هوش مصنوعی سبک نوآوری و اختراع کردن ما را نیز تغییر می‌دهد

رجینا بارزیلی، یکی از محققان دانشگه MIT در حوزه‌ی هوش مصنوعی است که از پیش‌گامان این صنعت نیز محسوب می‌شود. محل کار او، در نزدیکی مؤسسه‌ی تحقیقات زیست‌شناسی Novartis و همچنین گروه تحقیقات دارویی Amgen قرار دارد. بارزیلی قبلا توجهی جدی به آن ساختمان‌های آزمایشگاهی مملو از شیمی‌دان‌ و زیست‌شناس نداشت. البته، از زمانی‌که هوش مصنوعی و یادگیری ماشین، پیشرفت‌هایی شگرف در موضوعات پردازش تصویر و درک زبانی نشان دادند، او از خود پرسید: آیا می‌توان فرایندهای کشف داروهای جدید را نیز به‌کمک هوش مصنوعی بهبود بخشید؟

بررسی و تحلیل احتمالات تقریبا بی‌نهایت در دنیای علم، یکی از قابلیت‌های اصلی یادگیری ماشینی محسوب می‌شود. برنامه‌هایی که با پایگاه‌های داده‌ی بزرگ، پر از اطلاعات مولکول‌های متنوع، آموزش داده می‌شوند، توانایی تحلیل انواع ترکیب آن مولکول‌ها را خواهند داشت.

کشف دارو، یکی از پرهزینه‌ترین و دشوارترین فرایندهای علمی است. شیمی‌دان‌های حوزه‌ی داروشناسی، باید ترکیب‌های متعدد مولکولی را مورد آزمایش قرار دهند تا دارویی مناسب از آن‌ها استخراج شود. آن‌ها باید دانش خود را به‌کار بگیرند تا نحوه‌ی تأثیرگذاری ساختار مولکول‌ها بر ویژگی‌های فیزیکی و شیمیایی را تحلیل کنند. آن‌ها متغیرهای متعدد را در طول آزمایش‌های خود بررسی می‌کنند و عموما نیز با شکست مواجه می‌شوند.

بارزیلی درباره‌ی روندهای مطالعاتی و کشف داروهای جدید توسط داروسازها می‌گوید:

پیدا کردن ترکیب‌های مولکولی جدید، هنوز یک هنر است. چون شما با تعداد فراوانی احتمالات در مسیر آزمایش‌های خود روبه‌رو هستید. به‌هرحال، پیدا کردن داروهای بالقوه‌ی جدید، زمان زیادی می‌طلبد.

یادگیری عمیق، با سرعت بخشیدن به مرحله‌ی حیاتی بررسی ترکیب‌های مولکولی، فرصت‌های بسیار زیادی را برای شیمی‌دان‌ها فراهم می‌کند. درنتیجه، کشف دارو نیز سریع‌تر خواهد شد. یکی دیگر از مزیت‌های یادگیری ماشینی نیز، تصورات و مسیرهای فکری غیرمعمول آن است. یکی از همکارات بارزیلی به‌نام پرز اعتقاد دارد یادگیری ماشین شاید در مسیرهایی تفکر کند که انسان، به آن‌ها وارد نمی‌شود. درواقع، نحوه‌ی فکر کردن یک سیستم یادگیری عمیق، با انسان فرق دارد.

دستاوردهای مهم و تأثیرگذار در حوزه‌های فوق، به‌خاطر پیچیده‌تر شدن علوم شیمی، مواد و داروسازی (در اثر افزایش شدید و پیچیده‌ی داده‌ها)، دشوارتر شده‌اند. برای اثبات این ادعا باید بگوییم با آنکه مؤسسه‌های گوناگون، سرمایه‌گذاری‌های عظیمی در اکتشافات دارو و مواد انجام داده‌اند، در سال‌های گذشته پیشرفت‌های کمی در کشف دارو و موارد دیگر داشته‌ایم. در حوزه‌ی فناوری نیز، ما هنوز از باتری‌های لیتیوم یونی استفاده می‌کنیم که در ابتدای دهه‌ی ۱۹۹۰ معرفی شدند. سلول‌های خورشیدی کنونی نیز هنوز از فناوری سیلیکونی استفاده می‌کنند که عمری نزدیک به ۱۰ سال دارد.

