تصور کنید در یک انبار عظیم، کلیدی با شکل عجیب پیدا کنید؛ آیا این به معنای کشف یک گنج است یا صرفاً یافتن یک شیء نامعمول در میان میلیون‌ها قطعه؟ زیست‌شناسان برجسته اکنون دقیقاً همین پرسش را درباره‌ی ادعای جدید شرکت آنتروپیک (Anthropic) مطرح می‌کنند. آن‌ها این اقدام را «توصیف گمراه‌کننده از یک فیلترینگ روتین داده‌ها» می‌نامند.
به گزارش MIT Technology Review در ۲۸ سپتامبر ۲۰۲۶، ۹۵۰ عامل (Agent) — شبیه به کارمندانی دیجیتال که می‌توانند به‌طور مستقل وظایفی را برنامه‌ریزی و اجرا کنند — طی ۲۱ ساعت توالی‌های DNA را برای یافتن یک الگوی تکرارشونده در اطراف یک آنزیم شناخته‌شده بررسی کردند. آنتروپیک این فرآیند را یک «کشف علمی» می‌نامد، اما منتقدان آن را صرفاً یک عملیات فیلترینگ داده‌ها توصیف کرده‌اند. این ادعا در ادامه گزارش‌های قبلی شرکت است که در آن کشف سامانهٔ آنزیمی ART توسط عامل‌های هوش مصنوعی آنتروپیک به عنوان یک پیشرفت بزرگ معرفی شده بود.
این تنش در حالی رخ می‌دهد که آزمایشگاه‌های هوش مصنوعی برای عبور از مرز چت‌بات‌ها و ورود به دنیای پژوهش‌های خودکار رقابت می‌کنند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مرز میان «بهره‌وری ابزاری» و «خلاقیت علمی» در مدل‌های زبانی همچنان مبهم است. برای اکثر دانشمندان، یک کشف واقعی صرفاً یافتن یک «خوشه‌ی عجیب» از داده‌ها نیست؛ بلکه اثبات این است که آن داده در یک سیستم زنده دقیقاً چه کاری انجام می‌دهد. تفاوت میان یافتن یک کلید عجیب در انبار و دانستن اینکه آن کلید کدام در را باز می‌کند، دقیقاً تفاوت میان فیلترینگ داده و کشف علمی است.
در چهارشنبه گذشته، آنتروپیک اعلام کرد که سال جاری یک آزمایشگاه زیست‌شناسی مولکولی راه‌اندازی کرده است. در این مرکز، عامل‌های مدل کلود (Claude) متون را می‌خوانند و درباره‌ی مسائل پیچیده زیست‌شناسی فرضیه می‌سازند. سپس دانشمندان انسانی، آزمایشات فیزیکی را بر اساس گزارش‌های ارائه شده توسط این عامل‌ها اجرا می‌کنند.
سازوکار این جست‌وجو شبیه ورق زدن میلیون‌ها صفحه از یک کتابخانه عظیم از توالی‌های DNA است که دانشمندان در جریان توالی‌یابی دنیای زنده جمع‌آوری کرده‌اند. یک پیشرفت واقعی در این حوزه مستلزم یافتن توالی خاصی است که یک آنزیم جالب را کدگذاری کند، درک دقیق عملکرد آن و سپس دست‌کاری آن برای یک هدف کاربردی باشد.
طبق اعلام منابع علمی، سیستم آنتروپیک الگویی را شناسایی کرده که شرکت مدعی است یادآور منطق پشت ویرایش ژنی CRISPR است. با این حال، واکنش جامعه علمی تند و تیز بود:
- لوکاس هرینگتون، زیست‌شناس، استدلال کرد که یافتن تکرارهای ژنی اغلب «ساده‌ترین بخش» کار است و به هیچ وجه یک پیشرفت علمی محسوب نمی‌شود. او خاطرنشان کرد که بخش دشوار، فهمیدن این است که سیستم در واقعیت چه می‌کند.
- مدیرعامل شرکت داروسازی Eli Lilly با این نقد موافق بود و تأکید کرد که کشف واقعی نیازمند درک مکانیسم بیولوژیکی است.
- ماریو رودریگز مستره از دانشگاه کپنهاگ مدعی شد که تیم او پیش از این، همین الگوی خاص را کشف کرده بود.
