اگر بیماری تازه‌ای امروز خبرساز شود، هوش مصنوعی می‌تواند به پیدا کردن نشانه‌ها، تحلیل داده‌ها و پژوهش دارو کمک کند. اما یک جست‌وجوی داغ، پاسخ چت‌بات یا مولکول پیشنهادیِ یک مدل، به‌ترتیب نشانهٔ شیوع قطعی، تشخیص پزشکی یا درمان آماده نیست. ماجرایی که با عنوان «طاعون روسی» جست‌وجو می‌شود، دقیقاً فرصت خوبی است تا این مرزها را روشن کنیم.
در این مقاله «اگر امروز کرونا شروع می‌شد» یک آزمایش فکری است، نه پیش‌بینی همه‌گیری بعدی. طاعون و کووید نیز دو بیماری متفاوت‌اند؛ هدف، مقایسهٔ ابزارها و شیوهٔ تصمیم‌گیری در دو دوره است، نه یکسان دانستن مسیر شیوع آن‌ها.
«هوش مصنوعی» هم یک ابزار واحد نیست. مدلِ پژوهش دارو ممکن است ساختار مولکول‌ها و دادهٔ آزمایش‌ها را تحلیل کند؛ دستیار گفت‌وگویی معمولاً متن و پاسخ تولید می‌کند. موفقیت اولی به معنی اعتبار پزشکیِ دومی نیست. برای سنجیدن هر ابزار بپرسید چه کاری را، با چه داده‌ای و در چه آزمایشی خوب انجام داده است؟ راهنمای WHO دربارهٔ AI در سلامت نیز بر کاربردهای مشخص و ارزیابی دقت و قابلیت اعتماد تأکید دارد.
در خبر «طاعون روسی» چه چیزی می‌دانیم؟
تا ۵ اکتبر ۲۰۲۶، گزارش‌های منتشرشده از مرگ یکی از کارکنان مؤسسهٔ پژوهشی ضدطاعون در منطقهٔ ایرکوتسک روسیه و اقدام‌های احتیاطی پس از آن خبر می‌دادند. مقام‌های بهداشتی روسیه علت بیماری او را «ذات‌الریه با منشأ نامعلوم» توصیف کرده‌اند و ابتلای او به طاعون را تأیید نکرده‌اند. جزئیات مطرح‌شده دربارهٔ حادثهٔ آزمایشگاهی هم محل اختلاف گزارش‌هاست. بنابراین عبارت «طاعون روسی» در این متن نام جست‌وجوشدهٔ خبر است، نه نام یک بیماری جدید یا اعلام یک شیوع تأییدشده. گزارش آسوشیتدپرس از گفته‌های مقام‌های روسیه و پرسش‌وپاسخ رسمی کمیسیون اروپا دربارهٔ این گزارش‌ها را می‌توان برای پیگیری اصل خبر دید.
یک اشتباه رایج را هم باید همین ابتدا کنار گذاشت: طاعون ویروس نیست. عامل آن باکتری Yersinia pestis است. سازمان جهانی بهداشت می‌گوید تأیید بیماری به آزمایش نیاز دارد و درمان زودهنگام با آنتی‌بیوتیک می‌تواند جان بیمار را نجات دهد. پس پرسش مفید در این ماجرا «AI چه درمان معجزه‌آسایی می‌سازد؟» نیست؛ پرسش این است که کدام تصمیم‌ها را می‌تواند سریع‌تر و دقیق‌تر پشتیبانی کند.
تفاوت اول: دیدن نشانه‌ها پیش از آنکه خبر همه‌جا پخش شود
در آغاز یک بحران، داده‌ها پراکنده‌اند: گزارش یک بیمارستان، خبر محلی، تغییر در الگوی مراجعه یا دادهٔ آزمایشگاهی. سامانه‌های تحلیل می‌توانند این سیگنال‌ها را کنار هم بگذارند و به کارشناسان بگویند کجا را زودتر بررسی کنند. برای نمونه، سامانهٔ EIOS سازمان جهانی بهداشت از منابع علنی برای شناسایی تهدیدهای سلامت استفاده می‌کند و نسخهٔ تازهٔ آن قابلیت‌های AI دارد.
