يُعيد التطور السريع للذكاء الاصطناعي صياغة المنطق الأساسي للبحث العلمي بشكل جذري. فمن التنبؤ الدقيق الذي حققه برنامج AlphaFold ببنية البروتين وفوزه بجائزة نوبل، إلى استخدام ChatGPT في قيادة المختبرات المستقلة لإجراء تجارب عالية الإنتاجية، ونماذج اللغة الضخمة التي تُعزز الكتابة العلمية واستخلاص النتائج، يُظهر الذكاء الاصطناعي إمكاناته الهائلة في تحسين إنتاجية البحث العلمي وتعزيز ظهوره بأشكال متنوعة.

ومع ذلك، فبينما تدفع أدوات الذكاء الاصطناعي تقدم العلماء الأفراد، فإنها تحفز أيضاً على التفكير العميق في تأثيرها على التطور الشامل للعلوم، مع تركيز القضية الأساسية على الصراع المحتمل بين المصالح الفردية والجماعية:هل يقتصر دور الذكاء الاصطناعي على مساعدة العلماء في تطوير مهاراتهم الأكاديمية الفردية، أم أنه قادر في الوقت نفسه على دفع عجلة الاستكشاف المتنوع والتقدم طويل الأجل في المجال العلمي؟بينما تشير الأبحاث الحالية إلى أن الذكاء الاصطناعي قد يُحقق فوائد كبيرة للعلماء الأفراد، إلا أنه قد يُفاقم عدم المساواة بسبب فجوة التعليم في مجال الذكاء الاصطناعي، كما أن تطور أنماط الاستشهاد يُغير المشهد البحثي بهدوء. ومع ذلك، لا تزال القياسات التجريبية واسعة النطاق لتأثير الذكاء الاصطناعي على العلوم غير متوفرة، ولا تزال آثاره التفصيلية والديناميكية على النظام البيئي البحثي بحاجة إلى توضيح.

حديثاً،نشر فريق بحثي من جامعة تسينغهوا وجامعة شيكاغو أحدث نتائج أبحاثهم في مجلة Nature، بعنوان "أدوات الذكاء الاصطناعي توسع نطاق تأثير العلماء ولكنها تقلص تركيز العلم".من خلال تحليل بيانات 41.3 مليون بحث علمي و5.37 مليون عالم بين عامي 1980 و2025، كُشِفَ عن مفارقة مذهلة فيما يتعلق بالذكاء الاصطناعي في العلوم: فالذكاء الاصطناعي يُعدّ "مُسرِّعًا فائقًا" للبحوث الفردية، ولكنه "أداة تقليص خفية" للعلوم الجماعية. ولا تقتصر هذه الدراسة على امتلاكها مجموعة بيانات ضخمة فحسب، بل تستخدم أيضًا إطارًا تحليليًا متطورًا.يوفر هذا دليلاً منهجياً غير مسبوق لفهم الصناعة للتأثير الأساسي للذكاء الاصطناعي على العلوم.

عنوان الورقة: 

https://www.nature.com/articles/s41586-025-09922-y

تابع حسابنا الرسمي على WeChat وأجب بكلمة "أدوات الذكاء الاصطناعي" في الخلفية للحصول على ملف PDF كامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

المنهج البحثي: بناء سلسلة سببية كاملة من الفرد إلى الجماعة.

يتميز التصميم الأساسي لهذه الدراسة بالوضوح التام. فهو لا يكتفي بوصف بسيط للظاهرة، بل يبني سلسلة تحليلية متكاملة تبدأ من تحديدها وصولاً إلى استكشاف آليتها.

نقطة البداية: تحديد دقيق (ماذا)

كانت الخطوة الأولى والأكثر أهمية في البحث هي التمييز بدقة من بين بحر واسع من الأدبيات التي تتناول "استخدام الذكاء الاصطناعي كأداة" بدلاً من تلك التي "تدرس الذكاء الاصطناعي نفسه". وقد استبعد فريق البحث عمداً الأعمال من مجالات علوم الحاسوب والرياضيات.ينصب التركيز على ستة تخصصات في العلوم الطبيعية، بما في ذلك علم الأحياء والطب والكيمياء.ينبغي أن يركز البحث على "الآثار الجانبية" للذكاء الاصطناعي على أساليب الإنتاج العلمي.

