کشف تقابلی؛ وقتی هوش مصنوعی به جای رد یک فرضیه، دنبال توضیح درست می گردد

عامل های زبانی این روزها در کشف علمی هم به کار می روند؛ به آن ها یک پرسش می دهیم و آن ها با آزمایش و مشاهده داده، دنبال پاسخ می گردند. اما یک ضعف مهم در شیوه کار بیشتر این عامل ها هست: آن ها معمولا یک فرضیه را در برابر نقیض آن می سنجند. وقتی شواهد فرضیه را رد می کند، عامل فقط می فهمد آن توضیح «غلط» بوده است؛ نه اینکه کدام توضیح جایگزین درست است. نتیجه اش این است که عامل متوقف می شود، در حالی که هنوز پاسخی پیدا نشده.

در مقاله ای که ۱۰ نوامبر ۲۰۲۶ در arXiv منتشر شد، پژوهشگران چارچوبی به نام «کشف تقابلی» (Contrastive Discovery) معرفی کرده اند که دقیقا همین نقطه ضعف را هدف می گیرد. به جای آزمون یک فرضیه تنها، هر پرسش علمی با مجموعه ای از توضیح های رقیب جفت می شود؛ توضیح هایی که با هم ناسازگارند و با هم همه گزینه ها را پوشش می دهند. هر آزمایش بر اساس این امتیاز می گیرد که شواهدش باور را چقدر میان این توضیح ها بازتوزیع می کند، و پرسش وقتی حل شده تلقی می شود که باور روی یک توضیح متمرکز شود. نکته جالب این است که این شیوه فقط واحد پیشنهاد و امتیازدهی عامل را عوض می کند؛ پس یک عامل موجود می تواند با همین چارچوب، شواهدی را که قبلا جمع کرده دوباره ارزیابی کند یا جست وجویش را هدایت کند.

نتایج آزمایش ها در شش حوزه قابل توجه است: ۸۹ درصد از نامزدهای تک فرضیه ای که بیشترین تغییر باور را داشتند، در واقع ردشده بودند؛ یعنی بیشتر «کشف» های آن روش، فقط یک رد کردن بود، نه یک پاسخ. اما مجموعه های تقابلی روی همان شواهد، ۷۳ درصد از این نامزدها را به یک جایگزین مشخص رساندند. وقتی مجموعه های تقابلی جست وجو را هدایت کردند، عامل با همان بودجه آزم

ایش، ۶۷ درصد پرسش بیشتری را نسبت به روش تک فرضیه ای حل کرد. در یک مطالعه کور هم ۳۸ متخصص انسانی در ۷۸ درصد پرسش های حل شده و در ۸۲ درصد پرسش هایی که عامل تک فرضیه ای فرضیه را رد کرده و متوقف شده بود، همان توضیحی را انتخاب کردند که عامل تقابلی رسیده بود.

به نظرم اهمیت این کار در یک تغییر نگاه ساده اما بنیادین است: علم خوب فقط رد کردن نیست؛ پیدا کردن توضیح درست است. وقتی عامل هوش مصنوعی به جای «این غلط است» بتواند بگوید «این توضیح درست تر است»، از یک ابزار آزمون فرضیه به یک همکار واقعی در کشف علمی تبدیل می شود. این رویکرد به ویژه برای حوزه هایی مثل پزشکی و علوم تجربی مهم است، جایی که توقف در میانه راه — فقط به این دلیل که فرضیه اول رد شده — می تواند یک کشف مهم را از دست بدهد.

منبع: Liu, Z., Kim, J. J., Dai, Y. & Sun, J. (2026). Contrastive Discovery: Open-Ended Scientific Discovery over Competing Explanations. arXiv:2611.14514. DOI: 10.48550/arXiv.2611.14514 — https://arxiv.org/abs/2611.14514