آجای آگراول، اقتصاددان مدرسه‌ی مدیریت Rotman در تورنتو و نویسنده‌ی کتاب پرفروش Predicting Machines اعتقاد دارد پیچیدگی‌هایی که موجب کاهش پیشرفت در زمینه‌های فوق شده‌اند، دقیقا محل برتری یادگیری عمیق هستند. جست‌وجو در فضاهای چندبعدی و نتیجه‌گیری و پیش‌بینی‌های باارزش، دقیقا نقطه‌ی مزیت هوش مصنوعی است.

اقتصاددان‌های دانشگاه‌های MIT، هاروارد و بوستون در مقاله‌ای ادعا کردند که ظرفیت اقتصادی اصلی هوش مصنوعی،‌ از توانایی آن در حوزه‌ی اختراع به‌دست خواهد آمد. آن‌ها، تغییر «طبیعت فرایندهای نوآورانه و ساختارهای تحقیق و توسعه» را به‌عنوان ظرفیت بالای فناوری هوش مصنوعی در دنیای نوآوری بیان کردند.

لاین کاک‌برن یکی از اقتصاددان‌های دانشگاه بوستون و نویسنده‌ی همکار مقاله‌ی فوق می‌گوید:

روش‌های جدید و پرکاربرد نوآوری، با سرعت و شدت بالا پدید نمی‌آیند. به‌علاوه، اگر حدس ما صحیح باشد، هوش مصنوعی می‌تواند هزینه‌ی تحقیق و توسعه را در زمینه‌های گوناگون تغییر دهد.بخش زیادی از نوآوری، به پیش‌بینی‌های براساس داده وابسته است. در چنین مواردی، یادگیری ماشین می‌تواند در ابعادی بزرگ‌تر، فرایندها را سریع‌تر و ارزان‌تر انجام دهد.

در بیانی دیگر از استدلال‌های بالا، می‌توان پیش‌بینی کرد که دستاورد عظیم هوش مصنوعی، به خودروهای خودران، جستجوی تصویری یا حتی توانایی الکسا به انجام دادن دستورهای انسان‌ها، محدود نخواهد شد. درواقع، ظرفیت‌های این فناوری در پیدا کردن ایده‌های جدید برای تقویت نوآوری، شکوفا می‌شود.

ایده‌ها، گران می‌شوند

پاول رومر، سال گذشته جایزه‌ی نوبل اقتصاد را به‌دست آورد. تقدیر از او، به‌خاطر تحقیقات در پایان دهه‌ی ۱۹۸۰ و ابتدای ۱۹۹۰ روی تأثیر سرمایه‌گذاری در شکوفایی ایده‌های جدید و تأثیرات اقتصادی آن بود. اقتصاددان‌های دیگر نیز، ارتباط بین نوآوری و رشد اقتصادی را کشف کرده بودند، اما رومر یک توضیح عالی برای آن ارتباط ارائه کرد. از چند دهه قبل، نتیجه‌گیری‌های رومر، الهام‌بخش معنوی بسیاری از افراد در سیلیکون‌ولی بود و نحوه‌ی دستیابی به آن همه ثروت در این منتطقه را تشریح می‌کرد.

اقتصاددان‌ها با نگاهی به روند کشف داروهای جدید، تحقیقات نیمه‌هادی‌ها، نوآوری‌های پزشکی و روش‌های افزایش بهره‌وری محصولات در سال‌های گذشته، به یک نتیجه‌گیری مشترک رسیدند: سرمایه‌گذاری در نوآوری‌ها با سرعت افزایش می‌یابد، اما نتایج آن‌ها ثابت مانده‌اند.

از نگاه یک متخصص اقتصاد، نتیجه‌گیری فوق یک اشکال در بهره‌وری محسوب می‌شود. درواقع، ما برای خروجی‌های یکسان با گذشته، در حال پرداخت هزینه‌های بیشتر هستیم. آمارها نیز چنین نتایجی را تأیید می‌کنند که قطعا قابل قبول نیست. به‌عنوان مثال، نرخ بهره‌وری محققان (تعداد محققانی که برای رسیدن به یک نتیجه‌ی مشخص نیاز است)، برای گسترش قانون مور، سالانه به‌اندازه‌ی ۶.۸ درصد کاهش می‌یابد.