أ: خلال عملية الضبط الدقيق لنموذج BERT المُدرَّب مسبقًا على مرحلتين، تحسَّن أداء الذكاء الاصطناعي في التعرُّف على الأوراق البحثية باستمرار: استخدمت المرحلة الأولى بيانات تدريب عامة نسبيًا، بينما طوَّرت المرحلة الثانية قدرة تمييز أكثر دقة استنادًا إلى هذه البيانات. قام الباحثون بتدريب نموذجين بشكل مستقل بناءً على عناوين الأوراق البحثية (باللون الأخضر) وملخصاتها (باللون البنفسجي) على التوالي، ثم دمجوهما في نموذج مُجمَّع (باللون البرتقالي). تم اختيار النموذج ذي الأداء الأفضل في كلتا المرحلتين بشكل ديناميكي (النجمة الحمراء) لتحديد جميع الأوراق البحثية ذات الصلة.

ب: تم تقييم دقة نتائج التعرف بواسطة خبراء بشريين. بالنسبة للعينات التي تغطي ثلاث مراحل من تطوير الذكاء الاصطناعي، تم التوصل إلى درجة عالية من التوافق بين الخبراء (κ ≥ 0.93). أظهر النموذج دقة عالية في التحقق من صحة البيانات المصنفة من قبل الخبراء، حيث بلغت قيمة F1 0.85 على الأقل.

ج: معدل التبني النسبي لأفضل 15 طريقة من طرق الذكاء الاصطناعي في كل تخصص خلال فترة تطوير الذكاء الاصطناعي المختارة.

د، هـ: نمو الأبحاث المُعززة بالذكاء الاصطناعي (د، ن = 41,298,433) والباحثين الذين يستخدمون الذكاء الاصطناعي (هـ، ن = 5,377,346) في التخصصات العلمية المختارة من عام 1980 إلى عام 2025، وذلك خلال ثلاث فترات: التعلم الآلي، والتعلم العميق، والذكاء الاصطناعي التوليدي. المحور الرأسي لوغاريتمي.

f: متوسط معدل النمو الشهري لعدد الأبحاث والباحثين في مجال الذكاء الاصطناعي عبر جميع التخصصات المختارة خلال كل فترة من فترات التعلم الآلي والتعلم العميق والذكاء الاصطناعي العام (عدد الملاحظات الشهرية = 543). تمثل أشرطة الخطأ فترات الثقة (CI) المتمركزة حول المتوسط.

المستوى الفردي: قياس الأثر الفردي

استناداً إلى التحديد الدقيق، أجابت الدراسة أولاً على السؤال التالي: "ما هي الفوائد التي تعود على العلماء الأفراد؟"من خلال تتبع المنشورات السنوية للباحثين، والاستشهادات بهم، وانتقالاتهم المهنية (من باحث مبتدئ إلى قائد مشروع)، توصل فريق البحث إلى مجموعة من البيانات المذهلة:تم نشر 3.02 ضعف عدد المقالات، و4.84 ضعف عدد الاستشهادات، و1.37 سنة إضافية من الوقت اللازم لبدء المسيرة المهنية.

أ: متوسط الاستشهادات السنوية التي تم تلقيها بعد النشر لأوراق الذكاء الاصطناعي (باللون الأحمر) والأوراق غير المتعلقة بالذكاء الاصطناعي (باللون الأزرق) (يوضح الشكل المصغر أعلى 11 من TP3T وأعلى 101 من TP3T على التوالي؛ n = 27,405,011)، مما يشير إلى أن أوراق الذكاء الاصطناعي تجذب بشكل عام المزيد من الاستشهادات.

ب: مقارنة متوسط الاستشهادات السنوية بين الباحثين الذين استخدموا الذكاء الاصطناعي وأولئك الذين لم يستخدموه (P < 0.001، n = 5,377,346)، حيث حصل الباحثون الذين استخدموا الذكاء الاصطناعي على متوسط 4.84 استشهادات أكثر من أولئك الذين لم يستخدموه.

