توسعه روش جدید یادگیری ماشین برای طراحی پروتئین

چالش اصلی هوش مصنوعی سازمانی نه خود ایجنت‌های خودمختار، بلکه پیچیدگی روابط میان آن‌ها است. شرکت‌ها معمولاً به جای استفاده از یک ایجنت منفرد، ناوگانی از آن‌ها را مستقر می‌کنند که مرتباً با یکدیگر در ارتباطند. این ایجنت‌ها با فراخوانی ایجنت‌های دیگر و دسترسی به برنامه‌های مختلف، شبکه‌ای پیچیده ایجاد می‌کنند. با افزودن ایجنت‌های بیشتر، تعداد ارتباطات به شکل تصاعدی رشد می‌کند و سیستم غیرقابل پیش‌بینی می‌شود. این پیچیدگی فزاینده نظارت بر سیستم را برای سازمان‌ها دشوار و نگران‌کننده ساخته است.

کاربرد فزاینده ابزارهای هوش مصنوعی در محیط‌های کاری به چالشی جدی تبدیل شده است. مدیران و برنامه‌نویسان با پدیده‌ای به نام فرسودگی ذهنی و افزایش بار شناختی مواجه هستند. استیو یگی، برنامه‌نویس شناخته‌شده، اخیراً بستری برای هماهنگی عامل‌های هوش مصنوعی معرفی کرده است. با این حال، کاربران از استرس شدید ناشی از سرعت بالای این ابزارها شکایت دارند. در همین راستا، مطالع روی ۱۴۸۸ کارمند تمام‌وقت در ایالات متحده انجام شد که ۵۱ درصد آن‌ها را زنان تشکیل می‌دادند. نتایج نشان می‌دهد که نظارت مستمر بر عامل‌های هوش مصنوعی خستگی ذهنی کارکنان را به دنبال دارد.

با افزایش استقلال عامل‌های هوش مصنوعی در سازمان‌ها و توانایی آن‌ها برای برنامه‌ریزی، تصمیم‌گیری و اقدام در میان سیستم‌ها بدون نیاز به تأیید انسانی، چالش‌های نظارتی جدیدی ایجاد شده است. یک پرسش کلیدی در بررسی معماری سازمان‌ها این است که وقتی یک عامل هوش مصنوعی تلاشی برای انجام کاری خارج از حدود مجاز خود انجام می‌دهد، چه سازوکاری جلوی آن را می‌گیرد. مسئولیت تمامی اقدامات این عامل‌ها که روی داده‌ها و زیرساخت‌های سازمان اجرا می‌شوند، مستقیماً متوجه خود سازمان است. این مسئولیت را نمی‌توان تنها با سیاست‌های انتزاعی روی کاغذ یا ارزیابی‌های پس از وقوع حادثه مدیریت کرد. عامل‌های هوش مصنوعی نیازمند قواعدی دقیق و متناسب با شرایط لحظه‌ای هستند، زیرا فاقد قضاوت مستقل و بازدارنده انسانی هستند. بنابراین، استقرار لایه‌های نظارتی مبتنی بر داده برای کنترل و هدایت رفتارهای مستقل این فناوری به یک ضرورت ساختاری تبدیل شده است. این روند بر اهمیت حکمرانی داده‌ها و ایجاد محدودیت‌های سیستمی پیش از وقوع تخلفات احتمالی تأکید می‌کند.

رئیس دانشگاه علوم پزشکی اصفهان در آیین افتتاحیه رویداد «AI-BRIDGE 2026» بر ضرورت به‌کارگیری هوش مصنوعی در پیشگیری و حکمرانی داده‌محور سلامت تأکید کرد. دکتر شاهین شیرانی اعلام کرد که گردش مالی هوش مصنوعی در جهان تا سال ۲۰۳۰ میلادی به رقم بسیار قابل‌توجهی خواهد رسید. وی افزود این دانشگاه از داده‌های سلامت بیش از پنج و نیم میلیون نفر جمعیت استان برخوردار است. هدف اصلی استفاده از این فناوری، پیشگیری از بیماری‌ها و توسعه پزشکی فردمحور پیش از وقوع عوارض جدی است. بیماری‌های قلبی و عروقی، سرطان‌ها و حوادث ترافیکی از مهم‌ترین دلایل مرگ‌ومیر در کشور به شمار می‌روند. این رویداد با هدف ایجاد زنجیره ارتباطی مؤثر میان پژوهشگران، صنایع و متولیان حوزه سلامت برگزار شد.

دکتر حسین ربانی، مدیر مرکز پردازش تصویر و سیگنال پزشکی دانشگاه علوم پزشکی اصفهان، توسعه هوش مصنوعی بدون تقویت حکمرانی داده را غیرممکن دانست. وی در رویداد تخصصی اشاره کرد که کشور در حوزه آموزش و پژوهش ظرفیت‌های خوبی دارد اما با چالش‌هایی در زمینه زیرساخت و بازار روبه‌روست. ربانی بر لزوم تدوین قوانین جامع و شفاف برای استفاده مسئولانه از داده‌های سلامت تأکید کرد. جایگاه ایران در حوزه داده و زیرساخت بهبود یافته، اما در بخش سیاست‌گذاری و اخلاق با افت مواجه شده است. وی همچنین رشد شتابان کشورهای منطقه مانند عربستان و ترکیه را هشدار جدی برای حفظ مزیت‌های پژوهشی ایران برشمرد.

نشست تخصصی فردای ایران در عصر هوش مصنوعی توسط اتاق بازرگانی تهران و دانشگاه صنعتی شریف برگزار شد. در این نشست گزارش شاخص هوش مصنوعی ۱۴۰۴ ایران رونمایی شد و وضعیت کشور در این حوزه مورد ارزیابی قرار گرفت. شهاب جوانمردی، عضو هیئت‌رئیسه اتاق بازرگانی تهران، اعلام کرد که ایران با وجود داشتن رتبه دوم تولید علم در منطقه، از نظر اندازه بازار هوش مصنوعی در رتبه آخر قرار دارد. بر اساس این گزارش، تنها ۲۷ درصد از بنگاه‌های کشور آمادگی نسبی برای پذیرش فناوری هوش مصنوعی را دارند. کارشناسان در این رویداد بر لزوم رفع موانع تجاری‌سازی و حرکت بنگاه‌ها به سمت تصمیم‌گیری هوشمندانه تأکید کردند.