چرا هوش مصنوعی هنوز در هسته سخت علم می‌لغزد؟ نقشه‌ای سه‌لایه از اکتشاف

برخی از فرمول‌های ریاضی این مقاله در مرورگر شما قابل نمایش نیستند.

دو دانشمند را تصور کنید که روی یک مسئله سخت مشترک کار می‌کنند. اولی همه مقالات منتشرشده درباره آن موضوع را خوانده، معادلات را از بر کرده و به سرعت بر اساس آنچه دیگران امتحان کرده‌اند، امیدوارکننده‌ترین آزمایش بعدی را پیشنهاد می‌دهد. دومی به مسئله خیره می‌شود، نتیجه می‌گیرد که اساساً نگاه فعلی این حوزه به مسئله غلط است و ایده‌ای عجیب را از یک رشته کاملاً متفاوت قرض می‌گیرد تا صورت مسئله را از نو بنویسد. هر دو مفیدند. اما تنها یکی از این دو کاری می‌کند که در تاریخ علم به آن «اکتشاف» می‌گوییم.

بیشتر هوش مصنوعی‌های امروزی در علم، شبیه دانشمند اول رفتار می‌کنند. ما سیستم‌هایی را تحسین می‌کنیم که فضاهای وسیع شیمیایی را در چند ثانیه جستجو می‌کنند، پروتئین‌ها را تا می‌زنند، یا مقالات مرتبط را پیدا می‌کنند. این‌ها دستاوردهای واقعی هستند. اما به‌ندرت می‌ایستیم و سؤال تیزتری بپرسیم: آیا این هوش مصنوعی واقعاً مفهوم جدیدی می‌سازد، یا فقط با سرعت بسیار بالا در داخل چارچوبی که انسان به او داده، حرکات از پیش تعریف‌شده را اجرا می‌کند؟

در تاریخ ۱۱ ژوئن ۲۰۲۶، گوژون لیائو مقاله‌ای در آرکایو منتشر کرد که می‌خواهد به این سؤال پاسخی شفاف بدهد: A Three-Layer Framework for AI in Scientific Discovery. استدلال او ساده اما جراحانه است. اکتشاف علمی یک کار محاسباتی یکپارچه نیست؛ بلکه پشته‌ای از سه قابلیت متفاوت است، و قاتی هم کردن این سه، دلیل اصلی این است که دائماً در تخمین «چقدر تا علم خودکار فاصله داریم» اشتباه می‌کنیم.

آناتومی لایه‌های سه‌گانه

چارچوب لیائو، یک «دانشمند هوش مصنوعی» را به سه کارکرد متمایز تقسیم می‌کند. هر لایه شغل متفاوت، حالت شکست متفاوت، و نسبت متفاوتی با خلاقیت دارد.

• لایه ۱ — جستجو و بازیابی (Search and Retrieval): توانایی تحلیل، نمایه‌سازی و یادآوری دانش موجود بشر. این میدان خانگی مدل‌های زبانی بزرگ امروز است. وقتی یک LLM یافته‌های زیست‌شناسی و شیمی را به هم می‌دوزد تا یک ترکیب اولیه امیدوارکننده پیشنهاد کند، در لایه ۱ کار می‌کند. این لایه را به‌مثابه یک کتابدار فوق‌العاده مسلط در نظر بگیرید: می‌تواند آنچه را وجود دارد پیدا، خلاصه و بازترکیب کند، اما نمی‌تواند از مرز پیکره‌ای که با آن آموزش دیده فراتر برود. هر چیزی که هرگز نوشته نشده، برای او قابل بازیابی نیست.
• لایه ۲ — شکل‌دهی به مدل (Model Formation): موتور اصلی اکتشاف واقعی، و در ضمن لایه‌ای که کمتر از همه آن را می‌فهمیم. لایه ۲ یعنی توانایی تشخیص اینکه چارچوب مفهومی فعلی نه «ناکافی» بلکه «از نظر ساختاری اشتباه» است، و فرموله‌کردن یک چارچوب جدید، اغلب با وارد کردن ساختارها از یک حوزه مجاور. این لایه به استدلال کیفی، تشبیه‌سازی و ذوق علمی وابسته است، نه به تنظیم پارامتر. اینجا همان جایی است که انیشتین زمان مطلق را با فضازمان عوض می‌کند، یا زیست‌شناس به‌جای دیدن سلول به عنوان یک کیسه شیمیایی، آن را به عنوان یک سامانه پردازش اطلاعات می‌بیند.
• لایه ۳ — اجرا و بهینه‌سازی (Execution and Optimization): بازوی محاسباتی سیستم. وقتی یک مدل مفهومی روی میز قرار گرفت، لایه ۳ شبیه‌سازی‌ها را اجرا می‌کند، کد می‌نویسد و فضای پارامترها را جستجو می‌کند تا فرضیه را پالایش کند. یادگیری تقویتی که سیاست بهینه کنترل یک بازوی روبات را پیدا می‌کند، یا دینامیک مولکولی که پایدارترین آرایش یک بلور را می‌یابد، نمونه‌های کلاسیک لایه ۳ هستند.