در توضیح خلاصه‌ی قانون مور باید بدانید که تحقیقات در آن حوزه، به پیدا کردن راه‌های جدید برای جانمایی قطعات بیشتر و کوچک‌تر در تراشه‌های نیمه‌هادی اختصاص دارد که درنهایت، کامپیوترها را قدرتمندتر و سریع‌تر خواهند کرد. نتایج تحقیقات نشان می‌دهد درحال حاضر، محققان مورد نیاز برای دوبرابر کردن چگالی تراشه‌های کامپیوتری، ۱۸ برابر تعداد آن‌ها در دهه‌ی ۱۹۷۰ است.

در بحث بهبود بازدهی محصولات به‌وسیله‌ی بهبود بذرهای کشاورزی، بهره‌وری تحقیقات سالانه ۵ درصد کاهش می‌یابد. جالب است بدانید در کشوری پیشرفته همچون آمریکا، این آمار به ۵.۳ درصد می‌رسد.

به‌هرحال، تأثیرات منفی آمارهای فوق، با موارد دیگر به تعادل رسیده است. درواقع، کشورهای مختلف با افزایش هزینه و نیروی انسانی در حوزه‌ی تحقیقات، تعادل مذکور را ایجاد کرده‌اند. درنتیجه، ما هر دو سال یک بار تعداد ترانزیستورهای موجود در یک تراشه را دوبرابر می‌کنیم (قانون مور)، اما این دستاورد، به‌خاطر افزایش محققان و هزینه‌ی صورت‌گرفته در آن حوزه است. درنهایت، برای حفظ همین پیشرفت جزئی، باید تا ۱۳ سال آینده، سرمایه‌گذاری‌های تحقیقاتی در آن را دو برابر کنیم.

یکی از دلایل چنین چالش‌های در پیشرفت، کهنه شدن علوم بیان می‌شود. درواقع، شاید علوم کشاورزی و نیمه‌هادی‌ها، به‌مرور قدیمی شده‌اند و فرصت‌های نوآوری در آن‌ها، روز‌به‌روز کمتر می‌شود. به‌هرحال، محققان متوجه شده‌اند که رشد ملی مرتبط با نوآوری در اقتصاد، آهسته شده است. به‌بیان‌دیگر، هیچ سرمایه‌گذاری در زمینه‌های جدید و هیچ اختراعی که در آن‌ها پدید آمد، تأثیری عظیم و ساختاری نداشته‌اند.

به‌نظر می‌رسد کاهش بهره‌وری تحقیقات، عمری چند دهه‌ای دارد. البته نگرانی اقتصاددان‌ها از آن، جدیدا بیشتر شده چون کاهش رشد اقتصادی نیز از میانه‌های سال ۲۰۰۰ بیشتر شده است. در دورانی که فناوری‌های جدید و جذابی همچون گوشی‌های هوشمند،‌ خودروهای خودران و سرویس‌هایی همچون فیسبوک وجود دارند، رشد کنونی، قطعا کند بوده و قابل‌قبول نیست. به‌علاوه، بخشی از رشد با نام بهره‌وری کلی که به نقش آن در نوآوری اشاره دارد، بسیار ضعیف بوده است.

اقتصاددان‌ها اصطلاحی به‌نام «میوه‌ی پایین درخت» دارند که به‌معنای بهره‌وری از فرصت‌های آسان در هر حوزه می‌شود. کاملا واضح است که ما اکنون در حوزه‌ی نوآوری، بسیاری از این میوه‌های ساده را مصرف کرده‌ایم. آیا می‌توان نتیجه گرفت که تنها میوه‌های باقی‌مانده، آن‌هایی هستند که در دورترین شاخه‌های درخت جا خوش کرده‌اند؟ رابرت گوردن، اقتصاددانی از دانشگاه Northwestern یکی از طرفداران آن نظریه است. او اعتقاد دارد که ما امروز، فاصله‌ی زیادی با دوران پررونق اکتشاف‌ها داریم که در پایان قرن ۱۹ و ابتدای قرن بیستم وجود داشت. در آن دوران، نوآوری‌هایی همچون روشنایی برقی، نیروی برق و موتورهای احتراق داخلی، به رفاهی به‌طول یک قرن انجامیدند.

