شهریور
اخبار
جیپیتی ۵.۶ سول: هوش مصنوعی OpenAI بهتنهایی یک آزمایشگاه کوانتومی MIT را اداره کرد
شرکت OpenAI اعلام کرد مدل تازهاش، جیپیتی ۵.۶ سول، برای نخستینبار بدون کمک انسان یک آزمایشگاه کوانتومی واقعی در دانشگاه MIT را اداره کرده و کالیبراسیون یک تراشهی ششکیوبیتی را بهطور کامل خودکار انجام داده است.
لیست مطالب
۱. چه اتفاقی در آزمایشگاه MIT افتاد؟
هفتهی گذشته، تیم پژوهشی شرکت OpenAI گزارشی منتشر کرد که در آن برای نخستینبار نشان میداد یک مدل زبانی میتواند نقش دستیار عملیاتی یک آزمایشگاه فیزیک واقعی را ایفا کند. صحنهی این آزمایش، گروه سامانههای کوانتومی مهندسی (EQuS) در دانشگاه MIT بود؛ جایی که پژوهشگران روی تراشههای کوانتومی ابررسانا کار میکنند. بئاتریس یانکلویچ، دانشجوی دکترای این گروه، مسئول اجرای این آزمایش بود.
او مدل جیپیتی ۵.۶ سول را از طریق ابزار برنامهنویسی Codex به نرمافزار کنترل آزمایشگاه متصل کرد و اجازه داد مدل مستقیماً با یک تراشهی ششکیوبیتیِ کالیبرهنشده کار کند. نکتهی مهم اینجاست که این تراشه پیش از شروع آزمایش هیچ تنظیم اولیهای نداشت؛ یعنی مدل باید از صفر شروع میکرد.
تا پیش از این، عاملهای هوش مصنوعی بیشتر در دنیای نرمافزار محدود میماندند: نوشتن کد، پاسخ به پرسشها یا مدیریت وظایف اداری. آنچه این آزمایش را متفاوت میکند، ورود مستقیم مدل به دنیای فیزیکی و کار با تجهیزات حساس آزمایشگاهی است؛ گامی که بسیاری از پژوهشگران آن را مرز بعدی توسعهی عاملهای هوش مصنوعی میدانند. به همین دلیل، این خبر در روزهای اخیر توجه گستردهی رسانههای علمی و فناوری را به خود جلب کرده است.
۲. جیپیتی ۵.۶ سول و Codex دقیقاً چه کاری انجام دادند؟
بر اساس گزارش رسمی OpenAI، مدل در طول این آزمایش چند مرحلهی کاملاً فنی را پشت سر گذاشت. نخست پارامترهای اندازهگیری را برای تراشهی کالیبرهنشده انتخاب کرد. سپس سختافزار آزمایشگاه را از راه دور عملیاتی کرد و دادههای خام حاصل از آزمایش را تحلیل کرد.
در ادامه، مدل فرکانس گذار هر یک از شش کیوبیت را شناسایی کرد و پالسهای کنترل و بازخوانی را کالیبره کرد؛ کاری که معمولاً ساعتها زمان دقیق و پرحوصلهی یک پژوهشگر انسانی را میگیرد. در نهایت، زمان ماندگاری اطلاعات کوانتومی -که در ادبیات علمی «کوهرنس» نامیده میشود- را اندازهگیری کرد و بر اساس نتیجه، خودش تصمیم گرفت آزمایش را تکرار کند یا داده را ذخیره کرده و به مرحلهی بعد برود.
کالیبراسیون کیوبیت چیست و چرا اینقدر مهم است؟
کیوبیتهای ابررسانا باید تا دمایی نزدیک به صفر مطلق سرد شوند تا خواص کوانتومی خود را حفظ کنند. پیش از هر آزمایش جدی، پژوهشگران باید فرکانس دقیق هر کیوبیت و بهترین تنظیمات پالسهای کنترلی را پیدا کنند؛ فرایندی تکراری، حساس و زمانبر که کوچکترین خطا در آن میتواند کل نتیجهی آزمایش را بیاعتبار کند.