ج: بين الباحثين المبتدئين، تمت مقارنة احتمالات تغيير الأدوار بين الباحثين الذين تبنوا الذكاء الاصطناعي والذين لم يتبنوه (جميع الملاحظات على مدى 46 عامًا). كان الباحثون المبتدئون الذين تبنوا الذكاء الاصطناعي أكثر عرضة لأن يصبحوا باحثين ذوي خبرة وأقل عرضة لترك الأوساط الأكاديمية مقارنة بزملائهم الذين لم يتبنوا الذكاء الاصطناعي.

د: دالة البقاء للانتقال من باحث مبتدئ إلى باحث متقدم (P < 0.001، n = 2,282,029). تتوافق دالة البقاء هذه جيدًا مع التوزيع الأسي، مما يشير إلى أن الباحثين المبتدئين الذين يستخدمون الذكاء الاصطناعي يُكملون هذا الانتقال في وقت أبكر. في جميع اللوحات، تمثل أشرطة الخطأ فاصل الثقة 99%؛ ويتمركز الجزء المُدرج في (أ) عند المئينيات 1% و10%، بينما تتمركز اللوحات المتبقية عند المتوسط. أُجريت جميع الاختبارات الإحصائية باستخدام اختبارات t ثنائية الطرف.

المستوى الجماعي: الكشف عن التغيير الهيكلي

لاحقًا، تحوّل منظور البحث من التركيز على الفرد إلى التركيز على النظام البيئي الكلي، مما أثار تساؤلًا أعمق: "ما التغييرات التي تطرأ على العلم ككل عندما يستفيد الجميع من الذكاء الاصطناعي؟" ولتحقيق هذه الغاية، قدّم فريق البحث مؤشرين جماعيين مبتكرين: الأول هو مدى المعرفة، الذي يقيس اتساع نطاق تغطية مواضيع البحث؛ والثاني هو التفاعل اللاحق، الذي يقيس كثافة التفاعل بين الدراسات اللاحقة. تعامل الباحثون مع النتائج اللاحقة التي تستشهد بالدراسة الأصلية نفسها ككل، وحسبوا كثافة الاستشهاد المتبادل بين هذه النتائج. وأظهرت النتائج انخفاضًا في التفاعلات اللاحقة في أبحاث الذكاء الاصطناعي بمقدار 221 نقطة زمنية تقريبًا.

الإسناد: استكشاف الآليات الكامنة (لماذا)

وأخيراً، لم يتوقف البحث عند هذه الظواهر.بدلاً من ذلك، يتعمق في الآلية الدافعة وراء مفارقة "التوسع والانكماش".من خلال استبعاد عوامل مثل الشعبية والتأثير المبكر وأولويات التمويل، أشار فريق البحث إلى السبب الأكثر جوهرية، ألا وهو توافر البيانات. ينجذب الذكاء الاصطناعي بطبيعته إلى المجالات الناضجة التي تزخر بالبيانات وتسهل نمذجتها، مما يؤدي إلى تركيز الاهتمام الجماعي وتضييق مساحة الاستكشاف.

إن هذه السلسلة المنطقية الكاملة من "ماذا" إلى "لماذا" تجعل استنتاجات البحث مقنعة للغاية.

أبرز نتائج البحث: ثلاثة ابتكارات رئيسية تعالج القضايا الأساسية

أساليب التعرف على الأوراق المدعومة بالذكاء الاصطناعي والتي تتجاوز مطابقة الكلمات الرئيسية:

تعتمد الأبحاث التقليدية غالبًا على الكلمات المفتاحية (مثل "الشبكة العصبية") لفرز أوراق البحث في مجال الذكاء الاصطناعي، إلا أن هذه الطريقة عرضة للتحيز. تستخدم هذه الدراسة نموذج BERT ثنائي المراحل للضبط الدقيق، حيث يتم تدريبه بشكل منفصل على عنوان الورقة وملخصها، ثم يتم دمج هذه النتائج للوصول إلى الحكم النهائي.وقد حققت هذه الطريقة، بعد مراجعة سرية من قبل الخبراء، درجة F1 تصل إلى 0.875.وقد أدى ذلك إلى وضع أساس بيانات متين وموثوق للدراسة بأكملها.

