تأثير هوش مصنوعي بر تحول پژوهش‌هاي علمي انكار ناپذير است

آخرين الگوريتم‌هاي هوش مصنوعي به مطالعه تكامل كهكشان‌ها، محاسبه‌ي توابع موج كوانتومي، كشف تركيب‌هاي شيميايي جديد و بسياري از موارد ديگر مي‌پردازند. آيا كاري وجود دارد كه نتوان به خودكارسازي آن پرداخت؟

هيچ انسان يا گروهي از انسان‌ها نمي‌توانند پابه‌پاي انبوه اطلاعات توليد‌شده در آزمايش‌هاي كنوني فيزيك و ستاره‌شناسي به پژوهش بپردازد. گاهي حجم روزانه‌ي اطلاعات به چندين ترابايت مي‌رسد؛ بشر با سيلابي از اطلاعات روبه‌رو است كه به‌صورت پيوسته ادامه دارد و رشد مي‌كند. براي مثال تلسكوپ راديويي SKA (آرايه‌ي كيلومترمربعي) قرار است در اواسط دهه‌ي ۲۰۲۰ فعاليت خود را آغاز كند. حجم داده‌هاي سالانه‌اي كه اين تلسكوپ توليد مي‌كند مي‌تواند به اندازه‌ي حجم كل ترافيكي سالانه‌ي اينترنت باشد.

اين طوفان اطلاعاتي باعث شده است بسياري از دانشمندان براي پژوهش از هوش مصنوعي كمك بگيرند. سيستم‌هاي AI ازجمله شبكه‌هاي عصبي مصنوعي (شبكه‌هاي كامپيوتري كه براساس نورون‌ها شبيه‌سازي شده‌اند و به تقليد از عملكرد مغز مي‌پردازند) مي‌توانند به كوهي از داده‌ها نفوذ كنند، ناهنجاري‌ها را مشخص كنند و الگوهايي غيرقابل تشخيص براي انسان را شناسايي كنند.

البته، قدمت استفاده از كامپيوتر براي پژوهش‌هاي علمي به ۷۵ سال پيش و روش دستي مطالعه داده‌ها براي جستجوي الگوهاي بامفهوم به هزاران سال پيش بازمي‌گردد؛ امروز هم به اعتقاد بعضي دانشمندان، ازطريق جديدترين فناوري‌هاي يادگيري ماشين و هوش مصنوعي مي‌توان به روش جديدي براي پژوهش علمي رسيد.

روش جديد كه مدل‌سازي مولد نام گرفته است، مي‌تواند بدون هيچ‌گونه دانش برنامه‌ريزي‌شده از فرآيندهاي فيزيكي و صرفا براساس داده‌ها، قابل‌قبول‌ترين انديشه متخصصينيه را از ميان توضيحات رقيب پيدا كند. طرفداران مدل مولد، اين مدل را روش سوم يادگيري معرفي كرده‌اند.

علم هم ازطريق شبيه‌سازي پيشرفت كرده است. ستاره‌شناسان مي‌توانند با مدل‌سازي حركت كهكشان راه‌شيري و كهكشان همسايه‌ي آن، آندرومدا، برخورد اين دو كهكشان در چند ميليون سال آينده را پيش‌بيني كنند. دانشمندان با شبيه‌سازي و مشاهده‌ي پديده‌ها مي‌توانند فرضيه توليد كنند و سپس با مشاهدات بعدي به تست همان فرضيه‌ها بپردازند؛ اما مدل‌سازي مولد متفاوت است. به‌گفته‌ي كوين شاوينسكي، اخترفيزيك‌دان و يكي از طرفداران مدل‌سازي مولد كه اخيرا در مؤسسه‌ي فدرال فناوري زوريخ مشغول به كار شده است:

مدل‌سازي مولد روش سوم يادگيري است كه بين مشاهده و شبيه‌سازي قرار مي‌گيرد و به مسئله حمله مي‌كند

برخي دانشمندان مدل‌سازي مولد و روش‌هاي جديد ديگر را به‌مثابه ابزار قدرتمندي براي پژوهش سنتي در انديشه متخصصين مي‌گيرند؛ اغلب آن‌ها بر سر تأثيرهاي غيرقابل‌انكار هوش مصنوعي بر علم و نقش روزافزون آن توافق دارند. برايان نورد، اخترفيزيك‌دان آزمايشگاه ملي شتاب‌دهنده‌ي فِرمي است كه از شبكه‌هاي مصنوعي عصبي براي مطالعه كيهان استفاده مي‌كند. او يكي از افرادي است كه از خودكارسازي وظايف دانشمندان هراس دارد.