تعداد محققان مورد نیاز برای یک نتیجه‌ی مشخص علمی در طول دهه‌های ۱۹۳۰ تا ۲۰۰۰ و مقایسه با نرخ بهره‌وری کلی در آمریکا

اگر نظریه‌ی گوردن صحیح باشد و نوآوری‌های کمی در جهان باقی مانده باشند، آینده‌ی اقتصادی نگران‌کننده‌ای در انتظار همه‌ی ما خواهد بود. البته، اقتصاددان‌های کمی با نظریه‌ی او موافق هستند. درواقع، این نظریه که ایده‌های بزرگ هنوز در جهان وجود دارند،‌ منطقی‌تر به‌نظر می‌رسد؛ تنها، دستیابی به آن‌ها گران‌تر و دشوارتر شده است چون دانش، روز‌به‌روز پیچیده‌تر می‌شود. به‌بیان‌دیگر، شانس اینکه کشف بزرگی همچون ‌پنی‌سیلین به‌راحتی و سریع انجام شود، بسیار پایین خواهد بود. ما به محققان بسیار بیشتری نیاز داریم تا درک بهتری از علوم درحال پیشرفت، خصوصا در حوزه‌هایی همچون شیمی و زیست‌شناسی داشته باشیم.

بن جونز، اقتصاددان دانشگاه نورث‌وسترن از اصطلاح «بار سنگین دانش» برای وضعیت کنونی علم استفاده می‌کند. طبق نظر او، محققان روز‌به‌روز متخصص‌تر می‌شوند و به‌همین دلیل، نیاز به تیم‌های بسیار بزرگ‌تر با هزینه‌های بیشتر خواهد بود تا مشکلات علمی حل شوند. تحقیقات جونز نشان می‌دهد سنی که بهره‌وری محققان در آن به اوج می‌رسد، در حال افزایش است. به‌بیان‌دیگر، آن‌ها اکنون به زمان بیشتری نیاز دارند تا به تخصص لازم برای پیشرفت در حوزه‌ی کاری خود دست پیدا کنند. به‌هرحال، جونز وضعیت موجود را محصول ذاتی دوران پیشرفت دانش می‌داد.

فن رینن می‌گوید افراد بسیاری نتایج تحقیقات آن‌ها را ناامیدکننده می‌دانند، اما او چنین عقیده‌ای ندارد. نوآوری شاید دشوار و گران شده باشد، اما این حقیقت به‌سادگی نشان‌دهنده‌ی نیاز به سیاست‌هایی همچون تسهیلات مالیاتی است تا سرمایه‌گذاری‌های بیشتری در حوزه‌ی تحقیقات انجام شود. او در ادامه می‌گوید:

تا زمانی‌که شما منابعی را به تحقیق و توسعه اختصاص دهید، می‌توانید رشد سالم بهره‌وری داشته باشید. البته، ما باید آماده‌ی هزینه کردن بیشتر برای آن منظور باشیم. چرا که قطعا چنین دستاوردهایی رایگان به‌دست نخواهند آمد.

آمار بهره‌وری محققان در کشف داروهای مولکولی

دست برداشتن از علوم

آیا هوش مصنوعی می‌تواند به‌صورتی خلاقانه، مشکلاتی که بر سر راه نوآوری وجود دارد را حل کند؟ برخی متخصصان باتوجه‌به پیشرفت‌هایی همچون برد مسابقات بازی‌های فکری توسط هوش مصنوعی AlphaGo، اعتقاد دارند فناوری مذکور، چنان توانایی‌هایی دارد.

آلفاگو، در بازی فکری سنتی Go مهارت زیادی کسب کرد. این هوش مصنوعی، توانست قهرمان جهانی بازی را با مطالعه‌ی احتمالات تقریبا بی‌نهایت آن، شکست دهد. احتمالاتی که نتیجه‌ی هزاران سال بازی Go توسط انسان‌ها بودند. مطالعه‌ی آن حجم از احتمالات، به هوش مصنوعی توانایی داد تا روش‌هایی را برای برد به‌کار گیرد که تاکنون انسان‌ها از آن‌ها استفاده نکرده بودند. همین روند، احتمالا در نوع تفکر دیگر نمونه‌های هوش مصنوعی نیز دیده خواهد شد. به‌عنوان مثال، آن‌ها که با داده‌های تجربی عظیم و مقاله‌های متعدد شیمی آموزش دیده‌اند، شاید ترکیب‌هایی ویژه کشف کنند که متخصصان، حتی تصور نمی‌کردند.

