چهار کشف بزرگ ۲۰۲۴ با قدرت هوش مصنوعی: از طومارهای باستانی تا ساختار پروتئین‌ها
هوش مصنوعی در سال ۲۰۲۴ نقش کلیدی در چهار کشف علمی مهم ایفا کرد که بدون این تکنولوژی امکان‌پذیر نبودند. این دستاورد‌ها از باستان‌شناسی گرفته تا زیست‌شناسی مولکولی و علوم اقیانوس را در بر می‌گیرند.
رمزگشایی طومارهای هرکولانیوم با پرتو ایکس و هوش مصنوعی
هزاران طومار باستانی در سراسر جهان وجود دارند که باز کردن فیزیکی آن‌ها باعث تخریب و ناخوانا شدن می‌شود. طومارهای هرکولانیوم تا کنون باز نشده مانده بودند، اما هوش مصنوعی محتوای آن‌ها را در دسترس دانشمندان قرار داد. سه محقق با بهره‌گیری از هوش مصنوعی و پرتو‌های ایکس با وضوح بالا، در سال ۲۰۲۳ بیش از ۲۰۰۰ کاراک‌تر از این طومار‌ها را رمزگشایی کردند. گمان بر این است که این طومار‌ها متعلق به خانه پدرزن ژولیوس سزار بوده و مجموعه بی‌سابقه‌ای از اطلاعات درباره روم و یونان باستان را در بر می‌گیرند. دانشمندان علوم کامپیو‌تر رقابتی را برای تسریع فرآیند رمزگشایی طراحی کرده‌اند و امیدوارند تا پایان ۲۰۲۴، ۹۰ درصد از چهار طومار رمزگشایی شوند.
برنت سیلز، استاد علوم کامپیو‌تر در دانشگاه کنتاکی که بیش از یک دهه روی این پروژه کار می‌کند، بیان کرد هوش مصنوعی به ما کمک می‌کند خوانایی جوهر را تقویت کنیم. بدون صدمه زدن به طومار‌ها، جوهر را می‌تواند متراکم کند و حروف ناخوانا را پررنگ‌تر نماید. او هوش مصنوعی را نوعی ابرقدرت توصیف کرد که امکان دیدن الگو‌هایی در داده‌ها را می‌دهد که با چشم انسان غیر‌ممکن است.
تحلیل الگوی ارتباطی نهنگ‌ها با یادگیری ماشین
هوش مصنوعی درک دانشمندان از نحوه ارتباط حیوانات در اعماق اقیانوس را ارتقا داده است. محققان می‌دانند صدای نهنگ‌ها از نظر شدت، ریتم و طول متفاوت است، اما معنای این صدا‌ها برای انسان راز مانده بود. با پشتیبانی هوش مصنوعی، نزدیک به ۹۰۰۰ توالی صدا ضبط شده که مربوط به تقریبا ۶۰ نهنگ در دریای کارائیب است، تجزیه و تحلیل شد. دانشمندان زمان و تنوع صدا‌ها در گفتار نهنگ‌های منفرد، گروه‌های هم‌خوانی و تبادل تماس و جواب را بررسی کردند. با کمک هوش مصنوعی، الگو‌های صدایی که پیش از این نادیده گرفته می‌شدند آشکار شدند. اگرچه هوش مصنوعی در شناسایی الگو‌ها ماهر است، اما معنای این صدا‌ها را روشن نمی‌کند. گام بعدی، آزمایش تعاملی با نهنگ‌ها همراه با مشاهدات حرکتی است که می‌تواند کلید کشف دستور زبان توالی‌های صوتی مختلف باشد. این رویکرد برای صدا‌های حیوانات دیگر نیز قابل اعمال است.
کشف خطوط نازکای جدید در بیابان پرو با تشخیص شیء
در خشکی نیز، هوش مصنوعی در جستجوی خطوط و نماد‌های مرموز حک شده در صحرای نازکا پرو به کار رفته که باستان‌شناسان نزدیک به یک قرن برای کشف و مستند‌سازی آن‌ها تلاش کرده‌اند. این خطوط پراکنده بیش‌تر تنها از بالا قابل مشاهده‌اند و اشکال هندسی، پیکره‌های انسان‌مانند و حتی شمایل نهنگ قاتل را نمایش می‌دهند. گروه‌ی از محققان به سرپرستی ماساتو ساکای، استاد باستان‌شناسی در دانشگاه یاماگاتا ژاپن، یک مدل تشخیص شیء را با تصاویر با وضوح بالا از ۴۳۰ نماد نازکا که در سال ۲۰۲۰ نقشه‌برداری شده‌اند، آموزش دادند. این مدل ۴۷۰۰۰ مکان بالقوه در منطقه‌ای ۶۲۹ کیلوم‌تر مربع را بررسی کرد. تیم باستان‌شناسان این پیشن‌هادات را غربالگری و رتبه‌بندی کردند و ۱۳۰۹ مکان با پتانسیل بالا را شناسایی نمودند. بر اساس این مطالعه، برای هر ۳۶ پیشن‌هادی مدل، یک نامزد امیدوارکننده یافت شد.
