همکاری AI و R&D

سرانه تولید ناخالص داخلی را معیاری برای رفاه اقتصادی در بیشتر تاریخ بشر، تقریباً تا اوایل دهه 1800، این معیار به سختی به 1200 دلار می‌رسید. اما از آن زمان، این سرانه بیش از 14 برابر رشد و سلامت انسان نیز مسیر مشابهی را طی کرده، به طوری که قرن‌ها این سرانه پایین بوده و تنها در نسل‌های اخیر به شکل قابل‌توجهی بهبود یافته، به عنوان مثال، در سال 1900، میانگین امید به زندگی یک نوزاد 32 سال بود اما تا سال 2021، این میزان بیش از دو برابر شده و به 71 سال رسیده است.

افزایش عملکرد در بسیاری از حوزه‌ها به قیمت افزایش هزینه‌های تحقیق و توسعه تمام شده که در بخش‌های مختلفی قابل‌مشاهده است، به عنوان مثال، براساس مقالاتی که در سال 2020 منتشر شده، هزینه‌های R&D شرکت‌های تولید نیمه‌رسانا و تولید تجهیزات بین سال‌های 1971 تا 2014 حدود 18 برابر رشد داشته اما این رشد تنها محدود به نیمه‌رسانا‌ها نمی‌شود، بلکه صنعت دارویی زیستی نیز محصولات نوآورانه‌ای تولید کرده است که در نهایت به نفع مردم تمام می‌شود.

در عین حال که افزایش بهره‌وری R&D می‌تواند بسیاری از فرایند‌های تولیدی شرکت‌ها را توسعه دهد، کاهش آن به نوبه خود می‌تواند این روند را معکوس کند. درواقع چالش کاهش بهره‌وری R&D به عنوان مثال در صنعت داروسازی، بیانگر این واقعیت است که کشف دارو روند کندتر و در گذر زمان و گران قیمت‌تری را دربرمی‌گیرد. طبق مطالعات صورت گرفته، تعداد دارو‌های جدید تأیید شده به ازای هر میلیارد دلاری که صرف R&D می‌شود، بین سال‌های 1950 تا 2011 حدوداً هر 9 سال نصف شده و با احتساب تورم، حدوداً 80 برابر شده است. کاهش بهره‌وری R&D در سایر حوزه‌ها مانند کشاورزی نیز گزارش شده که در آن، بازده بالاتر برای چند نوع از غلات، سطح هزینه‌های R&D را افزایش می‌دهد. محققان با استفاده از داده‌های شرکتی در تمام بخش‌ها در آمریکا دریافته‌اند درمجموع، بهره‌وری R&D با ارزیابی خروجی‌ها شامل درآمد، ارزش بازار، استخدام، و درآمد به ازای هر کارمند کاهش یافت. در حالی که بیشتر شرکت‌ها کاهش بهره‌وری تحقیق و توسعه را تجربه کرده‌اند، 22 درصد از سازمان‌ها بهره‌وری پژوهشی خود را افزایش داده‌اند.

یک مدل ساده‌سازی شده از فرایند R&D شامل شناسایی مجموعه‌ای از نیاز‌های مشتری، خلق طرح‌های موردنظر و سپس ارزیابی ایده‌هایی برای تعیین آن دسته از نیاز‌هایی که بیشتر به کار مشتریان می‌آید. یکی از بزرگ‌ترین فرصت‌ها برای هوش مصنوعی به منظور ارتقای نوآوری، تولید سریع‌تر حجم و تنوع بیشتری از طرح‌هایی است که کاندیدا هستند. فناوری هوش مصنوعی مولد به شبکه‌های عصبی شبیه‌سازی شده اطلاق می‌شود که براساس مجموعه‌های وسیع داده به کسب داده‌های غیرساختاریافته می‌پردازد. مدل‌های زبانی بزرگ (LLM) هم نوع شناخته‌شده‌ای از مدل‌ها را نشان می‌دهد که زیرساخت چت‌بات‌هایی را فراهم می‌کند که هوش مصنوعی مولد را تولید کرده است. DeepMind نوعی سیستم هوش مصنوعی را موسوم به AlphaGo عرضه کرده که یکی از پیچیده‌ترین بازی‌های دنیاست. این بازی، حرکت غیرمنتظره‌ای را انجام می‌دهد که خارج از حرکات تعبیه‌شده برای بازی بود. برخی سازمان‌های R&D، هوش مصنوعی را ایجادکننده ایده‌ای نوآورانه در محیط‌های آزمایشگاهی درنظر می‌گیرند، به عنوان مثال، یکی از محققان دانشگاه واشنگتن، مدیریت تیمی را برعهده گرفته‌اند تا با بهره‌مندی از مدل‌های یادگیری عمیق، پروتئین‌های جدیدی را تولید کنند. محققان پروتئین‌های جدید با مولکول‌های عملکردی پیچیده‌ای را ایجاد کرده‌اند که تاکنون در دنیا وجود نداشته است. در میان کاربرد‌های این پروتئین‌های طراحی شده، واکسن‌ها و دارو‌ها، حسگر‌های زیستی برای مواد خطرناک و عواملی برای به دام انداختن آلاینده‌های زیست محیطی را ایجاد کرده‌اند. توانایی استفاده از هوش مصنوعی برای ایجاد خلاقانه تنوعی از کاندیدا، نه‌تنها در سطح مولکولی، بلکه در رشته‌های مهندسی فیزیک نیز کاربرد دارد. مدل‌های هوش مصنوعی مولد در حال حاضر موتور‌های موشک را با هندسه‌های جدیدی به ویژه کانال‌های خنک‌کننده طراحی می‌کند که با پرینت سه‌بعدی تولید می‌شوند.

این دستاورد‌های بهره‌وری مبتنی بر هوش مصنوعی می‌تواند تأثیر اقتصادی واقعی را هم برای شرکت‌هایی که محصولات جدید تولید می‌کنند و هم برای مشتریان آن‌ها ایجاد کند. در مجموع، برآورد‌ها نشان می‌دهد با استفاده از هوش مصنوعی برای تسریع تحقیق و توسعه، می‌توان 360 تا 560 میلیارد دلار پتانسیل اقتصادی سالانه را آزاد کرد. صنایعی که بیشترین پتانسیل اقتصادی افزایشی را تجربه خواهند کرد، مانند داروسازی، نیمه‌رسانا‌ها و نرم‌افزار، پتانسیل بالایی برای تسریع فرایند‌های تحقیق و توسعه خود با استفاده از هوش مصنوعی دارند. در سایر صنایع مواد مبتنی بر علم مانند موادشیمیایی و آلیاژ‌ها، کامپوزیت‌ها و مصالح ساختمانی، پتانسیل اقتصادی استفاده از هوش مصنوعی در تحقیق و توسعه، به نسبت پایین‌تر است. این امر بیانگر این واقعیت است که در این صنایع، سهم قابل‌توجهی از درآمد از فروش محصولات کالایی موجود حاصل می‌شود، به عنوان مثال، صنعت مواد شیمیایی به تولید اتیلن، آمونیاک و موارد مشابه ادامه خواهد داد. در صورت عدم وجود تغییرات تحول‌آفرین در این صنایع، تأثیر تسریع تحقیق و توسعه اندک خواهد بود. در عوض، چنین صنایعی بیشترین بهره را از کاربرد هوش مصنوعی برای بهبود فرایند‌های تولید خود خواهند برد.