به گزارش ساوت چاینامورنینگ پست، ایالات متحده این تغییر جهت را به‌صراحت دنبال کرده است. «مأموریت جنسیس» وزارت انرژی آمریکا قصد دارد ۱۷ آزمایشگاه ملی را در قالب یک پلتفرم یکپارچه کشف علمی گرد هم آورد تا طی یک دهه، بهره‌وری و تأثیر پژوهش و نوآوری آمریکا را دو برابر کند. این برنامه امسال از همکاری با ژاپن نیز خبر داد؛ اقدامی که نشان می‌دهد «هوش مصنوعی برای علم» در حال تبدیل شدن به یک زیرساخت و شبکه است، نه صرفاً یک مدل هوش مصنوعی دیگر.
چین نیز در همین مسیر حرکت می‌کند، اما این حرکت به‌طور فزاینده‌ای در سطح شهرها دنبال می‌شود. برنامه سال ۲۰۲۵ پکن خواستار ایجاد زیرساخت مشترک هوش علمی، دست‌کم ۱۰ پایگاه داده علمی باکیفیت، بیش از ۱۰ میلیون کاربر و حداقل هشت کاربرد شاخص تا سال ۲۰۲۷ شده است.
ابتکار «صد تیم، صد پروژه» شانگهای نیز تا ۷۰ درصد سرمایه‌گذاری تأییدشده پروژه‌ها را تا سقف ۵۰ میلیون یوان (۶ میلیون دلار) مورد حمایت قرار می‌دهد. بنابراین رقابت برای بهره‌گیری از هوش مصنوعی در علم دیگر صرفاً یک رقابت در سطح ملی نیست.
این وضعیت برای شنجن هم فرصت ایجاد می‌کند و هم یک دام.
فرصت روشن است: هوش مصنوعی می‌تواند به منبع جدیدی برای افزایش بهره‌وری علمی و رشد صنعتی تبدیل شود. اما دام این است که شنجن صرفاً از اقدامات دیگر شهرها تقلید کند. این شهر نباید تلاش کند به «پکنی با سخت‌افزار بیشتر» یا «شانگهایی با مجموعه متفاوتی از صنایع» تبدیل شود، بلکه باید راهبرد خود را بر مزیت‌های نسبی خاص خود بنا کند.
نخستین مزیت شنجن، ساختار اقتصاد نوآوری آن است. این شهر در سال ۲۰۲۴ حدود ۲۴۵.۳۱ میلیارد یوان در تحقیق و توسعه سرمایه‌گذاری کرد و بالاترین شدت تحقیق و توسعه را در میان شهرهای چین به خود اختصاص داد. نکته قابل توجه اینکه شرکت‌ها بیش از ۹۳ درصد این هزینه را تأمین کردند.
این ارقام نشان‌دهنده شهری است که در آن پژوهش، مهندسی و تجاری‌سازی به شکلی کم‌نظیر به یکدیگر نزدیک هستند. این ویژگی در حوزه «هوش مصنوعی برای علم» اهمیت زیادی دارد، زیرا چالش اصلی فقط ابداع یک الگوریتم نیست، بلکه تبدیل آن به یک ابزار علمی قابل اعتماد است.
مزیت دوم حتی متمایزتر است. کشف علمی زمانی که یک مدل هوش مصنوعی مولکولی را پیش‌بینی یا ماده‌ای جدید را پیشنهاد می‌کند، پایان نمی‌یابد. نمونه‌ها باید آماده شوند، تجهیزات به کار گرفته شوند و آزمایش‌ها بارها تکرار شوند.
به همین دلیل، فعالیت‌های «مأموریت جنسیس» آمریکا در زمینه آزمایشگاه‌های خودکار مبتنی بر هوش مصنوعی، رباتیک، هوش مصنوعی لبه‌ای، تحلیل بلادرنگ و بازخورد هوشمند را با یکدیگر ترکیب می‌کند.
شنجن از یک زیرساخت فیزیکی فناوری کم‌نظیر برخوردار است. این شهر سال گذشته ۱۹۴ هزار و ۹۰۰ ربات صنعتی و نزدیک به ۸ میلیون ربات خدماتی تولید کرد و در کنار آن، حجم بالایی از پهپادها، سرورها، مدارهای مجتمع و تجهیزات چاپ سه‌بعدی را نیز به تولید رساند. این تجهیزات می‌توانند به ابزارهایی تبدیل شوند که هوش مصنوعی از طریق آنها فعالیت‌های علمی را انجام دهد.
اینجاست که شنجن می‌تواند مسیری واقعاً متفاوت در پیش بگیرد. این شهر به جای آنکه رباتیک را صرفاً یکی دیگر از کاربردهای «هوش مصنوعی برای علم» تلقی کند، می‌تواند رباتیک و اتوماسیون آزمایشگاهی را به یک لایه آزمایشی مشترک برای رشته‌های علمی مختلف تبدیل کند.