دهه‌های گذشته، شاهد انقلاب‌های متعدد در برنامه‌های تحقیق و توسعه بوده‌اند. از روزهایی که مؤسسه‌هایی همچون بل لبز متعلق به AT&T و زیراکس پارک، نوآوری‌هایی انقلابی همچون ترانزیستور، سلول‌های خورشیدی و چاپ لیزری را معرفی کردند، شرکت‌های بزرگ اقتصادهای مشهور جهان، تحقیقات در علوم بنیادی را متوقف کرده‌اند. به‌عنوان مثال در این مدت، بودجه‌ی فدرال تحقیق و توسعه در آمریکا (خصوصا در بخش‌هایی به‌جز علوم زیستی)، رشد آن‌چنانی نداشته است.

محققان مورد نیاز برای رسیدن به اهداف قانون مور از دهه‌ی ۱۹۷۰ تاکنون

در نتیجه‌ی اقدامات فوق می‌توان گفت با آنکه ما هرروز به افزایش کلی محققان می‌اندیشیم و پیشرفت‌های قابل توجهی را در فرصت‌های تجاری کسب کرده‌ایم، زمینه‌هایی که نیازمند تحقیقات بلندمدت و تلاش برای درک پایه‌های علوم هستند، مورد کم‌لطفی واقع شده‌اند.

نوآوری در کشف و اختراع مواد جدید، زمینه‌ای با سودآوری تجاری پایین محسوب می‌شود. چنین تصوری، تلاش برای نوآوری در آن زمینه را کاهش می‌دهد. نوآوری‌هایی که به باتری‌های بهتر، سلول‌های خورشیدی با بازدهی بالاتر و احتمالا کاتالیزورهایی برای تولید سوخت به‌صورت مستقیم از نور خورشید یا کربن دی‌اکسید خواهند انجامید. با آنکه قیمت سلول‌های خورشیدی و باتری‌ها روز‌به‌روز کاهش می‌یابد، آن را نمی‌توان نتیجه‌ی بهبود در فرایندهای فناوری دانست؛ بلکه پیشرفت در حوزه‌های اقتصادی و مقیاس‌پذیری کسب‌وکارها و بازارها، موجب کاهش قیمت می‌شود.

تونیو بوناسیسی، مهندس مکانیک دانشگاه MIT است که با تیمی در سنگاپور و پیرامون موضوع کشف مواد جدید فعالیت می‌کند. او اعتقاد دارد ۱۵ تا ۲۰ سال زمان نیاز است تا یک ماده‌ی جدید کشف شود. چنین زمانی، قطعا برای بسیاری از کسب‌وکارها، بسیار زیاد است. حتی سرمایه‌گذاری روی آن برای گروه‌های آکادمیک نیز غیرکاربردی خواهد بود. چه کسی سال‌ها روی ماده‌ای کار خواهد کرد که احتمال موفق شدنش نیز بالا نیست؟ به‌همین دلیل، استارتاپ‌هایی که سرمایه‌های خطرپذیر دریافت کرده‌اند، با وجود موفقیت‌های عظیم در حوزه‌هایی همچون نرم‌افزار و حتی زیست‌فناوری، در حوزه‌های فناوری پاک، پیشرفت‌های آن‌چنانی نداشته‌اند؛ شاید به‌خاطر آنکه سرمایه‌گذاران خطرپذیر، حداکثر ۷ سال را برای برای بازگشت سرمایه در نظر می‌گیرند.

بوناسیسی، یک آزمایشگاه فتوولتائیک را نیز در MIT مدیریت می‌کند. او اعتقاد دارد افزایش سرعت ۱۰ برابری در حوزه‌ی کشف مواد جدید، نه‌تنها ممکن بلکه الزامی است. وظیفه‌ی او و گروه‌های محققان همراهش، استفاده از هوش مصنوعی و یادگیری ماشین برای کاهش آن دوره‌ی ۱۵ تا ۲۰ ساله به حدود ۲ تا ۵ سال است. آن‌ها با هدف قرار دادن انواع چالش‌های موجود در آزمایشگاه‌ها و خودکارسازی هرچه بیشتر فرایندها، به آن نتایج دست پیدا خواهند کرد.

سریع‌تر شدن فرایندها، به محققان امکان می‌دهد تا راهکارهای بیشتری را آزمایش کنند. به‌علاوه، آن‌ها می‌توانند پس از چند ساعت تحقیق، به‌جای چند ماه، بن‌بست‌های تحقیقاتی خود را کشف کنند. درنهایت، بهینه‌سازی یافته‌ها در علومی همچون تحقیقات مواد، سریع‌تر انجام می‌شود. به‌نظر بوناسیسی، چنین فناوری، روش تفکر محققان را تغییر می‌دهد.