نکته جنجالی‌تر این است که مستره این پرسش را مطرح کرد که آیا مدل‌های کلود این الگو را از گفتگوهای خصوصی او با هوش مصنوعی آموخته‌اند یا خیر. اگرچه آنتروپیک این موضوع را تکذیب کرده، اما مستره از آن زمان استفاده از این ابزار را متوقف کرده است.
بخش بزرگی از مشکل این است که شرکت‌های AI، این سامانه‌ها را نه به عنوان ابزاری مثل میکروسکوپ یا ابرکامپیوتر، بلکه به عنوان موجوداتی معرفی می‌کنند که «خودشان» کشف می‌کنند. این رویکرد با ماهیت علم که حاصل همکاری و استفاده از زرادانه‌ای رو به رشد از ابزارهاست، در تضاد است.
این الگوی «بزرگ‌نمایی ادعاها» تنها محدود به زیست‌شناسی نیست. در اوایل سپتامبر ۲۰۲۶، OpenAI مدعی شد عامل‌هایش یک مسئله ریاضی میلیون دلاری را حل کرده‌اند، اما منتقدان استدلال کردند که نتیجه‌ی خاص به‌دست‌آمده چیزی نیست که ریاضی‌دانان واقعاً به آن اهمیت دهند. حتی برخی ریاضی‌دانان مدل‌ها را متهم کردند که از کارهای موجود بدون ذکر منبع استفاده کرده‌اند.
در هر دو مورد، هوش مصنوعی یک دستاورد فنی واقعی داشت — یعنی تبدیل ۲۰۰ هزار کاندیدا به چند مورد منتخب که ارزش بررسی داشتند — اما شرکت‌ها آن را به عنوان یک «تغییر پارادایم» بازاریابی کردند. وقتی معیار موفقیت این باشد که «آیا خودِ AI کشف را انجام داده است»، بحث به یک دوگانگی ساده تبدیل می‌شود: یا پیشرفت عظیم است یا شکست کامل.
برای بیزنس هوش مصنوعی، این وضعیت یک شکاف اعتباری خطرناک ایجاد می‌کند. وقتی شرکت‌هایی مثل آنتروپیک و OpenAI استانداردهای «کشف» را تغییر می‌دهند تا ادعاهای بزرگتری کنند، ریسک بدبینی جامعه علمی و عموم مردم به پیشرفت‌های واقعی را افزایش می‌دهند. اگر هر تطابق الگویی یک پیشرفت نامیده شود، این واژه معنای خود را از دست می‌دهد.
زیست‌شناسانی چون هرینگتون پیشنهاد می‌کنند آزمایشگاه‌های AI باید سد بلندتری برای واژه «کشف» تعریف کنند. این کار تضمین می‌کند که وقتی یک AI واقعاً یک مکانیسم بیولوژیکی بنیادین و جدید را شناسایی کرد، ارزش آن دستاورد متناسب با مقیاس واقعی‌اش شناخته شود. اما در حالی که سم آلتمن از OpenAI و داریو آمودی از آنتروپیک در رقابتی تنگاتنگ برای پیشی گرفتن از یکدیگر هستند، بالا بردن این استانداردها احتمالاً آخرین اولویت آن‌هاست.
باید دید آیا آزمایشگاه‌های AI برای اعتبارسنجی ادعاهای خود، شروع به انتشار «کشف‌هایشان» در ژورنال‌های علمی با داوری همتا (Peer-reviewed) می‌کنند یا همچنان به پست‌های وبلاگی شرکتی بسنده خواهند کرد.
گام بعدی شما
- اگر از ابزارهای AI برای تحلیل داده‌های پژوهشی استفاده می‌کنید، نتایج را به عنوان «پیش‌فیلتر» ببینید، نه «نتیجه نهایی».
- برای اعتبارسنجی ادعاهای شرکت‌های AI، به جای پست‌های وبلاگی، منتظر مقالات داوری‌شده (Peer-reviewed) در ژورنال‌های علمی بمانید.
- بررسی کنید که آیا داده‌های حساس پژوهشی شما در مدل‌های تجاری برای آموزش (Training) استفاده می‌شود یا خیر.
اما داستان رقابت سخت‌افزاری برای تامین توان محاسباتی این آزمایشگاه‌ها حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو