همانطور که هوش مصنوعی اکتشافات علمی را به جلو می برد و پتانسیل انجام این کار را در آینده دارد، اکتشافات علمی نیز محرکی برای پیشبرد مرزهای هوش مصنوعی بوده و هستند. پارادایم فعلی یادگیری در مقیاس بزرگ از مجموعه داده های عظیم به موفقیت های زیادی دست یافته است، اما برای پیشرفت بیشتر، پارادایم های متفاوتی مورد نیاز است. یکی از این تغییر پارادایم به سمت توسعه الگوریتم‌هایی است که می‌توانند دانش از قبل موجود را برای عملکرد خوب در موقعیت‌هایی که در آن مجموعه داده‌های ناهمگن کمتر و بیشتری برای یادگیری مبتنی بر داده وجود دارد، مهار کنند. بازنمایی صریح دانش و اصول نظری ممکن است با آگاه‌تر کردن رویکرد یادگیری، مقدار داده‌های مورد نیاز برای یادگیری را کاهش دهد (فون رودن و همکاران، 2021)، و بیشتر بر معانی عمیق‌تر متمرکز شود. نسل کنونی مدل‌های زبانی بزرگ، با میلیاردها پارامتر، که برای پیش‌بینی کلمات بعدی در جملات آموزش دیده‌اند، معنا را یاد نمی‌گیرند (لیک و مورفی، 2021) - آنها یاد نمی‌گیرند که متنی را که آنقدر در پیش‌بینی مهارت دارند، درک کنند( بندر و کولر، 2020). آنها تمایل دارند ویژگی های آماری فضاهای ورودی داده خود را بدون یادگیری اصول قابل تعمیم در پشت آن متون بیاموزند (ژانگ و همکاران، 2022). معنا شامل رابطه بین آن چیزی است که ارتباط برقرار می شود (شکل) و چیزی که قرار است منتقل شود (نیت ارتباطی)، و دومی لزوماً شامل بازنمایی کلی از جهان به نوعی است، نه فقط ساختار زبان، که تمام آن چیزی است که آزمایش می شود. با تمرین‌های دشوارتر از آنچه که معمولاً برای مدل‌های زبانی مطرح می‌شود، سؤالاتی که درک و تعمیم به موقعیت‌های جدید را ، نه صرفاً شکل و تعامل سطحی بررسی می‌کنند (سانتورو و همکاران، 2021).

روش دیگری که در آن اکتشافات علمی پتانسیل سودمندی هوش مصنوعی را دارد از طریق پیشرفت در علم هوش انسانی، در درک مغز، ذهن و رفتار است. اگرچه الگوریتم‌های هوش مصنوعی نسل کنونی - آنهایی که برای یادگیری ماشینی و آنهایی که برای استدلال ماشینی هستند - تا حدی از هوش انسانی الهام گرفته شده‌اند، آنها فقط از بخش‌های کوچکی از درک کلی مغز و ذهن استخراج می‌شوند در دهه های گذشته توسعه یافته است (هیوون, 2021). چندین بعد مهم در هوش انسانی وجود دارد که تاکنون در توسعه هوش مصنوعی نادیده گرفته شده است. اولین مورد این است که هوش انسانی و یادگیری انسان به عنوان قابلیتی برای عمل هوشمندانه در محیط تجسم یافته و تکامل یافته است (استرنبرگ، 2019، 2021). نوزادان با کاوش و تعامل با دنیای خود یاد می گیرند. به این ترتیب آنها درک خود را از آنچه درک می‌کنند آزمایش می کنند و چگونگی درک ضمنی از علیت ایجاد می کنند. آیا می‌توان انتظار داشت که سیستم‌های باهوش مصنوعی بتوانند بدون اینکه بتوانند با جهان به عنوان بخشی از فرآیندهای یادگیری فردی خود تعامل داشته باشند، درباره جهان بیاموزند؟

