چهار کشف بزرگ ۲۰۲۴ که با کمک هوش مصنوعی محقق شدند
هزاران طومار باستانی در سراسر جهان وجود دارند که باز کردن آن‌ها باعث متلاشی شدن و ناخوانا ماندن می‌شود. طومار‌های هرکولانیوم تا کنون باز نشده بودند اما با کمک هوش مصنوعی و پرتو‌های ایکس با وضوح بالا، محققان در سال ۲۰۲۳ موفق شدند بیش از ۲۰۰۰ کاراک‌تر از این طومار‌ها را رمزگشایی کنند. برآورد می‌شود این طومار‌ها مربوط به خانه پدرزن ژولیوس سزار باشد و مجموعه بی‌سابقه‌ای از اطلاعات درباره روم و یونان باستان را در بر می‌گیرد. دانشمندان علوم کامپیو‌تر رقابتی را برای تسریع فرآیند رمزگشایی طراحی کرده‌اند و امیدوارند تا پایان سال ۲۰۲۴ نود درصد از چهار طومار رمزگشایی شوند.
برنت سیلز، استاد علوم کامپیو‌تر در دانشگاه کنتاکی که بیش از یک دهه روی رمزگشایی این طومار‌ها کار می‌کند، بیان کرد هوش مصنوعی به ما کمک می‌کند خوانایی جوهر را تقویت کنیم. هوش مصنوعی بدون آسیب زدن به طومار‌ها می‌تواند جوهر را متراکم کند و حروف ناخوانا را برجسته سازد. این پروژه یکی از مثال‌های قانع‌کننده کاربرد رو به رشد هوش مصنوعی در اکتشافات علمی است. سیلز افزود من هوش مصنوعی را نوعی ابرقدرت می‌دانم که به شما امکان می‌دهد چیز‌هایی را در داده‌ها ببینید که با چشم انسان قابل دیدن نیست. هوش مصنوعی درک دانشمندان را از نحوه ارتباط حیوانات در اعماق اقیانوس ارتقا داده، به باستان‌شناسان در کشف مکان‌های جدید در مناطق دورافتاده کمک کرده و حل برخی از بزرگ‌ترین چالش‌های زیست‌شناسی را ممکن ساخته است.
محققان می‌دانند صدای نهنگ‌ها از نظر شدت، ریتم و طول متفاوت است، اما معنای این صدا‌ها برای گوش انسان همچنان راز مانده است. با این حال، هوش مصنوعی به دانشمندان کمک کرده تا نزدیک به ۹۰۰۰ توالی صدا ضبط شده را تجزیه و تحلیل کنند که مربوط به صدای تقریبا ۶۰ نهنگ در دریای کارائیب است. این پژوهش می‌تواند روزی ارتباط انسان با حیوانات دریایی را محقق سازد. دانشمندان زمان و تنوع صدا‌ها در گفتار‌های نهنگ‌های منفرد، در گروه‌های هم‌خوانی و در تبادل تماس و جواب را بررسی کردند. با پشتیبانی 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 این مطالعه، آزمایش تعاملی با نهنگ‌ها همراه با مشاهدات حرکات آن‌هاست که می‌تواند بخش مهمی از کشف نحو توالی صدا‌های گوناگون باشد. این رویکرد می‌تواند برای صدا‌های حیوانات دیگر نیز به کار رود.
در خشکی نیز، هوش مصنوعی اکنون در جستجوی خطوط و نماد‌های مرموز حک شده در زمین صحرای نازکا در پرو به کار رفته که باستان‌شناسان نزدیک به یک قرن را به کشف و مستند‌سازی آن اختصاص داده‌اند. این خطوط پراکنده بیش‌تر تنها از بالا قابل مشاهده هستند و اشکال هندسی، پیکره‌های انسان‌مانند و حتی شمایل نهنگ قاتل را تصویر کرده‌اند. گروه‌ی از محققان به سرپرستی ماساتو ساکای، استاد باستان‌شناسی در دانشگاه یاماگاتا ژاپن، یک مدل هوش مصنوعی تشخیص اشیا را با تصاویر با وضوح بالا از ۴۳۰ نماد نازکا که در سال ۲۰۲۰ نقشه‌برداری شده‌اند، آموزش داده‌اند. این تیم دقت مدل خود را در صحرای نازکا، با بازدید می‌دانی و بهره‌گیری از پهپاد‌ها آزمایش کرد. این هوش مصنوعی ۴۷۰۰۰ مکان بالقوه از منطقه بیابانی را بررسی کرد که ۶۲۹ کیلوم‌تر مربع را پوشش می‌دهد. تیمی از باستان‌شناسان این پیشن‌هادات را غربالگری و رتبه‌بندی کردند و ۱۳۰۹ مکان با پتانسیل بالا را شناسایی کردند. بر اساس این مطالعه، برای هر ۳۶ نظر ارایه شده توسط مدل هوش مصنوعی، محققان یک نامزد امیدوارکننده را شناسایی کردند.
