موسسه تازه تاسیس اتوساینس از «کارل» رونمایی کرد، اولین سیستم هوش مصنوعی که مقالات تحقیقاتی آکادمیک را برای گذراندن یک فرآیند داوری دوسویه کور دقیق، تهیه میکند.
مقالات تحقیقاتی کارل در مسیر مقالات کوچک در کنفرانس بینالمللی بازنمایی یادگیری (ICLR) پذیرفته شدند. نکته مهم این است که این مقالات با حداقل دخالت انسانی تولید شدهاند و نویدبخش دوره جدیدی برای کشف علمی مبتنی بر هوش مصنوعی هستند.
معرفی کارل: «دانشمند تحقیقاتی خودکار»
کارل نشاندهنده یک جهش رو به جلو در نقش هوش مصنوعی نه فقط به عنوان یک ابزار، بلکه به عنوان یک شرکتکننده فعال در تحقیقات آکادمیک است. کارل به عنوان "دانشمند تحقیقاتی خودکار" توصیف شده است و از مدلهای زبان طبیعی برای ایدهپردازی، فرضیهسازی و استناد دقیق به کارهای آکادمیک استفاده میکند.
نکته مهم این است که کارل میتواند مقالات منتشر شده را در عرض چند ثانیه بخواند و درک کند. برخلاف محققان انسانی، به طور مداوم کار میکند و در نتیجه چرخههای تحقیق را تسریع میکند و هزینههای تجربی را کاهش میدهد.
به گفته اتوساینس، کارل با موفقیت "فرضیههای علمی جدید را ایدهپردازی کرده، آزمایشها را طراحی و انجام داده و مقالات آکادمیک متعددی را نوشته است که در کارگاهها مورد بررسی قرار گرفتهاند."
این بر پتانسیل هوش مصنوعی برای نه تنها تکمیل تحقیقات انسانی بلکه از بسیاری جهات پیشی گرفتن از آن در سرعت و کارایی تاکید میکند.
کارل یک کارگر دقیق است، اما دخالت انسانی هنوز حیاتی است
توانایی کارل در تولید کار آکادمیک با کیفیت بالا بر اساس یک فرآیند سه مرحلهای استوار است:
- ایدهپردازی و شکلگیری فرضیه: کارل با بهرهگیری از تحقیقات موجود، جهتهای تحقیقاتی بالقوه را شناسایی و فرضیهها را تولید میکند. درک عمیق آن از ادبیات مرتبط به آن اجازه میدهد تا ایدههای جدیدی را در زمینه هوش مصنوعی فرموله کند.
- آزمایش: کارل کد مینویسد، فرضیهها را آزمایش میکند و دادههای حاصل را از طریق شکلهای دقیق تجسم میکند. عملکرد خستگیناپذیر آن زمانهای تکرار را کوتاه میکند و وظایف زائد را کاهش میدهد.
- ارائه: در نهایت، کارل یافتههای خود را در مقالات آکادمیک صیقلی - همراه با تجسم دادهها و نتیجهگیریهای واضح - گردآوری میکند.
اگرچه قابلیتهای کارل آن را تا حد زیادی مستقل میکند، اما نقاطی در گردش کار آن وجود دارد که هنوز به دخالت انسانی برای رعایت استانداردهای محاسباتی، قالببندی و اخلاقی نیاز است:
- نور سبز دادن به مراحل تحقیق: برای جلوگیری از هدر رفتن منابع محاسباتی، بازبینهای انسانی سیگنالهای "ادامه" یا "توقف" را در مراحل خاصی از فرآیند کارل ارائه میدهند. این راهنمایی کارل را به طور موثرتری در پروژهها هدایت میکند، اما بر جزئیات خود تحقیق تأثیر نمیگذارد.
- استنادها و قالببندی: تیم اتوساینس اطمینان حاصل میکند که تمام منابع به درستی استناد و قالببندی شدهاند تا با استانداردهای آکادمیک مطابقت داشته باشند. این در حال حاضر یک مرحله دستی است اما اطمینان میدهد که تحقیق با انتظارات محل انتشار آن مطابقت دارد.
- کمک به مدلهای پیش از API: کارل گهگاه به مدلهای جدیدتر OpenAI و Deep Research متکی است که فاقد APIهای خودکار قابل دسترسی هستند. در چنین مواردی، مداخلات دستی - مانند کپی-پیست کردن خروجیها - این شکافها را پر میکند. اتوساینس انتظار دارد این وظایف در آینده با در دسترس قرار گرفتن APIها به طور کامل خودکار شوند.