گلوگاه واقعی هوش مصنوعی امروز دقیقاً در لایه ۲ است. جستجو بدون شکل‌دهی به مدل، ما را در پارادایم‌های موروثی حبس می‌کند؛ و اجرا بدون بازنگری مفهومی، فقط ما را سریع‌تر — با نمودار خطای زیباتر — به همان بن‌بست قبلی می‌رساند.

چرا بهینه‌سازی صرف نمی‌تواند به لایه ۲ برسد؟

چرا لایه ۳، حتی با محاسبات نامحدود، در نهایت نمی‌تواند لایه ۲ را تولید کند؟ دلیل آن هندسی است، نه محاسباتی.

الگوریتم‌های بهینه‌سازی همیشه درون یک سیستم مختصات ثابت کار می‌کنند. آن‌ها مقدار متغیرهایی را تنظیم می‌کنند که قبلاً تعریف شده‌اند، تا تابع هزینه‌ای را که شخص دیگری نوشته، کمینه کنند. اما وقتی یک چارچوب علمی از نظر ساختاری اشتباه است، راه‌حل، یک «نقطه بهتر» در سیستم مختصات موجود نیست؛ راه‌حل در سیستم مختصاتی زندگی می‌کند که هنوز اختراع نشده است. هیچ مقدار از گرادیان کاهشی نمی‌تواند بعدی را کشف کند که در صورت‌بندی مسئله وجود ندارد.

لیائو این موضوع را با یک نمونه پاکیزه از خود نظریه بهینه‌سازی توضیح می‌دهد. سال‌ها اثبات نرخ همگرایی روش «گرادیان شتاب‌دهنده نستروف» یک تمرین جبری بدنام و دردناک بود. پژوهشگران گیر کرده بودند — نه به این دلیل که محاسبات کم داشتند، بلکه چون سؤال را با زبان اشتباهی می‌پرسیدند. پیشرفت زمانی رخ داد که یک بازتعریف کیفی وارد ماجرا شد: یک الگوریتم بهینه‌سازی گسسته را می‌توان به‌مثابه گسسته‌سازی یک سیستم پویای پیوسته دید. در حد پیوسته، رفتار روش‌های گرادیان شتاب‌دهنده با یک معادله دیفرانسیل مرتبه دوم توصیف می‌شود:

وقتی درون این تصویر پیوسته نشستید، حرکت بعدی از یک رشته مجاور می‌آید. برای اثبات همگرایی، پژوهشگران مفهوم «تابع انرژی لیاپانوف» را از نظریه کنترل قرض گرفتند — کمیتی که تضمین می‌شود در طول زمان کاهش پیدا کند — و این موجودیت ریاضی را ساختند:

نشان دادن اینکه کاهنده است، نرخ همگرایی را تقریباً به‌رایگان می‌دهد. هیچ‌کدام از این مراحل، یک تنظیم کمی نیست. این یک جهش کیفی است: یک شیء جدید، که از یک حوزه دیگر وارد شده و اثباتی را که قبلاً تقریباً غیرممکن بود، به یک تمرین استاندارد تبدیل می‌کند. این امضای لایه ۲ است، و دقیقاً همان چیزی است که هوش مصنوعی مبتنی بر بهینه‌سازی امروز نمی‌تواند به‌سفارش تولید کند.