در این جنبه، پیشرفت در الگوریتم‌های هوش مصنوعی ممکن است از پیشرفت‌هایی در طراحی عوامل رباتیک خودکار حاصل شود. دوم این است که هوش انسان ذاتاً چند وجهی است - ما ورودی های حسی را از چندین روش ورودی حسی مختلف مانند لمس، بینایی و شنوایی به طور همزمان جمع آوری می‌کنیم. این جریان های ورودی همگرا که تقریباً همان واقعیت زیربنایی هستند - واقعیتی که به نوبه خود قادر به تعامل با آن هستیم - به ما امکان می دهد در درک صحیح خود از جهان اعتماد ایجاد کنیم. بدون تطبیق درک خود در ورودی های مختلف، بسیار سخت تر خواهد بود که مطمئن شویم که درک خوب و پیش بینی کننده ای از نحوه کار جهان، پایه و اساس کنش هوشمند، ایجاد کرده ایم. برای پرداختن به این موضوع، پژوهش باید بر یادگیری پیش‌بینی‌کننده در روش‌های همگرای متعدد تمرکز کند (فی و همکاران، 2022؛ هولزینگر و همکاران، 2022). در نهایت، انسان‌ها هوش خود را از طریق یادگیری مستمر در طول زمان توسعه می‌دهند، و بدون فراموش کردن آنچه قبلاً آموخته‌اند، نکات ظریف و پیچیدگی را اضافه می‌کنند. این نوع یادگیری مستمر از مشاهدات مداوم، آموزش‌های اضافی و تعاملات مستلزم آن است که سیستم‌های هوش مصنوعی وضعیت را در مدت زمان طولانی حفظ کنند، در حالی که تحت آموزش‌های اضافی و بهبود عملکرد قرار می‌گیرند. برای این منظور، تحقیقات در هوش مصنوعی نیاز به توسعه تکنیک‌هایی برای یادگیری مداوم از نمونه‌های پراکنده دارد که با مطالعات یادگیری در انسان‌ها موازی‌تر هستند و از مطالعات یادگیری در انسان مطلع می‌شوند (کیم و همکاران، 2020)، و برای کار به سمت سطوح دانش سیستم‌های هوش مصنوعی خودمان که آگاه هستند (آسبند و همکاران، 2022).

نقش هوش مصنوعی در علم در آینده ممکن است نه تنها برای حمایت از کشف، بلکه برای پیشبرد درک علمی باشد (کرن و همکاران، 2022) با استفاده از (الف) به عنوان یک «میکروسکوپ» محاسباتی، ارائه اطلاعاتی که هنوز توسط آزمایش‌ها قابل دستیابی نیست. هم‌افزایی جدید بین اندازه‌گیری، پیش‌بینی و شبیه‌سازی، که امکان کاوش در مقیاس‌های زمانی و مکانی دقیق‌تر از آنچه در حال حاضر قابل اندازه‌گیری است را می‌دهد، (ب) به‌عنوان منبع الهام، یک «الهه مصنوعی»، گسترش دامنه تخیل انسان و خلاقیت و (ج) عامل درک علمی، با حمایت از فرآیندهایی که از مشاهدات تعمیم می‌یابند و مفاهیم و نظریه‌های علمی را به پدیده‌های جدید منتقل می‌کنند. برای دستیابی به این چشم انداز مستلزم تکامل مشترک بین خود علم و الگوریتم ها و فناوری هایی است که علم را پشتیبانی می کنند و بین علوم هوش انسانی و هوش درگیر در ایجاد هوش مصنوعی به جلو می برند. این شامل افزایش نفوذپذیری در سراسر مرزهای انضباطی قبلی، و همسویی سیستم‌های مصنوعی با زمینه گسترده‌تر ارزش‌ها، اخلاقیات و فرآیندهای دخیل در تحقیقات علمی در جوامع انسانی خواهد بود (کوستر و همکاران، 2022).

این ماهیت کشف این است که ما از مرز بین دانسته ها و ناشناخته ها، ممکن‌ها و غیر ممکن ها عبور می کنیم. اکتشافات علمی فرآیندی است که از خود تغذیه می‌کند، که گاهی به نظر می‌رسد در حال انباشته شدن پایه‌هایی است که هیچ معماری ندارند، مانند شن‌های متحرک، اما به طور ناگهانی به برجی تبدیل می‌شوند که می‌توان از آن بیشتر از همیشه دید. توسعه فناوری، مانند فناوری هوش مصنوعی، در کنار اکتشافات علمی پیشرفت می‌کند، همراه با آن رشد می‌کند، از آن تغذیه می‌کند و به نوبه خود به آن کمک می‌کند، گاهی به روش‌هایی که قابل پیش‌بینی است، و گاهی به روش‌هایی که قابل پیش‌بینی است. آنچه معمولی است را کنار می‌گذارد و افق ممکن را به کلی دگرگون کند. در زمانی از تاریخ سیاره زمین که به نظر می رسد بحرانی پس از بحران در پایه‌های جهان آنگونه که ما می شناسیم در حال انفجار است، تحول دیجیتالی و اجتماعی ممکن است ترسناک یا به شدت ضروری به نظر برسد، در عوض کابوس یا رویا است . اما در چنین لحظاتی شایان ذکر است که دگرگونی چیزی نیست که برای ما اتفاق می‌افتد، بلکه آن چیزی است که ما  آن را در تلاش‌های بی‌پایان انباشته خود برای حل مشکلات، پاسخ به پرسش‌ها، ساخت ابزارهای مفید و کاوش عمیق‌تر در اسرار واقعیت می‌سازیم.