استفاده از هوش مصنوعی و افزایش سرعت فرایندهای تحقیق و آزمایش، بار دیگر زمینه‌های علمی کشف مواد را به فرصت‌های قابل‌توجه کسب‌وکار تبدیل خواهد کرد. همان‌طور که گفته شد درحال‌حاضر، روندهای نوآوری‌های جدید خصوصا در علم مواد با سرعت پایینی پیش می‌روند و به‌عنوان مثال، کشف باتری‌های لیتیم یونی حدود ۲۰ سال زمان نیاز داشت. نمونه‌ی دستاورد سریع‌تر، سلول‌های خورشیدی بودند. نکته‌ی مهم آن است که در برنامه‌ریزی‌های کنونی، دستاوردهایی همچون جلوگیری از تغییرات اقلیمی شدید، دوره‌های نزدیک به ۱۰ سال دارند. به‌بیان دیگر، ما نمی‌توانیم برای دستاوردهای بزرگ علمی بعدی، ۲۰ سال صبر کنیم.

استارتاپ‌های هوش مصنوعی فعال در حوزه‌ی دارو و مواد

آزمایشگاه تحت مدیریت هوش مصنوعی

آلان آسپورو، یک محقق هوش مصنوعی است که در تورنتو فعالیت می‌کند. او امروز برای دعوت از بازدید‌کننده‌های آمریکایی به آزمایشگاه خودش، از لفظ کنایه‌ای «به زمین آزاد بیایید» استفاده می‌کند. او در سال ۲۰۱۸ موقعیت خود به‌عنوان استاد شیمی دانشگاه هاروارد را ترک کرد و با خانواده، به کانادا رفت. یکی از دلایل اصلی مهاجرت او، مخالفت با سیاست‌های رئیس‌جمهور کنونی آمریکای یعنی دونالد ترامپ بود. او خصوصا با سیاست‌های مهاجرتی ترامپ، به‌شدت مخالف بود. مهاجرت آلان به تورنتو، چالش خاصی برای او در پی‌نداشت. به‌علاوه، آن شهر امروز به آرمان‌شهر متخصصان هوش مصنوعی بدل شده است.

آسپورو که اکنون استاد شیمی دانشگاه تورنتو است، مؤسسه‌ی هوش مصنوعی Vector نیز فعالیت می‌کند. جافری هینتون، یکی از هم‌بنیان‌گذاران مؤسسه‌ی مذکور است که اقدامات پیش‌گامانه‌اش در حوزه‌ی یادگیری عمیق و شبکه‌های عصبی، امروزه به‌عنوان یکی از پله‌های پرش اوج‌گیری هوش مصنوعی شناخته می‌شود.

هینتون به‌همراه چند محقق دیگر در مقاله‌ای در سال ۲۰۱۲،‌ نشان دادند که یک شبکه‌ی عصبی عمیق که با تعداد زیادی تصویر آموزش دیده است، می‌تواند مواردی همچون قارچ، پلنک و سگ را با نگاه دادن به عکس‌ها تشخیص دهد. در آن زمان، یافته‌های آن‌ها بسیار باارزش بود و به‌سرعت، منجر به یک انقلاب هوش مصنوعی شد که پس از آن، محققان با استفاده از الگوریتم‌های یادگیری عمیق، از مجموعه‌های عظیم داده، اطلاعات بامعنی استخراج کردند.

هینتون در ادامه‌ی مقاله‌ی خود، مقاله‌ای را در سال ۲۰۱۵ منتشر کرده و نشان داد که از یادگیری عمیق می‌توان در علومی همچون مهندسی شیمی و تحقیقات مواد استفاده کرد. مقاله‌ی او نشان داد که شبکه‌های عصبی،‌ توانایی کشف ساختارهای پیچیده را در داده‌های چندین بعدی دارند. به‌بیان دیگر، همان شبکه‌هایی که می‌توانند از میان میلیون‌ها عکس، (به‌عنوان مثال) تصویر یک سگ را تشخیص دهند، توانایی دسته‌بندی میلیون‌ها مولکول برای کشف مشخصات مورد نظر محققان را نیز دارند.