اكتشاف براساس توليد

شاوينسكي از زمان فارغ‌التحصيلي از دبيرستان، درزمينه‌ي علم داده‌محور كار كرده است. او در طول دوره‌ي دكترا، كارهاي خسته‌كننده‌اي مثل طبقه‌بندي هزاران كهكشان براساس ظاهر را انجام داده است. آن زمان هيچ نرم‌افزاري براي اين كار وجود نداشت بنابراين شاوينسكي تصميم به برون‌سپاري اين كار گرفت و به‌اين‌ترتيب پروژه‌ي علمي شهروند Galaxy Zoo شكل گرفت.

از سال ۲۰۰۷، متخصصان عادي كامپيوتر با وارد كردن بهترين‌ حدسيات خود در مورد دسته‌بندي كهكشان‌ها به ستاره‌شناسان در اين وظيفه كمك كردند و نقش عمده‌اي در تصحيح طبقه‌بندي‌ها ايفا كردند. اين پروژه يك موفقيت بزرگ بود اما به عقيده‌ي شاوينسكي، هوش مصنوعي اين كار را منسوخ كرده است او مي‌گويد:

امروزه، دانشمند بااستعداد و باسابقه درزمينه‌ي يادگيري ماشين، با دسترسي به رايانش ابري مي‌توانند در يك بعدازظهر اين وظيفه را به‌راحتي انجام دهند

شاوينسكي در سال ۲۰۱۶ به ابزار جديد و قدرتمند مدل‌سازي مولد روي آورد. در مدل‌سازي مولد، با توجه به‌شرط X خروجي Y به دست مي‌آيد. اين روش بسيار فراگير و قدرتمند است. به‌عنوان‌مثال، فرض كنيد يك مجموعه از تصاوير چهره‌ي انسان را به‌عنوان ورودي به مدل مولد بدهيد.

در اين مثال، هر چهره داراي يك برچسب سني است. برنامه‌ي كامپيوتري با دقت بالايي «داده‌هاي يادگيريي» را برسي مي‌كند و بين چهره‌هاي مسن‌تر و احتمال افزايش چروك ارتباط برقرار مي‌كند. درنهايت مي‌تواند سن چهره‌هاي ورودي را تشخيص دهد. بر همين اساس مي‌تواند تغييرات فيزيكي احتمالي چهره‌ها با افزايش سن را تخمين بزند.

هيچ‌كدام از اين چهره‌ها واقعي نيستند. چهره‌هاي سطر بالا (A) و ستون سمت چپ (B) با استفاده از عناصر سازنده‌ي چهره‌هاي واقعي، توسط شبكه‌ي مولد تخاصمي (GAN) توليد شده‌اند. در مرحله‌ي بعدي، GAN مشخصات اصلي چهره‌هاي سطر A ازجمله جنسيت، سن و شكل چهره را با مشخصات جزئي‌تر چهره‌هاي B ازجمله رنگ مو و رنگ چشم تركيب كرد تا ساير چهره‌هاي داخل شبكه توليد شوند.

شناخته‌شده‌ترين سيستم‌هاي مدلسازي مولد، «شبكه‌هاي مولد تخاصمي» (GAN) هستند. GAN پس از يادگيري داده‌ها مي‌تواند تصاوير خراب يا پيكسل‌هاي مفقود را ترميم كند يا مي‌تواند وضوح تصاوير تار را بالا ببرد. اين شبكه‌ها ازطريق رقابت مي‌توانند به شناسايي اطلاعات مفقود بپردازند (به همين دليل «تخاصمي» لقب گرفته‌اند).

بخشي از شبكه موسوم به مولد، به توليد داده‌هاي جعلي مي‌پردازد درحالي‌كه بخش ديگر يعني تفكيك‌كننده، سعي مي‌كند داده‌هاي جعلي را از داده‌هاي واقعي تشخيص دهد. هر دو بخش اين برنامه به‌مرور بهبوديافته‌اند. براي مثال اخيرا GAN موفق به توليد چهره‌هايي بسيار واقعي شده است؛ تصاويري واقعي از افرادي كه وجود خارجي ندارند.