أ: مخطط تخطيطي لنموذج اللغة المنشور، والذي يتكون من مُجزئ الكلمات، ونموذج BERT الأساسي، والطبقات الخطية.

ب: رسم تخطيطي لعملية الضبط الدقيق للنموذج على مرحلتين، حيث قام الباحثون بتصميم طرق محددة لإنشاء بيانات عينة إيجابية وسلبية في كل مرحلة.

مؤشر كمي رائد لـ "اتساع المعرفة":

كيف نقيس "نطاق الاستكشاف" في مجال ما؟ استخدم فريق البحث SPECTER 2.0، وهو نموذج تضمين مصمم خصيصًا للأدبيات العلمية.يتم ربط كل ورقة بحثية بمساحة متجهة دلالية ذات 768 بُعدًا.يُعرَّف "اتساع المعرفة" لمجموعة من الأبحاث بأنه أقصى قطر تغطيه في ذلك المجال. ويُعدّ هذا النهج، الذي يحوّل المفهوم المجرد لـ"تنوع المعرفة" إلى مسافة هندسية قابلة للحساب بدقة، ابتكارًا رئيسيًا في علم القياسات العلمية.

الكشف عن نمط التفاعل الأكاديمي المتمثل في "الازدحام المنعزل":

أظهرت الأبحاث أن الدراسات اللاحقة التي تستشهد بنفس ورقة بحثية في مجال الذكاء الاصطناعي تقل احتمالية استشهادها المتبادل ببعضها البعض بحلول عام 22%. وهذا يرسم صورةً لمشهد بحثي علمي "نجمي" بدلاً من "شبكي": حيث يدور عدد كبير من الدراسات حول عدد قليل من إنجازات الذكاء الاصطناعي "النجمية" كالكواكب، لكنها تفتقر إلى الروابط الجانبية فيما بينها. هذه الحالة من "الجموع المنعزلة" مؤشر خطير على قمع الإبداع العلمي.

كيف يمكننا استخدام فضاء المتجهات "لقياس" مدى اتساع نطاق العلوم؟

إذا كانت الورقة بأكملها بمثابة مبنى ضخم، فإن تقنيتها الأساسية بلا شك هي نموذج تضمين SPECTER 2.0 ومدى المعرفة.

تخيّل منظومة المعرفة العلمية بأكملها ككونٍ شاسع. يتمثل دور برنامج SPECTER 2.0 في إنشاء نظام إحداثيات دقيق لهذا الكون. من خلال دراسة عشرات الملايين من الأبحاث وعلاقات الاستشهاد بينها، يحوّل البرنامج كل بحث إلى نقطة إحداثية ذات 768 بُعدًا (أي متجه). في هذا الفضاء متعدد الأبعاد، تتقارب نقاط إحداثيات الأبحاث ذات المواضيع المتشابهة، بينما تتباعد نقاط إحداثيات الأبحاث ذات المواضيع المختلفة اختلافًا كبيرًا.

باستخدام نظام الإحداثيات هذا، كيف نقيس "نطاق" مجال بحثي؟ إن نهج فريق البحث مبتكر للغاية:

أخذ العينات:  يتم اختيار مجموعة من الأوراق البحثية عشوائياً من مجال محدد (مثل الأبحاث البيولوجية المعززة بالذكاء الاصطناعي).

موضع:  باستخدام SPECTER 2.0، تم إسقاط جميع هذه الأوراق في عالم معرفي ذي 768 بُعدًا، مما أدى إلى مجموعة من نقاط الإحداثيات.

حدد المركز:  احسب المركز الهندسي (مركز الثقل) لجميع هذه النقاط.

قم بقياس القطر:  تُعرَّف المسافة من النقطة الأبعد عن المركز بأنها "اتساع المعرفة" لهذه المجموعة من الأوراق.

أ: استخدم الباحثون نموذج تضمين نصي مدرب مسبقًا لتضمين الأوراق البحثية في فضاء متجهي ذي 768 بُعدًا وقياس مدى المعرفة في الأوراق داخل هذا الفضاء.