برای اولین مقاله کارل، تیم انسانی همچنین به ساخت بخش "کارهای مرتبط" و اصلاح زبان کمک کرد. با این حال، پس از بهروزرسانیهای اعمال شده قبل از ارسالهای بعدی، این وظایف غیرضروری بودند.
فرآیند تأیید دقیق برای یکپارچگی آکادمیک
تیم اتوساینس قبل از ارسال هرگونه تحقیق، یک فرآیند تأیید دقیق را برای اطمینان از اینکه کار کارل بالاترین استانداردهای یکپارچگی آکادمیک را برآورده میکند، انجام داد:
- تکرارپذیری: هر خط از کد کارل بررسی شد و آزمایشها مجدداً اجرا شدند تا تکرارپذیری تأیید شود. این اطمینان حاصل کرد که یافتهها از نظر علمی معتبر هستند و ناهنجاریهای تصادفی نیستند.
- بررسی اصالت: اتوساینس ارزیابیهای گستردهای از نوآوری انجام داد تا اطمینان حاصل شود که ایدههای کارل سهم جدیدی در این زمینه است و نسخههای بازسازی شده انتشارات موجود نیست.
- اعتبارسنجی خارجی: یک هکاتون با حضور محققان از موسسات برجسته آکادمیک - مانند MIT، دانشگاه استنفورد و U.C. برکلی - به طور مستقل تحقیقات کارل را تأیید کردند. بررسیهای بیشتر سرقت ادبی و استناد برای اطمینان از مطابقت با هنجارهای آکادمیک انجام شد.
پتانسیل غیرقابل انکار، اما سوالات بزرگتری را مطرح میکند
دستیابی به پذیرش در کارگاهی به اندازه ICLR یک نقطه عطف مهم است، اما اتوساینس تشخیص میدهد که این نقطه عطف ممکن است گفتگوی بزرگتری را برانگیزد. موفقیت کارل سوالات فلسفی و لجستیکی بزرگتری را در مورد نقش هوش مصنوعی در محیطهای آکادمیک مطرح میکند.
اتوساینس توضیح داد: "ما معتقدیم که نتایج مشروع باید به پایگاه دانش عمومی اضافه شوند، صرف نظر از اینکه از کجا آمدهاند." "اگر تحقیق استانداردهای علمی تعیین شده توسط جامعه آکادمیک را برآورده کند، پس چه کسی - یا چه چیزی - آن را ایجاد کرده است نباید منجر به رد صلاحیت خودکار شود."
"ما همچنین معتقدیم که انتساب مناسب برای علم شفاف ضروری است و کار صرفاً تولید شده توسط سیستمهای هوش مصنوعی باید از کارهای تولید شده توسط انسان قابل تشخیص باشد."
با توجه به تازگی محققان هوش مصنوعی خودمختار مانند کارل، سازماندهندگان کنفرانس ممکن است برای ایجاد دستورالعملهای جدیدی که این الگوی در حال ظهور را در نظر میگیرد، به ویژه برای اطمینان از ارزیابی عادلانه و استانداردهای انتساب فکری، به زمان نیاز داشته باشند. برای جلوگیری از بحث و جدال غیرضروری در حال حاضر، اتوساینس مقالات کارل را از کارگاههای ICLR خارج کرده است تا این چارچوبها تدوین شوند.
اتوساینس با حرکت رو به جلو، قصد دارد در شکل دادن به این استانداردهای در حال تحول مشارکت کند. این شرکت قصد دارد یک کارگاه اختصاصی در NeurIPS 2025 پیشنهاد دهد تا به طور رسمی از مقالات تحقیقاتی از سیستمهای تحقیقاتی خودمختار میزبانی کند.
همانطور که روایت پیرامون تحقیقات تولید شده توسط هوش مصنوعی آشکار میشود، واضح است که سیستمهایی مانند کارل صرفاً ابزار نیستند، بلکه همکارانی در پیگیری دانش هستند. اما از آنجایی که این سیستمها از مرزهای معمولی فراتر میروند، جامعه آکادمیک باید خود را با پذیرش کامل این الگوی جدید سازگار کند و در عین حال از یکپارچگی، شفافیت و انتساب مناسب محافظت کند.
(عکس از Rohit Tandon)
همچنین ببینید: You.com ARI: عامل تحقیقاتی هوش مصنوعی درجه حرفهای برای مشاغل