علاوه بر اين، مدلسازي مولد مجموعه‌اي از داده‌ها را دريافت مي‌كند (معمولا تصاوير) و هركدام از آن‌ها را به يك مجموعه از بلوك‌هاي سازنده‌ي انتزاعي و ابتدايي تجزيه مي‌كند. دانشمندان به اين بلوك‌ها «فضاي پنهان» مي‌گويند. فضاي پنهان، فضايي است كه داده‌هاي آن در يك لايه‌ي تنگنا قرار مي‌گيرند.

فضاي پنهان انتزاعي است و بصري‌سازي آن كار دشواري است. براي مثال عملكرد مغز هنگام تعيين جنسيت براساس چهره‌ي انسان را در انديشه متخصصين بگيريد. شايد مدل مو، شكل بيني و موارد ديگر و حتي الگوهايي را تشخيص دهيد كه نتوانيد به‌راحتي آن‌ها را به زبان بياوريد. برنامه‌ي كامپيوتري هم با روش مشابهي در ميان داده‌ها به جستجوي ويژگي‌هاي برجسته مي‌پردازد: اگرچه نمي‌داند سبيل چيست يا جنسيت چيست، اما اگر براساس مجموعه داده‌هايي با برچسب «زن» يا «مرد» يادگيري ببيند كه برخي از آن‌ها برچسب «سبيل» دارند، مي‌تواند به‌سرعت ارتباط لازم را پيدا كند.

شاوينسكي، دنيس تورپ و شي ژانگ، همكاران او در مؤسسه‌ي فناوري فدرال زوريخ (ETH)، در دسامبر سال گذشته مقاله‌اي را در مجله‌ي اخترشناسي و اخترفيزيك منتشر كردند كه در آن از مدلسازي مولد براي مطالعه تغييرات فيزيكي كهكشان‌ها در طول تكامل استفاده كردند (نرم‌افزار مورداستفاده‌ي آن‌ها به شيوه‌اي متفاوت با شبكه‌ي مولد تخاصمي، با فضاي پنهان رفتار مي‌كند؛ بنابراين وجود شباهت‌ها، از الگوي GAN استفاده نمي‌كند).

مدل آن‌ها به‌عنوان روشي براي تست فرضيه‌هاي فيزيكي، مجموعه داده‌هاي مصنوعي توليد كرد. براي مثال آن‌ها اطلاعاتي را در مورد رابطه‌ي خاموش شدن شكل‌گير‌ي ستاره‌ها (كاهش شديد نرخ شكل‌گيري) با افزايش چگالي كهكشان جست‌وجو كردند.

كوين‌ شاوينسكي، اخترفيزيك‌دان و بنيان‌گذار شركت هوش مصنوعي Modulos معتقد است، روشي به نام مدلسازي مولد، روش سوم يادگيري درباره‌ي جهان است.

سؤال اصلي شاوينسكي اين است كه صرفا از داده‌ها تا چه اندازه مي‌توان به اطلاعاتي در مورد فرآيندهاي ستاره‌اي و كهكشاني رسيد. او مي‌گويد:

بياييد هر آنچه در مورد اخترفيزيك مي‌دانيم را پاك كنيم و ببينم تا چه اندازه مي‌توانيم تمام آن دانش را تنها با استفاده از داده‌ها مجددا به دست آوريم؟

در مرحله‌ي اول تصاوير كهكشان به فضاي پنهان تقليل پيدا كردند، سپس شاوينسكي يكي از عناصر آن فضا را به‌گونه‌اي تنظيم كرد كه متناظر با تغيير مشخصي در محيط كهكشاني باشد (براي مثال چگالي محيط اطراف). در مرحله‌ي بعد مي‌توان با بازسازي كهكشان به تفاوت‌ها پي برد. شاوينسكي در اين مورد توضيح مي‌دهد:

براساس فرضيه‌ي ماشين مولد، مي‌توانيم كل كهكشان‌هاي محيط كم‌چگالي را به‌گونه‌اي تبديل كنيم كه گويي در يك محيط با چگالي بالا قرار دارند. 