ب: لتسهيل عملية التصور، استخدم الباحثون خوارزمية تضمين الجوار العشوائي الموزع t (t-SNE) لضغط التضمينات عالية الأبعاد لعشرة آلاف ورقة بحثية مختارة عشوائيًا (نصفها في مجال الذكاء الاصطناعي) إلى فضاء ثنائي الأبعاد. وكما هو موضح بالأسهم المتصلة والحدود الدائرية، تُظهر أوراق الذكاء الاصطناعي (التي حُسب نطاق معرفتها في الفضاء الأصلي دون تقليل الأبعاد) نطاقًا معرفيًا أضيق في جميع فروع العلوم الطبيعية. علاوة على ذلك، تُظهر أوراق الذكاء الاصطناعي درجة أعلى من التجميع في الفضاء المعرفي، مما يشير إلى تركيز أكبر على قضايا محددة.

ج: مقارنة اتساع نطاق المعرفة بين الأبحاث المتعلقة بالذكاء الاصطناعي والأبحاث غير المتعلقة به عبر مختلف التخصصات (قيمة الاحتمال < 0.001، عدد العينات = 1000 لكل تخصص). تُظهر النتائج أن أبحاث الذكاء الاصطناعي تركز على نطاق معرفي أضيق.

د: مقارنة إنتروبيا المعرفة بين الأبحاث المتعلقة بالذكاء الاصطناعي وغير المتعلقة به عبر مختلف التخصصات (قيمة الاحتمال < 0.001، عدد العينات = 1000 لكل تخصص)، حيث أظهرت أبحاث الذكاء الاصطناعي إنتروبيا معرفة أقل. في اللوحتين ج ود، تتمركز مخططات الصندوق عند الوسيط، ويمثل الحدان العلوي والسفلي للصناديق الربيعين الأول والثالث (Q1 وQ3) على التوالي، وتمثل الخطوط 1.5 ضعف المدى الربيعي. أُجريت جميع الاختبارات الإحصائية باستخدام اختبار الوسيط.

باستخدام هذه الطريقة، تمكن فريق البحث من إجراء مقارنة عادلة بين حجم "نطاق" أبحاث الذكاء الاصطناعي والأبحاث الأخرى. وتُظهر النتائج بوضوح أن متوسط "اتساع المعرفة" في أبحاث الذكاء الاصطناعي أصغر بمقدار 4.631 TP3T من نظيره في الأبحاث الأخرى. وهذا يعني أن العلماء، مدفوعين بالذكاء الاصطناعي، يتجهون بالإجماع نحو مجال معرفي أصغر وأكثر تركيزًا.

علاوة على ذلك، حللت الدراسة توزيع الاستشهادات ووجدت أن أبحاث الذكاء الاصطناعي تُظهر "تأثير ماثيو" أقوى:حصلت أفضل 22.21 ورقة بحثية في مجال الذكاء الاصطناعي TP3T على 801 TP3T من الاستشهادات، وكان عدم المساواة في الاستشهادات (معامل جيني 0.754) أعلى بكثير من ذلك الخاص بالبحوث غير المتعلقة بالذكاء الاصطناعي (0.690).

خاتمة

في ملخص،لا يقتصر هذا الحل التقني على الإجابة على سؤال "هل أصبح العلم أكثر ضيقًا؟"، بل يخبر الباحثين أيضًا بشكل أكثر دقة "إلى أي مدى أصبح أكثر ضيقًا"، و"في أي بُعد أصبح أكثر ضيقًا"، و"ما نوع البنية التي تشكلت بعد التضييق".لم يعد هذا مصدر قلق غامض، بل أصبح حقيقة يمكن تصويرها بدقة باستخدام البيانات.

لا تكمن قيمة هذه الدراسة في نفي الذكاء الاصطناعي، بل في الكشف، بأدق صورة ممكنة، عن التكاليف الخفية التي قد يتكبدها الباحثون عند تبني الذكاء الاصطناعي. إنها تُذكّر الباحثين بأن الذكاء العلمي الحقيقي لا ينبغي أن يكون مجرد "أداة" لتحسين الكفاءة، بل "شريكاً" لتوسيع آفاق الإدراك البشري.