آسپورو که از ایده‌های فراوان در حوزه‌ی هوش مصنوعی انرژی می‌گیرد، از آن دسته دانشمندانی نیست که ۲۰ سال را برای کشف یک نوع جدید از ماده صرف کند. او از فناوری‌های یادگیری عمیق و شبکه‌های عصبی استفاده کرده است تا فرایند کشف مواد را بازطراحی کند. ایده‌ی او، استفاده از هوش مصنوعی و اتوماسیون، در تمام بخش‌های تحقیقات مواد است. این بخش‌ها، شامل طراحی اولیه و ترکیب ماده‌ی مورد نظر، آزمایش و آنالیز آن و درنهایت، بهبود مشخصات برای رسیدن به کارایی بهینه می‌شود.

محقق دانشگاه تورنتو، طرحی برای راه‌اندازی یک آزمایشگاه با مدیریت هوش مصنوعی دارد. او که در روزهای سرد کانادا، با قدرت به تحقیقات خود ادامه می‌دهد، برای ادامه‌‌ی روند راه‌اندازی آزمایشگاه به یک ربات نیاز داشت که با هزینه‌ی ۱.۲ میلیون دلار آن را از سوئیس خرید. آسپورو اکنون منتظر این ربات است تا ساختار آزمایشگاه مواد خود را تقریبا کامل کند.

در آزمایشگاه مورد نظر آسپورو، ابزارهای یادگیری عمیق همچون GAN و موارد مشابه مانند انکودرهای خودکار، مواد جدید و کاربردی را تصور کرده و چگونگی ساخت آن‌ها را بررسی می‌کنند. ربات مورد نظر نیز، نتایج به‌دست‌آمده از تحقیقات را به مواد واقعی تبدیل می‌کند. این دانشمند هوش مصنوعی قصد دارد سیستمی خودکار ارائه کند که مولکول‌های جدید را با استفاده از آن تولید کند.

پس از ساخت مواد، با استفاده از ابزارهایی همچون طیف‌سنج‌های حرفه‌ای، خصوصیات آن‌ها بررسی می‌شود. ابزارهای یادگیری ماشین اضافه، از داده‌های بررسی مواد، اطلاعات معنادار استخراج می‌کنند و خصوصیات ماده را به‌صورت کامل، تشخیص می‌دهند. یافته‌های این چند مرحله، برای بهبود خصوصیات ماده استفاده می‌شود تا درنهایت، زیرساخت آن‌ها به وضعیت قابل‌قبولی برسد. مرحله‌ی بعدی، تشخیص فرایند بعدی در ادامه‌ی آزمایش است که باز هم توسط هوش مصنوعی انجام می‌شود و درنهایت، یک چرخه‌ی بسته‌ی تحقیقاتی ایجاد می‌کند.

آسپورو انتظار دارد که پس از نصب و پیاده‌سازی ربات مورد نظر، هر ۲ روز، حدود ۴۸ ماده‌ی جدید معرفی کند که باز هم با استفاده از یادگیری ماشین، خصوصیات آن‌ها بهبود یابد. ادعای او، به‌معنای تولید یک ماده‌ی جدید در هر ساعت است. چنین سرعتی، فوق‌العاده جذاب خواهد بود و کارایی آزمایشگاه او را به‌میزان غیرقابل وصفی افزایش می‌دهد.

فرایند کشف مواد جدید، به‌سادگی تصور کردن «یک ماده‌ی جادویی» نیست. برای ایجاد تغییرات واقعی در حوزه‌ی تحقیقات علم مواد، باید کل فرایند تغییر کند. آسپورو می‌گوید با بررسی چالش‌های موجود در فرایندهای آن تحقیقات، به این نتیجه می‌رسیم که هوش مصنوعی در همه‌ی بخش‌های آزمایشگاه مورد نیاز است.

یکی از انگیزه‌های آسپورو برای ادامه‌ی تحقیقات، تغییرات اقلیمی است. به‌علاوه، نیاز به دستاوردهای فناوری پاک و نقش اساسی مواد در پیشرفت کردن در آن زمینه‌ها، آسپورو را به تحقیق هرچه بیشتر در آن حوزه، تشویق می‌کند.