۳. نتیجه چه بود؟ موفقیتها و محدودیتهای واقعی
گزارش OpenAI نتیجه را دوگانه توصیف میکند. در حالتی که سیگنالهای اندازهگیری واضح و تمیز بودند، مدل توانست چرخههای استاندارد کالیبراسیون را با حداقل دخالت انسان کامل کند و بهدرستی فرکانسهای عملیاتی و زمان کوهرنس را گزارش دهد. اما در شرایطی که دادهها ضعیف، نویزی یا مبهم بودند، مدل هنوز نتوانست بهتنهایی تصمیم درست بگیرد و به راهنمایی مستقیم یک پژوهشگر باتجربه نیاز داشت.
این نکته دقیقاً همان مرزی است که کارشناسان روی آن تأکید میکنند: مدلهای فعلی برای کارهای ساختاریافته و تکراری بسیار قابلاعتمادند، اما در مواجهه با پدیدههای فیزیکی غیرمنتظره یا دادههای مبهم، هنوز جایگزین قضاوت انسانی نمیشوند. برای آشنایی بیشتر با این مرز میان توانایی واقعی و تبلیغات، مطلب تواناییها و محدودیتهای واقعی هوش مصنوعی را در سایت بخوانید.
همچنین باید در نظر داشت که این آزمایش تنها روی یک نوع مشخص از تراشهی کوانتومی و در شرایط کنترلشدهی یک آزمایشگاه دانشگاهی انجام شده است. عملکرد مدل روی سایر انواع سختافزار کوانتومی، یا در آزمایشگاههایی با پروتکلهای متفاوت، هنوز بهطور مستقل ارزیابی نشده و نیاز به پژوهشهای تکمیلی دارد.
۴. چرا یانکلویچ میگوید کار او دگرگون شده است؟
بئاتریس یانکلویچ در گفتوگو با تیم OpenAI گفته است که این ابزار نحوهی کار روزانهی او را عوض کرده است. به گفتهی او، حالا میتواند چند عامل هوش مصنوعی را همزمان روی مسائل مختلف بگذارد، ساعتها -حتی در طول شب- آنها را رها کند و از طریق گوشی همراه خود پیشرفت کار را دنبال کند. تنها زمانی که چیزی غیرمنتظره رخ میدهد یا نیاز به تغییر مسیر آزمایش است، او وارد عمل میشود.
او تأکید کرده که این تغییر به معنای حذف نقش پژوهشگر نیست، بلکه جابهجایی زمان او از کارهای تکراری به سمت طراحی آزمایش و تحلیل سطح بالا است؛ دقیقاً همان تفاوتی که در مطلب توهم هوش مصنوعی: توسعهدهندهی تنها در برابر مهندس واقعی هم به آن پرداخته شده است.
۵. این خبر چه معنایی برای آیندهی پژوهش علمی دارد؟
اگر عاملهای هوش مصنوعی بتوانند بخش قابلتوجهی از کارهای تکراری آزمایشگاهی را بر عهده بگیرند، سرعت پیشرفت علمی در حوزههایی مانند محاسبات کوانتومی، فیزیک مادهی چگال و حتی زیستشناسی مولکولی میتواند بهطور چشمگیری افزایش یابد. این موضوع فقط به دانشگاهها محدود نمیشود؛ شرکتهای فناوری هم بهسرعت در حال بهکارگیری چنین عاملهایی در فرایندهای تحقیق و توسعهی خود هستند، موضوعی که در مطلب اهمیت هوش مصنوعی برای کسبوکارها در سال ۲۰۲۵ بررسی شده است.
با این حال، باید توجه داشت که این فقط یک آزمایش کنترلشده بوده و تعمیم آن به همهی حوزههای علمی هنوز زود است. بسیاری از آزمایشهای علمی پیچیدگیهایی دارند که حتی برای انسان هم چالشبرانگیزند، چه رسد به مدلی که هنوز در مواجهه با دادههای مبهم دچار تردید میشود.
۶. مقایسهای کوتاه با رقبا در مسیر عاملهای علمی
رقابت میان شرکتهای بزرگ هوش مصنوعی تنها به چتباتهای عمومی محدود نیست؛ گوگل، آنتروپیک و شرکتهای چینی مانند دیپسیک هم بهطور جدی روی عاملهای تخصصی برای پژوهش علمی سرمایهگذاری کردهاند. برای درک بهتر تفاوت رویکردهای این شرکتها در حوزههای تخصصی دیگر مانند شطرنج و استدلال، میتوانید مطلب مقایسهی چتجیپیتی و دیپسیک را بخوانید.