در اين آزمايش، پس از ورود كهكشان‌ها از محيط‌هاي كم‌چگالي به محيط‌هاي چگال، رنگ آن‌ها روي به سرخي رفت و شدت نور مركز ستاره‌ها افزايش يافت. به‌گفته‌ي شاوينسكي اين نتيجه دقيقا منطبق با مشاهدات واقعي كهكشان‌ها است اما علت آن چيست.

مرحله‌ي بعدي هنوز خودكارسازي نشده است؛ درنتيجه شاوينسكي در اين مرحله بايد به‌عنوان متخصصي انساني اين سؤال را مطرح كند كه چه نوع فيزيكي منجر به اين پديده مي‌شود؟ براي اين فرايند، دو توضيح احتمالي وجود دارد: شايد علت سرخي كهكشان‌ها در محيط چگال، وجود گاز و غبار بيشتر باشد.

دليل ديگر سرخي ستاره‌ها اين است كه در مرحله‌ي مرگ قرار دارند (به‌بيان‌ديگر، سن ستاره‌ها بالاتر است). با مدل مولد، مي‌توان هر دو ايده را آزمايش كرد. به همين دليل عناصر فضاي پنهان براي مطالعه تأثير هر دو مورد تغيير داده شدند. به‌گفته‌ي شاوينسكي:

پاسخ واضح است. كهكشان‌هاي سرخ‌تر مسن‌تر هستند و تغييرات غبار تأثيري بر سرخي ندارند؛ بنابراين تعريف اول صحيح است.

اخترفيزيك‌دان‌ها با مدل‌سازي مولد مي‌توانند به تغييرات كهكشان‌ها پس از ورود به محيط‌هاي چگال (از محيط‌هاي كم‌چگالي) و فرآيندهاي فيزيكي مربوط‌به اين تغييرات پي ببرند.

اين روش به شبيه‌سازي سنتي مربوط است اما تفاوت زيادي با آن دارد. به‌گفته‌ي شاوينسكي:

شبيه‌سازي مبتني بر فرضيه است؛ اما در اين روش از قوانين فيزيكي سيستم آگاه هستيم؛ بنابراين دستورالعمل شكل‌گيري ستاره‌ها، دستورالعمل رفتار ماده‌ي تاريك و بسياري از موارد ديگر را داريم. حالا تمام اين فرضيه‌ها را وارد كرده و سپس شبيه‌سازي را اجرا مي‌كنيم. پس از اجرا مي‌پرسيم: آيا اين نتيجه به واقعيت شباهتي دارد؟ به اين روش مدلسازي مولد مي‌گويند كه از يك انديشه متخصصين، دقيقا نقطه‌ي مقابل شبيه‌سازي است. در اين روش ما چيزي نمي‌دانيم؛ نمي‌خواهيم هيچ فرضي داشته باشيم. فقط از داده‌ها مي‌خواهيم واقعيت را بگويند.

موفقيت آشكار مدلسازي مولد در چنين مطالعه‌هايي به‌معني بيهوده بودن تلاش ستاره‌شناسان يا فارغ‌التحصيلان ستاره‌شناسي نيست. بلكه ثابت مي‌كند كه مي‌توان ازطريق سيستم‌هاي هوش مصنوعي به يادگيري در مورد اجرام و فرآيندهاي نجومي پرداخت. سيستمي كه علاوه بر دسترسي به انبوه داده‌ها به ابزارهاي ديگري هم مجهز است. شاوينسكي مي‌گويد:

اين روش به‌معني علم تمام خودكار نيست. بلكه قابليت ساخت ابزار براي خودكارسازي فرآيندهاي علمي را ثابت مي‌كند.

مدلسازي مولد ابزار قدرتمندي است، اما هنوز بر سر نام‌گذاري آن به‌عنوان روش جديد يادگيري علمي مباحثه وجود دارد. ديويد هاگ، كيهان‌شناس دانشگاه نيويورك و مؤسسه‌ي فلاتيرون (كه مانند كوانتا با سرمايه‌گذاري مؤسسه‌ي سيمونز تأسيس شده است)، اين روش تأثيرگذار را تنها به‌عنوان روشي پيچيده براي استخراج الگوهاي داده‌اي پذيرفته است؛ كاري كه ستاره‌شناسان قرن‌ها به‌صورت دستي انجام داده‌اند.