ولی هشدار، تشخیص نیست. سیگنال یک مدل باید با بررسی میدانی، آزمایش و گزارش نهادهای مسئول سنجیده شود. اگر داده دیر برسد، ناقص باشد یا میان کشورها به اشتراک گذاشته نشود، سریع‌ترین مدل هم تصویر کاملی از وضعیت نمی‌سازد. تفاوت عصر AI احتمالاً در سرعت پیدا کردن سرنخ‌هاست؛ نتیجهٔ نهایی به کیفیت داده و توان پاسخ‌گویی انسان‌ها وابسته می‌ماند.
تفاوت دوم: پژوهش دارو سریع‌تر می‌شود؛ درمان فوری از مدل بیرون نمی‌آید
هوش مصنوعی می‌تواند میان شمار زیادی از ترکیب‌های شیمیایی بگردد و گزینه‌های امیدوارکننده را برای آزمایشگاه اولویت‌بندی کند. در یک پژوهش منتشرشده در Nature، پژوهشگران با کمک یادگیری عمیق ترکیب‌هایی با فعالیت علیه برخی باکتری‌های مقاوم پیدا کردند و آن‌ها را در آزمایش‌های بعدی سنجیدند. این نمونه نشان می‌دهد AI در پیدا کردن نامزد پژوهشی کمک می‌کند؛ از آن نمی‌توان نتیجه گرفت دارویی برای طاعون روسیه کشف یا برای مصرف انسان تأیید شده است.
حتی پس از پیدا شدن یک نامزد، باید اثربخشی، ایمنی، دوز، تولید و نتیجهٔ آزمایش‌های لازم بررسی شود. در مورد طاعون، مسیر فوری همین حالا روشن‌تر است: راهنمای بالینی CDC بر شروع سریع درمان مناسب هنگام ظن بالینی تأکید می‌کند و می‌گوید نباید برای جواب قطعی آزمایش، درمان را به تأخیر انداخت. این تصمیم را پزشک بر پایهٔ وضعیت بیمار و دستورالعمل بالینی می‌گیرد، نه یک چت‌بات عمومی.
برای خواندن خبر «داروی کشف‌شده با AI»، چهار سؤال کمک می‌کند: برای کدام بیماری؟ در شبیه‌سازی، آزمایشگاه، حیوان یا انسان؟ با چه نتیجه‌ای دربارهٔ ایمنی و اثربخشی؟ و با مجوز مصرف در کدام کشور؟ مثلاً پژوهش Nature بالا شامل نتایج در مدل‌های عفونتِ موش بود؛ چنین نتیجه‌ای را نباید «درمان تأییدشدهٔ انسان» نامید. مسیر توسعهٔ دارو در FDA نیز پژوهش اولیه، بررسی پیش‌بالینی، آزمایش انسانی و ارزیابی برای تأیید را مراحل جداگانه می‌داند.
تفاوت سوم: سرعت تولید خبر و شایعه هم بالا رفته است
همان ابزارهایی که مقالهٔ علمی را خلاصه یا چند گزارش را ترجمه می‌کنند، می‌توانند از یک خبر مبهم، ظرف چند دقیقه ده‌ها تیتر مطمئن‌نما، تصویر ساختگی و پاسخ غلط بسازند. سازمان جهانی بهداشت برای انبوه اطلاعات درست و نادرست در بحران سلامت از مفهوم «همه‌گیری اطلاعاتی» استفاده می‌کند؛ اطلاعات گمراه‌کننده می‌تواند اعتماد و رفتار سلامت مردم را تحت تأثیر بگذارد. خودِ WHO نیز دربارهٔ پاسخ‌های نادرست یا گمراه‌کنندهٔ مدل‌های زبانی در موضوعات سلامت هشدار داده است.