تحقیقات اختصاصی آسپورو، در زمینه‌ی ساخت الکترولیت‌های ارگانیک جریان دارد که در نوع خاصی از باتری‌ها استفاده خواهند شد. آن باتری‌ها برای ذخیره‌ی برق اضافی شبکه‌های توزیع و تزریق مجدد آن در زمان نیاز، کاربرد دارند. به‌علاوه، او در زمینه‌ی ساخت سلول‌های خورشیدی ارگانیک و ارزان‌تر از نمونه‌های سیلیکونی نیز تحقیق می‌کند. او درنهایت اعتقاد دارد اگر ایده‌ی آزمایشگاه کاملا خودکار (و تحت رهبری هوش مصنوعی) به‌خوبی پیش برود، علم شیمی برای تعداد بیشتری از مردم، قابل دسترس خواهد بود. او این دستاورد را با اصطلاح «دموکراتیزه کردن علم کشف مواد» معرفی می‌کند.

آسپورو درباره‌ی افزایش استفاده از هوش مصنوعی و کاربردی‌تر شدن آن می‌گوید:

این زمینه، محل رخ دادن رویدادهای مهم خواهد بود. هوش مصنوعی که خودروها را می‌راند؛ هوش مصنوعی که تشخیص‌های پزشکی را بهبود می‌دهد؛ هوش مصنوعی مخصوص خریدهای شخصی، انواع کاربردهای فناوری ساختارشکن امروزی هستند. دراین‌میان، رشد واقعی حاصل از به‌کارگیری هوش مصنوعی در تحقیقات علمی، احتمالا بیش از تمامی پیشرفت‌هایی خواهد بود که به‌وسیله‌ی دیگر انواع هوش مصنوعی، حاصل می‌شود.

مؤسسه‌ی Vector واقع در تورنتو، به‌نوعی مرکز جذب تحقیقات هوش مصنوعی محسوب می‌شود که حدود ۱.۵ کیلومتر با دفتر آسپورو فاصله دارد. از پنجره‌های دفتر کاری آنجا می‌توان به ساختمان پارلمان اونتاریو نگاه کرد. شاید نزدیک بودن محققان هوش مصنوعی، شیمی و کسب‌وکار به مقر دولتی آن ایالت، تصادفی نباشد. یک باور عمومی در بین شهروندان آن شهر وجود دارد که هوش مصنوعی، کسب‌وکار و اقتصاد را متحول خواهد کرد. به‌علاوه، برخی اعتقاد دارند که روش‌های علمی و تحقیقاتی ما نیز با این فناوری دگرگون خواهد شد.

نکته‌ی مهم آن است که برای افزایش تأثیر هوش مصنوعی در روندهای علمی، ابتدا باید دانشمندان را قانع کنیم که چنین ابزاری، ارزش استفاده را دارد. به‌عنوان مثال، پرز اعتقاد دارد که بسیاری از همکارانش در علم شیمی پزشکی، به فناوری هوش مصنوعی شک دارند. ازطرفی، در چند دهه‌ی گذشته، زمینه‌ی مذکور شاهد فناوری‌های انقلابی از طراحی‌های کامپیوتری تا شیمی ترکیبی و موارد دیگر بوده است که ساخت سریع و آزمایش مولکول‌های متعدد را ممکن کرده‌اند. همه‌ی آن فناوری‌ها، به‌نوعی مفید بوده، اما به‌هرحال محدود بوده‌اند. به‌بیان‌دیگر، هیچ‌یک از آن‌ها به‌صورت جادویی و سریع، یک داروی جدید را معرفی نمی‌کنند.

به‌هرحال، همه‌ی ما هنوز منتظر آن لحظه‌ی طلایی شبیه به برد هوش مصنوعی آلفاگو در حوزه‌های علمی شیمی و مواد هستیم. لحظه‌ای که الگوریتم‌های یادگیری عمیق، در کشف داروها یا مواد جدید، فراتر از انسان‌ها عمل کنند. به‌احتمال زیاد، همان‌طور که آلفاگو با ترکیبی از استراتژی‌های مختلف و تفکری غیرانسانی به موفقیت رسید، برنامه‌های جدید هوش مصنوعی نیز در زمینه‌های آزمایشگاهی موفق خواهند شد.

درنهایت، رسیدن به آن موفقیت‌ها نیازمند دانشمندانی همچون آسپورو است که رویاپردازی قوی داشته باشند. ایده‌ی بلندپروازانه‌ی او، استفاده از یک پرینتر مولکولی ۳۰ هزار دلاری است تا آزمایشگاه‌های مواد را با بهره‌گیری از هوش مصنوعی، به‌نوعی متحول کند. به‌هرحال، دستیابی به آن نتایج، مشروط به رویاپردازی همین دست دانشمندان و توانایی هوش مصنوعی در کشف فرصت‌های جدید خواهد بود.