به‌بيان‌ديگر، اين روش شكل پيچيده‌اي از مشاهده همراه‌با تحليل است. كار هاگ هم مانند شاوينسكي به‌شدت به هوش مصنوعي وابسته است؛ او از شبكه‌هاي عصبي، براي دسته‌بندي ستاره‌ها براساس طيف و استخراج ويژگي‌‌هاي فيزيكي آن‌ها استفاده مي‌كند؛ اما كار خود و شاوينسكي را علم آزمون‌وخطا مي‌داند او مي‌گويد:

فكر نمي‌كنم، اين مدلسازي روش سوم يادگيري باشد. بلكه معتقدم با اين روش، صرفا رويكرد جامعه نسبت به متخصصد داده‌ها پيچيده‌تر مي‌شود. از طرفي هدف ما بهبود مقايسه‌ي داده‌ها با يكديگر است؛ اما به انديشه متخصصين من، اين قبيل پروژه‌ها هنوز از نوع يادگيري عيني هستند.

دستياران سخت‌كوش

صرف‌انديشه متخصصين از نوآوري شبكه‌هاي عصبي و هوش مصنوعي، نقش ضروري آن‌ها در پژوهش‌هاي معاصر فيزيك و ستاره‌شناسي بر كسي پوشيده نيست. كاي پولسترر از مؤسسه‌ي مطالعات انديشه متخصصيني هيدلبرگ، سرپرستي گروه انفورماتيك نجوم را بر عهده دارد. هدف اين گروه تمركز بر روش‌هاي جديد داده‌محور علم اخترفيزيك است. اين گروه اخيرا براي استخراج اطلاعات انتقال سرخ از مجموعه داده‌هاي كهكشان، از نوعي الگوريتم يادگيري ماشين استفاده كرده است.

پولسترر سيستم‌هاي جديد مبتني بر AI را دستياران سخت‌كوشي مي‌داند كه مي‌توانند با دقت بالا در زمان نامحدود بدون خستگي يا شكايت از شرايط كار به تحليل داده‌ها بپردازند. اين سيستم‌ها مي‌توانند كارهاي خسته‌كننده را انجام دهند و بخش جذاب علم را بر عهده‌ي دانشمندان بگذارند.

اما اين سيستم‌ها هم خالي از عيب نيستند. به‌ويژه پلسترر هشدار مي‌دهد، الگوريتم‌ها تنها قادر به انجام كارهايي هستند كه براساس آن يادگيري ديده باشند. سيستم نسبت به ورودي خود «ندانم‌گرا» است. اگر يك كهكشان را به‌عنوان ورودي به آن بدهيد، مي‌تواند انتقال سرخ و سن آن را تخمين بزند. اما براي مثال يك تصوير سلفي يا تصوير يك ماهي فاسد را به آن بدهيد، باز هم سن را به‌عنوان خروجي برمي‌گرداند. درنهايت، نظارت دانشمند انساني ضروري است و پلسترر بر نقش پژوهشگر به‌عنوان مسئول تفسير داده‌ها تأكيد مي‌كند.

بااين‌حال همه، عدم شفافيت را اشكال نمي‌دانند. لنكا دبوروا، پژوهشگر مؤسسه‌ي فيزيك تئوري در CEA Saclay فرانسه، معتقد است نيت‌هاي انساني هم به همين اندازه غيرقابل نفوذ هستند. براي مثال انسان مي‌تواند با نگاه كردن به تصوير يك گربه به‌سرعت آن را تشخيص دهد. او حتي نمي‌داند چگونه به اين اطلاعات پي برده است و مغز در اينجا نقش جعبه سياه را ايفا مي‌كند».

تنها اخترفيزيك‌دانان يا كيهان‌شناسان به‌دنبال علم داده‌محور مبتني بر هوش مصنوعي نيستند. فيزيك‌دان‌هاي كوانتومي مثل راجر ملكو (از مؤسسه‌ي فيزيك انديشه متخصصيني پريميتر و دانشگاه واترلوي انتاريو) از شبكه‌هاي عصبي براي حل بعضي از دشوارترين و مهم‌ترين مسائل اين حوزه مثل نمايش تابع رياضي موج براي توصيف يك سيستم چند ذره‌اي استفاده كرده‌اند.