آمینه جامباجانتسان، محقق و دانشمند داده، گفت هوش مصنوعی پتانسیل دارد که به باستان‌شناسی، به‌ویژه در مناطق دورافتاده و خشن مانند بیابان‌ها، پشتیبانی زیادی کند، اگرچه مدل‌ها تا این حد کاملا دقیق نیستند. جامباجانتسان در تحقیقات نازکا شرکت نکرده، اما از یک مدل هوش مصنوعی برای شناسایی تپه‌های تدفین در مغولستان بر پایه تصاویر ماهواره‌ای بهره می‌برد. او افزود مشکل این است که باستان‌شناسان نمی‌دانند چگونه یک مدل یادگیری ماشین بسازند و دانشمندان داده معمولا علاقه‌ای به باستان‌شناسی ندارند، زیرا در حوزه‌های دیگر می‌توانند درآمد بیش‌تری کسب کنند.
مدل‌های هوش مصنوعی به محققان در درک زندگی در کوچک‌ترین مقیاس کمک می‌کنند رشته‌هایی از مولکول‌ها که پروتئین‌ها را شکل می‌دهند یا همان بلوک‌های سازنده حیات. اگرچه پروتئین‌ها تنها از نزدیک به ۲۰ اسید آمینه ساخته می‌شوند، می‌توانند به راه‌حل‌های تقریبا بی‌پایان ترکیب شوند و خود را به الگوی پیچیده در فضای سه‌بعدی جمع کنند. این مواد از سلول‌های مو، پوست و بافت پشتیبانی می‌کنند، دی‌ان‌ای را می‌خوانند، کپی و ترمیم می‌کنند و انتقال اکسیژن در خون را ممکن می‌سازند. برای دهه‌ها، رمزگشایی این ساختار‌های سه‌بعدی تلاش چالش‌برانگیز و زمان‌بری بوده که شامل بهره‌گیری از آزمایش‌های پیچیده و تکنیکی به نام کریستالوگرافی اشعه ایکس بوده است.
با این حال، در سال ۲۰۱۸ ابزاری مبتنی بر هوش مصنوعی به صحنه آمد. آخرین نسخه پایگاه داده ساختار پروتئین آلفافولد که توسط دمیس حسابیس و جانجامپر در لندن توسعه یافته، ساختار تقریبا همه ۲۰۰ می‌لیون پروتئین شناخته شده از توالی اسید‌های آمینه را پیش‌بینی می‌کند. این پایگاه داده که با تمام توالی‌های اسید آمینه شناخته شده و ساختار‌های پروتئینی به طور تجربی تعیین شده آموزش دیده، همانند جستجوی گوگل عمل می‌کند. این هوش مصنوعی با لمس یک دکمه به مدل‌های پیش‌بینی‌شده پروتئین‌ها دسترسی می‌دهد و پیشرفت در زیست‌شناسی بنیادی و حوزه‌های مرتبط از جمله پزشکی را تسریع می‌کند. 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 بر روی پروتئین‌های مبتنی بر توالی‌های جهش‌یافته، از جمله توالی مرتبط با سرطان پس‌تان اولیه، نشان داده که این نرم‌افزار برای پیش‌بینی عواقب جهش‌های تازه در پروتئین‌ها مجهز نیست. آلفافولد تنها پرمخاطب‌ترین ابزار هوش مصنوعی است که در حوزه‌های زیستی-پزشکی به کار رفته است. یادگیری ماشین در حال تسریع تلاش‌ها برای جمع‌آوری هر نوع سلولی در بدن انسان و کشف مولکول‌هایی است که به دارو‌های تازه تبدیل خواهند شد، از جمله نوعی آنتی‌بیوتیک که می‌تواند علیه باک‌تری‌های مقاوم به دارو‌ها عمل کند.