سومین مزیت این است که شنجن به‌طور فزاینده‌ای از زیرساخت‌های علمی لازم برای اتصال به این ظرفیت مهندسی برخوردار شده است. شهر علمی گوانگ‌مینگ دارای تأسیسات مهمی در حوزه زیست‌شناسی مصنوعی، تحقیقات مغز و ژنومیک مواد است که تاکنون به بیش از ۲۰۰ دانشگاه، سازمان پژوهشی و شرکت خدمات ارائه کرده‌اند. همچنین بیش از ۳۳۰ هزار ساعت استفاده از تجهیزات این مجموعه ثبت شده است.
بنابراین اجزای اصلی در اختیار شنجن قرار دارند. حلقه مفقوده این است که چگونه توان محاسباتی، مدل‌های هوش مصنوعی، ربات‌ها و تجهیزات علمی به‌گونه‌ای به یکدیگر متصل شوند که مانند یک سیستم واحد عمل کنند.
شنجن برای تحقق این هدف، در وهله نخست باید از ایجاد پلتفرم‌های جداگانه هوش مصنوعی برای هر رشته علمی فاصله بگیرد. در مقابل، این شهر باید یک زیرساخت مشترک شهری برای توان محاسباتی، داده‌های علمی، دسترسی به مدل‌ها، شبیه‌سازی، زمان‌بندی آزمایش‌ها، رابط‌های تجهیزات و قابلیت ردیابی ایجاد کند. سپس حوزه‌هایی مانند زیست‌شناسی، علم مواد و انرژی می‌توانند لایه‌های تخصصی خود را بر روی این زیرساخت توسعه دهند.
دوم، آزمایش‌های خودکار باید به قابلیت شاخص شنجن تبدیل شوند. این شهر می‌تواند حوزه‌هایی را انتخاب کند که هم دارای تأسیسات علمی و هم از عمق صنعتی کافی برخوردار هستند؛ برای مثال علم مواد و زیست‌شناسی مصنوعی. سپس باید یک چرخه کامل از پیش‌بینی هوش مصنوعی تا انجام آزمایش واقعی و بازگشت داده‌های حاصل از آزمایش به سیستم ایجاد کند.
معیار موفقیت نیز باید این باشد که آیا آزمایش‌ها سریع‌تر، ارزان‌تر و با قابلیت تکرارپذیری بیشتری انجام می‌شوند یا خیر.
سوم، قابلیت همکاری میان سیستم‌ها باید از همان ابتدا در طراحی مورد توجه قرار گیرد. رابط‌های مشترک، قالب‌های داده و روش‌های آزمایش باید هم‌زمان با توسعه فناوری شکل بگیرند. در صورت موفقیت، این موارد می‌توانند به استانداردهای محلی یا صنعتی تبدیل شوند و در نهایت برای پذیرش در سطح بین‌المللی نیز رقابت کنند.
در نهایت، شنجن باید این ابزارها را به‌گونه‌ای توسعه دهد که خارج از این شهر نیز قابل استفاده باشند. مدل‌ها، نرم‌افزارها، رابط‌های آزمایشگاهی و روش‌های اعتبارسنجی باید قابلیت انتقال داشته باشند تا آزمایشگاه‌های خارج از شنجن بتوانند ضمن نگهداری داده‌های حساس خود به‌صورت محلی، از این ابزارها استفاده کنند.
شنجن طی چند دهه آموخته است که چگونه توان مهندسی را به محصولاتی تبدیل کند که در نقاط مختلف جهان قابل استفاده باشند. «هوش مصنوعی برای علم» این فرصت را فراهم می‌کند تا همین الگو در مورد توانمندی‌های علمی نیز تکرار شود.
شهرهای چین قرار است سرمایه‌گذاری گسترده‌ای در حوزه هوش مصنوعی برای علم انجام دهند، اما شنجن نیازی ندارد دقیقاً همان مسیر دیگر شهرها را دنبال کند. برنامه پکن بر تمرکز مؤسسات پژوهشی ملی در این شهر متکی است و شانگهای نیز تیم‌های بزرگ و پروژه‌های تخصصی را بسیج کرده است.
فرصت اصلی شنجن، ایفای نقشی مکمل است: تبدیل شدن به مکانی که در آن هوش مصنوعی از مرحله پیش‌بینی به آزمایش واقعی می‌رسد و منابع علمی پراکنده به یک سیستم یکپارچه و قابل استفاده مجدد تبدیل می‌شوند.
معیار اصلی موفقیت نیز نباید تعداد مراکز «هوش مصنوعی برای علم» ایجادشده در شنجن باشد. معیار واقعی این است که آیا یک زیست‌شناس، متخصص علم مواد یا در نهایت یک آزمایشگاه خارج از شنجن می‌تواند با استفاده از ابزارهای ساخته‌شده در این شهر، مسیر ایده تا آزمایش و بازگشت نتایج به چرخه پژوهش را طی کند یا خیر.
اگر شنجن بتواند به این هدف دست یابد، چیزی خواهد ساخت که تقلید از آن برای دیگران بسیار دشوارتر خواهد بود.
منبع: scmp