به عقيده‌ي ملكو دليل اهميت AI، مسئله‌اي به نام مشقت چندبعدي است. براساس اين اصل، تعداد احتمالات شكل تابع موج به‌صورت نمايي و براساس تعداد ذرات موجود در سيستم تابع رشد مي‌كند. دشواري اين مسئله مشابه تلاش براي جستجوي بهترين حركت در بازي‌هايي مثل شطرنج يا Go است: در اين بازي‌ها معمولا بازيكن‌ تلاش مي‌كند حركت بعدي را حدس بزند و رقيب را در حال بازي تصور كند، سپس بهترين واكنش ممكن را انتخاب مي‌كند اما با هر حركت تعداد احتمالات افزايش پيدا مي‌كنند.

البته، سيستم‌هاي هوش مصنوعي در هر دو بازي به مهارت رسيدند. پيروزي هوش مصنوعي بر انسان در بازي شطرنج به ده‌ها سال قبل بازمي‌گردد؛ در مورد بازي Go، هوش مصنوعي با سيستمي به نام AlphaGO در سال ۲۰۱۶ موفق به غلبه بر يكي از بهترين رقيب‌هاي انساني شد. به عقيده‌ي ملكو اين مسئله براي فيزيك كوانتومي هم صدق مي‌كند.

ذهن ماشين

شاوينسكي هوش مصنوعي را روش سومي براي پژوهش‌هاي علمي عنوان مي‌كند اما هاگ معتقد است اين روش، تركيب روش‌هاي سنتي تحليل داده و مشاهده است. صرف‌انديشه متخصصين از اينكه ادعاي كدام يك حقيقت دارد، تحولات و تأثير هوش مصنوعي بر اكتشافات علمي و تسريع آن‌ها بر كسي پوشيده نيست. اما تحولات هوش مصنوعي تا چه اندازه مي‌توانند بر علم تأثير بگذارند؟

گاهي اوقات در مورد دستاورد دانشمندان رباتيك اغراق مي‌شود. يك دهه پيش، دانشمند ربات هوش مصنوعي به نام آدام به مطالعه ژنوم مخمر نانوايي پرداخت و به جستجوي ژن‌هايي پرداخت كه مسئول توليد نوعي آمينواسيد هستند. (آدام ازطريق مشاهده‌ي رشته‌اي از مخمرها كه از ژن مشخصي محروم بودند اين مطالعه را انجام داد و سپس نتايج را با رفتار مخمرهاي داراي اين ژن مقايسه كرد). در آن زمان تمام اخبار تقريبا با اين تيتر منتشر شدند: رباتي كه به‌تنهايي موفق به اكتشاف علمي شد

اخيرا لي كرانين، شيمي‌دان دانشگاه گلاسگو از ربات براي تركيب تصادفي مواد شيميايي استفاده كرده است تا به انواع تركيب‌هاي جديد برسد. سيستم مجهز به طيف‌سنجي جرمي، طيف‌سنجي مادون‌قرمز و ماشين رزونانس مغناطيسي هسته‌اي است و در زمان واقعي با نظارت بر واكنش‌ها، تشخيص مي‌دهد كدام تركيب‌ها واكنش‌پذيرترند. به‌گفته‌ي كرانين حتي اگر اين روش، اكتشافات بيشتري را به‌دنبال نداشته باشد، حداقل مزيت آن افزايش سرعت پژوهش‌ها تا ۹۰ درصد است.

سال گذشته تيم ديگري از دانشمندان در مؤسسه‌ي فدرال فناوري زوريخ از شبكه‌هاي عصبي براي استنتاج قوانين فيزيك از مجموعه‌‌هاي داده‌اي استفاده كردند. سيستم آن‌ها يك نوع كپلر رباتيك بود كه براساس اطلاعاتي مثل موقعيت خورشيد و مريخ از ديد ناظر زميني، موفق به كشف مجدد مدل خورشيدمركزي منظومه‌ي شمسي شد و قانون حفظ تكانه را با نظارت بر توپ‌هاي نوسانگر محاسبه كرد. ازآنجاكه هميشه بيش از يك روش براي توصيف قوانين فيزيكي وجود دارد، پژوهشگرها هم در اين سيستم به‌دنبال روش‌هاي جديدي (شايد روش‌هاي ساده‌تر) براي توصيف قوانين شناخته‌شده بودند.

