی داوطلبان ذاتاً در تفکر سریع و پاسخگویی لحظهای ضعیف هستند و سیستم سعی میکند آنها را پاس کند.
لمیر به مورد اخیر اشاره میکند که در آن یکی از همکارانش از مرور ادبیات جامع یک دانشجو تعریف میکرد. آن همکار صراحتاً با استفاده از ChatGPT مخالف بود، اما سرعت و بازه زمانی تولید آن متن نشان میداد که قطعاً از AI کمک گرفته شده است. لمیر برای حفظ روابط، این موضوع را افشا نکرد، اما این اتفاق شکاف عمیق میان انتظارات سنتی آکادمیک و قابلیتهای فعلی AI را نشان میدهد.
برای یک دانشجوی متوسط یا پژوهشگر، این یعنی «مزیت رقابتی» یک مدرک تحصیلی دیگر به توانایی جمعآوری و تجمیع اطلاعات وابسته نیست، بلکه به مشارکت بدیع و اصیل پژوهشگر برمیگردد. دورانی که «تدبیر» به معنای دانستن اینکه کدام قفسه کتابخانه را چک کنیم بود، به پایان رسیده است.
در حالی که هوش مصنوعی عاملمحور تکامل مییابد، دنیای دانشگاه باید تصمیم بگیرد که آیا مدرک دکترا هنوز معیاری معتبر برای تفکر انتقادی است یا صرفاً گواهینامهای برای مهندسی پرامپت (Prompt Engineering) — یعنی هنر سؤال درست پرسیدن از مدل برای گرفتن بهترین جواب. احتمالاً تمرکز دانشگاهها از متون مکتوب به سمت نمایشهای زنده، عملی و غیرقابلپیشبینیِ دانش تغییر خواهد کرد.
باید منتظر ماند و دید دانشگاهها چگونه ساختار دفاعهای شفاهی را تغییر میدهند یا چه «نقاط عطفی AI-proof» (ضد هوش مصنوعی) را معرفی میکنند تا تلاش ذهنی و cognitive labor واقعی دانشجویان دکترا را شناسایی و تایید کنند؛ اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گام بعدی شما
- اگر در حال تدوین پایاننامه هستید، تمرکز خود را از «جمعآوری منابع» به «تحلیلهای انتقادی و بدیع» منتقل کنید.
- برای اساتید: معیارهای ارزیابی را از کیفیت متن به کیفیت استدلال در جلسات پرسوپاسخ زنده تغییر دهید.
- ابزارهای AI را نه برای نوشتن، بلکه برای به چالش کشیدن فرضیات خود (Red Teaming) به کار ببرید.
گفتگو