نکتهی مشترک در همهی این تلاشها این است که هدف، جایگزینی کامل انسان نیست، بلکه کاهش زمان صرفشده روی کارهای تکراری و افزایش بهرهوری تیمهای پژوهشی است.
۷. نگرانیها و ملاحظات ایمنی این نوع خودکارسازی
واگذاری کنترل مستقیم سختافزار حساس آزمایشگاهی به یک مدل زبانی، پرسشهای جدی دربارهی ایمنی و نظارت مطرح میکند. اگر مدل تصمیم اشتباهی دربارهی یک پارامتر سختافزاری بگیرد، ممکن است به تجهیزات گرانقیمت آزمایشگاهی آسیب برساند یا دادههای آزمایش را بیاعتبار کند. به همین دلیل، تیم MIT تأکید کرده که کنترل نهایی تصمیمهای علمی نوآورانه همچنان در دست پژوهشگران انسانی باقی میماند.
برای کسانی که میخواهند با نحوهی درست نوشتن دستور برای چنین عاملهای هوش مصنوعی آشنا شوند، راهنمای آموزش نوشتن پرامپت برای مبتدیان نقطهی شروع خوبی است.
۸. چشمانداز آینده: از آزمایشگاه فیزیک تا صنایع دیگر
بسیاری از تحلیلگران معتقدند این نوع همکاری میان انسان و عامل هوش مصنوعی، تنها به دانشگاهها محدود نخواهد ماند. شرکتهای دارویی، مراکز تحقیقاتی نیمههادی و حتی خطوط تولید صنعتی میتوانند از الگویی مشابه برای خودکارسازی کارهای کالیبراسیون، آزمون و کنترل کیفیت استفاده کنند. اگر این روند ادامه پیدا کند، نقش انسان در بسیاری از فرایندهای فنی از «اجرا» به «نظارت و طراحی» تغییر خواهد کرد.
با این حال، تجربهی تلخ و شیرین آزمایشگاه MIT یادآوری خوبی است که این مسیر خطی و بدون چالش نیست. هر حوزهی صنعتی پیش از واگذاری کنترل واقعی به یک مدل زبانی، باید آزمایشهای ایمنی، اعتبارسنجی گسترده و پروتکلهای نظارتی مخصوص به خود را طی کند.
۹. سوالات متداول
جیپیتی ۵.۶ سول دقیقاً چیست؟
جیپیتی ۵.۶ سول نسخهای از مدلهای OpenAI است که از طریق ابزار Codex میتواند مستقیماً با نرمافزار و سختافزار آزمایشگاهی ارتباط برقرار کند و کارهای عملیاتی مانند کالیبراسیون تجهیزات را انجام دهد.
آیا این مدل جایگزین دانشمندان کوانتوم میشود؟
خیر. طبق گزارشها، مدل تنها در کارهای تکراری و ساختاریافته مانند کالیبراسیون موفق عمل کرده و در تفسیر دادههای مبهم یا طراحی آزمایشهای نوآورانه هنوز به پژوهشگران انسانی وابسته است.
این فناوری چه زمانی در دسترس دیگر آزمایشگاهها قرار میگیرد؟
شرکت OpenAI جزئیات دقیقی دربارهی زمانبندی عرضهی عمومی این قابلیت برای سایر آزمایشگاههای علمی اعلام نکرده است، اما این آزمایش را بهعنوان یک نمونهی اولیهی موفق از همکاری انسان و هوش مصنوعی در پژوهش علمی معرفی کرده است.
آیا این آزمایش فقط مخصوص محاسبات کوانتومی است؟
خیر. به گفتهی پژوهشگران، همان رویکرد -یعنی اتصال یک عامل هوش مصنوعی از طریق Codex به نرمافزار کنترل تجهیزات- میتواند در آینده برای سایر حوزههای آزمایشگاهی مانند شیمی، زیستشناسی مولکولی و علم مواد نیز آزمایش شود، هرچند هر حوزه چالشهای فنی خاص خود را دارد.
برای دنبالکردن آخرین اخبار مربوط به مدلهای جدید هوش مصنوعی و کاربردهای علمی آنها، صفحهی اخبار هوش مصنوعی و بخش آموزشهای چتجیپیتی در سایت را دنبال کنید.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