اینجا تفاوت ملموس با شروع کرونا در سال ۲۰۲۰ است: امروز هرکس می‌تواند متن، صدا و تصویر قانع‌کننده را خیلی سریع‌تر تولید کند. این جمله به معنی آن نیست که همهٔ محتوای AI ساختگی است؛ یعنی ظاهر حرفه‌ای دیگر نشانهٔ کافیِ اعتبار نیست. برای سازندهٔ محتوا، سرعت انتشار بدون روشن کردن سطح قطعیت خبر ممکن است خودش بخشی از مسئله شود.
یک روش عملی: از AI برای پرسیدن سؤال‌های بهتر استفاده کنیم
فرض کنید تیتر «ویروس جدید طاعون در روسیه منتشر شد» را می‌بینید. پیش از بازنشر، این مسیر کوتاه را بروید:
- ادعاها را جدا کنید. آیا خبر از مرگ یک نفر می‌گوید، تشخیص طاعون، انتقال به دیگران یا یک همه‌گیری؟ این‌ها چهار ادعای متفاوت‌اند.
- منبع و تاریخ هر ادعا را پیدا کنید. بیانیهٔ نهاد بهداشتی، گزارش آزمایشگاهی و خبرگزاری معتبر وزن یکسانی با پست بی‌منبع ندارند. تاریخ انتشار و تاریخ خود رویداد را هم جدا بخوانید.
- از دستیار AI جدول شواهد بخواهید، نه حکم قطعی. متن چند منبع را به ابزار بدهید و بخواهید برای هر ادعا بنویسد «تأییدشده»، «گزارش‌شده اما تأییدنشده» یا «نامشخص»، همراه با جمله و لینک منبع. سپس هر لینک و برداشت را خودتان باز کنید و بررسی کنید.
- دانسته‌های پایه را با منبع تخصصی تطبیق دهید. در همین مثال، ادعای «ویروس طاعون» با صفحهٔ رسمی WHO دربارهٔ عامل باکتریایی طاعون سازگار نیست.
- همان میزان قطعیت را در خروجی حفظ کنید. اگر ابتلا تأیید نشده، در تیتر و تصویر هم آن را قطعی نشان ندهید.
یک درخواست ساده برای مرحلهٔ سوم می‌تواند این باشد: «فقط بر اساس متن منابعی که می‌دهم، ادعاهای این خبر را فهرست کن. برای هر ادعا منبع، تاریخ، آنچه منبع واقعاً گفته و آنچه هنوز معلوم نیست را بنویس. اگر منبع کافی نداری، حدس نزن.» اگر لینک می‌دهید، مطمئن شوید ابزار توانسته متن صفحه را بخواند؛ داشتن URL به‌تنهایی کافی نیست. برای آشنایی با تحقیق مبتنی بر منبع، راهنمای NotebookLM در کنارتیم را ببینید. ارجاع‌دادن ابزار هم جای باز کردن منبع اصلی را نمی‌گیرد.
پس اگر امروز کرونا آغاز می‌شد، چه فرقی می‌کرد؟
احتمالاً ابزارهای بیشتری برای رصد سیگنال‌ها، تحلیل داده، اولویت‌بندی پژوهش و توضیح یافته‌ها در دسترس بود. هم‌زمان تولید و پخش ادعاهای قانع‌کنندهٔ نادرست هم آسان‌تر می‌شد. نمی‌توان از وجود AI نتیجه گرفت که همه‌گیری بعدی حتماً زودتر مهار می‌شود یا درمانش فوری به دست می‌آید. چارچوب آمادگی سازمان جهانی بهداشت همچنان بر هماهنگی، پایش، مراقبت بالینی و دسترسی مردم به ابزارهای مقابله تأکید دارد.
برای مخاطب کنارتیم، درس ماجرای «طاعون روسی» همین است: AI می‌تواند سرعتِ یافتن و فهمیدن را بالا ببرد؛ مسئولیتِ تأیید و تصمیم را حذف نمی‌کند. اگر خبر بعدی را منتشر یا درباره‌اش محتوا تولید می‌کنیم، ارزش کار ما در جدا کردن «چه می‌دانیم» از «چه حدس می‌زنیم» است.