اکتشاف خودکار در میدان واقعی

آیا یک ماشین می‌تواند چنین جهش کیفی‌ای را خودش انجام دهد؟ لیائو به یک نمونه قابل تأمل اشاره می‌کند: نقض خودکار «حدس مسافت واحد اردوش» توسط سیستمی از OpenAI در سال ۲۰۲۶. نکته جالب این ماجرا این نیست که یک ماشین نمونه‌های نقض تولید کرد — سیستم‌های لایه ۳ ده‌ها سال است که جستجوی کورکورانه می‌کنند. نکته جالب این است که آن سیستم به نظر می‌رسید «تشخیص می‌داد» که فرمول‌بندی هندسی استاندارد مسئله مقیاس‌پذیر نیست، و مسئله را با ساختن پلی به ساختارهای گراف گسسته در یک قلمرو ریاضی غیرمنتظره از نو صورت‌بندی کرد. این بازفرمول‌بندی — و نه جستجویی که بعد از آن آمد — همان حرکت لایه ۲ است.

اینکه آیا این واقعاً یک نمونه از شکل‌دهی به مدل خودکار بود یا یک «نزدیک‌شدن با پرامپت هوشمندانه»، هنوز محل بحث است. اما نشان می‌دهد که هدف چه شکلی دارد: نه جستجوی سریع‌تر، نه مدل‌های بزرگ‌تر، بلکه سیستم‌هایی که می‌توانند بفهمند خود داربست مفهومی‌شان همان چیزی است که باید تغییر کند.

چرا این برای مهندسان سیستم‌های تولیدی اهمیت دارد؟

این چارچوب صرفاً فلسفه نیست. روش اشکال‌زدایی سیستم‌های واقعی را تغییر می‌دهد.

در هوش مصنوعی کاربردی، ما به‌طور مداوم «مقیاس لایه ۳» را با هوش واقعی اشتباه می‌گیریم. وقتی یک خط لوله تولیدی کم می‌آورد — چه یک پشته خودکارسازی حقوقی که آرای دادگاه فدرال کانادا را می‌خواند، چه یک سامانه هوش اسنادی، چه یک مدل از محیط توان‌بخشی فیزیکی — رفلکس پیش‌فرض مهندسی این است که محاسبات بیشتری به لایه ۳ تزریق کنیم، یا کانتکست بیشتری به لایه ۱ بدهیم. مدل را فاین‌تیون می‌کنیم. اسوییپ هایپرپارامتر می‌زنیم. دیتابیس برداری را بزرگ‌تر می‌کنیم. یک مرحله بازیابی دیگر اضافه می‌کنیم.

گاهی این کارها درست‌اند. اغلب نیستند. اگر شمای زیربنایی داده‌ها اشتباه باشد، یا اگر معماری مفهومی یک سیستم چندعاملی مسئله را از مفصل غلطی تکه‌تکه کرده باشد، بهینه‌سازی، با وفاداری کامل، همان سوء تفاهم را تقویت می‌کند. در نهایت نسخه‌ای تیزتر، مطمئن‌تر و گران‌تر از همان اشتباه قبلی به دست می‌آورید.

ساخت سیستم‌های مقاوم یعنی صریحاً طراحی برای ارزیابی کیفی خویش: مؤلفه‌هایی که کارشان این است که بپرسند آیا مدل فعلی مسئله اصلاً مدل درستی هست یا نه، و وقتی نیست، مدلی متفاوت پیشنهاد دهند. بدون مکانیسمی اختصاصی برای لایه ۲ — یعنی شکل‌دهی به مدل، نه فقط تنظیم مدل — هوش مصنوعی همچنان یک دستیار درخشان باقی می‌ماند که می‌تواند همه مقالات گذشته ما را بخواند و همه محاسبات ما را انجام دهد، اما هرگز کسی نخواهد بود که کتاب درسی را از نو بنویسد.

منابع

• A Three-Layer Framework for AI in Scientific Discovery — arXiv · cs.AI · 2026-06-11