تمام موارد فوق از نمونه‌هاي اكتشافات علمي هوش مصنوعي هستند كه در هر نمونه مي‌توان در مورد ميزان نوآوري و تحول روش جديد به مباحثه پرداخت. شايد جنجالي‌ترين سؤال در اين زمينه اين باشد كه چگونه مي‌توان حجم زيادي از اطلاعات را فقط از داده‌ها به دست آورد؟ جوديا پيرل و دانا مكنزي نويسنده‌ي علمي، در جزوه رايگاني با عنوان جزوه رايگان چرا (۲۰۱۸) معتقدند داده‌ها اساسا لال هستند. آن‌ها مي‌نويسند:

آيا مي‌توان سؤال‌هاي مربوط‌به رابطه‌ي علت و معلولي را صرفا براساس داده‌ها پاسخ داد؟ اگر پژوهشي را ديديد كه به تحليل داده‌ها در مدلي پرداخته است، مطمئن باشيد خروجي مطالعه، خلاصه يا تبديل داده‌ها است نه تفسير آن‌ها. 

شاوينسكي با انديشه متخصصينات پيرل موافق است اما او معتقد است ايده‌ي كار فقط با داده‌ها كمي پوشالي است. شاوينسكي مي‌گويد:

من هرگز مدعي استنتاج علت و تأثير روش نشدم. بلكه معتقدم مي‌توانيم كارهاي بسيار و فراتر از حد معمولي را با داده‌ها انجام دهيم.

براساس ادعايي ديگر، علم به خلاقيت نياز دارد و حداقل تا امروز روشي براي برنامه‌نويسي خلاقيت در ماشين ابداع نشده است (صرفا رباتي مانند ربات شيمي‌دان كرانين كه به آزمايش همه‌چيز مي‌پردازد دليلي بر اثبات اين مدعا نيست). پولسترر مي‌گويد:

قدرت انديشه متخصصينيه‌پردازي و استدلال نيازمند خلاقيت است. هر بار به خلاقيت نياز داشته باشيد، به انسان نياز داريد. اما سرچشمه‌ي خلاقيت انسان كجاست؟ پولسترر معتقد است خلاقيت به ملالت يا خستگي مربوط است. ويژگي‌اي كه ماشين قادر به تجربه‌ي آن نيست.  براي خلاق بودن بايد از كسالت يا خسته‌ شدن گريزان باشيد. به زبان ساده، حوصله‌تان سر برود. و من فكر نمي‌كنم كسالت براي كامپيوتر معنايي داشته باشد.

از طرفي كلماتي مثل خلاقانه يا الهام‌بخش اغلب اوقات براي توصيف برنامه‌هايي مثل Deep Blue و AlphaGo به كار مي‌روند و توصيف آنچه در ذهن ماشين مي‌گذرد انعكاسي از جستجوي فرآيندهاي فكري انسان است.

شاوينسكي اخيرا در بخش خصوصي كار مي‌كند و استارتاپي به نام Modulos را تأسيس كرده است. او تعدادي از دانشمندان ETH را استخدام كرده است و در قلب توسعه‌هاي هوش مصنوعي و يادگيري ماشين كار مي‌كند. شاوينسكي و دانشمندان ديگر معتقدند، باوجود هر مانعي كه بين هوش مصنوعي و ذهن‌هاي مصنوعي تكامل‌يافته وجود دارد، ماشين‌ها صرف‌انديشه متخصصين از هر محدوديتي براي انجام وظايف بيشتري آماده هستند. شاوينسكي مي‌گويد:

آيا در آينده‌اي قابل پيش‌بيني ممكن است ماشيني ساخت كه بتواند با سخت‌افزار بيولوژيكي دست به اكتشافات فيزيك و رياضي بزند كه حتي از عهده‌ي انسان‌هاي نابغه هم خارج باشد؟ آيا آينده‌ي علم درنهايت تحت كنترل ماشين‌ها قرار مي‌گيرد؟ ماشين‌هايي كه مي‌توانند از عهده‌ي كارهاي غيرممكن و غيرقابل دسترسي براي انسان برآيند؟ نمي‌دانم. درهرصورت سؤال خوبي است.