آمینه جامباجانتسان، محقق و دانشمند داده، اظهار داشت هوش مصنوعی پتانسیل دارد که پشتیبانی بسیاری به باستان‌شناسی، به‌ویژه در مناطق دورافتاده و خشن مانند بیابان‌ها، داشته باشد، اگرچه مدل‌ها تا به امروز کاملا دقیق نیستند. او که در تحقیقات نازکا شرکت نداشته، از مدل مشابه‌ی برای شناسایی تپه‌های تدفین در مغولستان بر پایه تصاویر ماهواره‌ای استفاده می‌کند. جامباجانتسان افزود چالش این است که باستان‌شناسان نمی‌دانند چگونه مدل یادگیری ماشین بسازند و دانشمندان داده معمولا علاقه‌ای به باستان‌شناسی ندارند، زیرا در حوزه‌های دیگر درآمد بیش‌تری دارند.
پیش‌بینی ساختار پروتئین‌ها با آلفافولد؛ انقلاب در زیست پزشکی
مدل‌های هوش مصنوعی در فهمیدن زندگی در کوچک‌ترین مقیاس نیز به محققان کمک می‌کنند رشته‌های مولکولی که پروتئین‌ها را تشکیل می‌دهند یا همان بلوک‌های سازنده حیات. پروتئین‌ها اگرچه تنها از نزدیک به ۲۰ اسید آمینه ساخته می‌شوند، اما می‌توانند به راه‌حل‌های تقریبا بی‌پایانی ترکیب شده و خود را به الگوی پیچیده در فضای سه‌بعدی کنند. این مولکول‌ها از راه‌اندازی سلول‌های مو، پوست و بافت تا خواندن، کپی و ترمیم دی‌ان‌ای و حمل اکسیژن در خون، وظایف حیاتی را انجام می‌دهند. برای دهه‌ها، رمزگشایی این ساختار‌های سه‌بعدی تلاش چالش‌برانگیز و زمان‌بری بوده که شامل آزمایش‌های پیچیده کریستالوگرافی اشعه ایکس می‌شد.
با این حال، در سال ۲۰۱۸ ابزاری مبتنی بر هوش مصنوعی به صحنه آمد. آخرین نسخه پایگاه داده ساختار پروتئین آلفافولد، توسعه‌یافته توسط دمیس حسابیس و جانجامپر در لندن، ساختار تقریبا همه ۲۰۰ می‌لیون پروتئین شناخته شده از توالی اسید‌های آمینه را پیش‌بینی می‌کند. این پایگاه داده که با تمام توالی‌های شناخته شده و ساختار‌های تجربی آموزش دیده، مشابه جستجوی گوگل عمل می‌کند. محققان با یک کلیک به مدل‌های پیش‌بینی شده دسترسی پیدا می‌کنند و پیشرفت در زیست‌شناسی بنیادی و پزشکی را تسریع می‌کنند. این ابزار توسط حداقل ۲ می‌لیون محقق در سراسر جهان مورد استفاده قرار گرفته است.
البته این ابزار محدودیت‌هایی نیز دارد. تلاش‌ها برای اعمال آلفافولد روی پروتئین‌های مبتنی بر توالی‌های جهش‌یافته، از جمله توالی مرتبط با سرطان پس‌تان اولیه، نشان داده که این نرم‌افزار برای پیش‌بینی عواقب جهش‌های جدید در پروتئین‌ها مجهز نیست. آلفافولد تنها پرمخاطب‌ترین ابزار هوش مصنوعی در حوزه‌های زیستی-پزشکی نیست. یادگیری ماشین در حال تسریع تلاش‌ها برای کاتالوگ‌سازی هر نوع سلولی در بدن انسان و کشف مولکول‌هایی است که به دارو‌های نوین تبدیل خواهند شد، از جمله نوعی آنتی‌بیوتیک که می‌تواند علیه باک‌تری‌های مقاوم به دارو عمل کند.