آنتروپیک با بررسی ۲۰۷٬۰۰۰ جلسه تحقیق در کلود و کلود کد، الگوهای استفاده هوش مصنوعی در علم را ترسیم کرد. نتایج نشان می‌دهد کلود در علم بیشتر برای تحلیل داده و نگارش به کار می‌رود، نه برای ایده‌پردازی که محققان حیاتی‌ترین وظیفه می‌دانند.
کلود در علم: استفاده بر اساس حوزه علمی
مطالعه نشان می‌دهد که به‌صورت نسبی به تعداد محققان در هر حوزه، علوم صوری (علوم کامپیوتر، ریاضیات، آمار) بیشترین استفاده از کلود را ثبت کرده‌اند. در مقابل، علوم زیستی، شیمی و فیزیک — که کار آزمایشگاهی و فیزیکی فراوانی می‌طلبد — از نظر استفاده از کلود عقب‌مانده‌اند. این الگو نشان می‌دهد پذیرش هوش مصنوعی یکنواخت نیست، بلکه توسط تطابق فناوری با تقاضاهای شناختی و عملی هر رشته شکل می‌گیرد.
تحلیل داده و نگارش کاربردهای برترند
- تحلیل داده تنها به تنهایی حدود یک‌سوم جلسات کلود و نزدیک به نیمی از جلسات کلود کد را تشکیل می‌دهد.
- نگارش و ویرایش دومین کاربرد رایج است.
- ایده‌پردازی و گردآوری داده سهم کمی دارند، هرچند در نظرسنجی همراه محققان این دو مهم‌ترین وظایف برای کشف علمی شناخته شده‌اند.
شکاف بین اهمیت و کاربرد واقعی
محققان در نظرسنجی، ایده‌پردازی و گردآوری داده را حیاتی‌ترین وظایف علمی ارزیابی کرده‌اند، اما استفاده واقعی از کلود برای این کارها محدود مانده است. محققان معیاری برای سنجش «تنظیم نظری» هر وظیفه با قابلیت هوش مصنوعی ساخته‌اند. وظایفی که در بالاترین ۲۰ درصد این معیار قرار دارند، دو تا چهار برابر بیشتر از پیش‌بینی بر اساس زمان صرفه استفاده می‌شوند. وظایف ۲۰ درصد پایینی — که اکثر کار فیزیکی را در بر می‌گیرند — استفاده بسیار کمی دارند.
ابزارهای تخصصی می‌توانند شکاف را بکاهند
در کلود ساینس — نسخه تخصصی برای کار علمی — سهم ایده‌پردازی حدود دو برابر کلود معمولی است. این نشان می‌دهد ابزارهای تخصصی طراحی‌شده برای کار علمی می‌توانند شکاف بین وظایفی که محققان با هوش مصنوعی انجام می‌دهند و وظایفی که مهم‌ترین‌اند را بکاهند.
پذیرش هوش مصنوعی ردیابی قابلیت مدل را می‌کند
همین الگو در سطح حوزه‌های علمی تکرار می‌شود: حوزه‌هایی که هوش مصنوعی در بسیاری از وظایفشان کارآمد است (علوم کامپیوتر، ریاضیات، آمار) استفاده بیشتری دارند. حوزه‌هایی مانند زیست‌شناسی، شیمی و فیزیک استفاده کمتری دارند، که هم ماهیت وظایف و هم محدودیت‌های فعلی هوش مصنوعی در محیط‌های آزمایشگاهی یا فیزیکی را منعکس می‌کند. یافته‌ها یک اصل کلیدی را تقویت می‌کنند: استفاده از هوش مصنوعی در علم ردیابی قابلیت را می‌کند، نه ضرورت.
سناریوهای شتاب علمی
با پیشرفت هوش مصنوعی، ممکن است الگوهای استفاده تغییر کنند، به‌ویژه اگر ابزارها در پشتیبانی از طراحی آزمایش، ترکیب ادبیات و تولید فرضیه — کارهایی که در داده‌های استفاده کلود کم‌نمایند هستند — قادرتر شوند. در سناریویی که هوش مصنوعی تمام کارهای غیرفیزیکی را خودکارسازی کند، حوزه‌های شناختی مانند علوم کامپیوتر می‌توانند تا ۱۵ برابر خروجی بیشتر داشته باشند، در حالی که علوم آزمایشگاهی سه تا چهار برابر رشد می‌کنند. در نظرسنجی، حدود ۴۰ درصد محققان انتظار دارند تا ۲۰۳۰ مدل‌های هوش مصنوعی پروژه‌های تحقیقی کامل را به‌صورت مستقل انجام دهند.
گفتگو