دانشمندان هوش مصنوعی وارد میدان شده‌اند

تحقیقات علمی در حال تغییر و تحول هستند و هوش مصنوعی از یک ابزار ساده به یک همکار فعال در فرایند علمی تبدیل شده است. بر اساس یک نظرسنجی، مدل‌های زبانی بزرگ (LLMs) به سرعت در حال تبدیل شدن به ابزاری ضروری برای دانشجویان دکتری هستند.

«وینود خوسلا»، یکی از سرمایه‌گذاران مشهور، در مصاحبه‌ای اخیر گفت: «در چند سال آینده، به نقطه‌ای می‌رسیم که هوش مصنوعی به‌عنوان یک دانشمند عمل می‌کند. این موضوع می‌تواند سرعت پیشرفت علمی را به طور قابل‌توجهی افزایش دهد.»

این چشم‌انداز به سرعت در حال شکل‌گیری است. محققان دانشگاه استنفورد در یک مطالعه جدید مفهوم «آزمایشگاه مجازی» را معرفی کرده‌اند؛ یک چارچوب همکاری میان انسان و هوش مصنوعی که برای تحقیقات علمی میان‌رشته‌ای طراحی شده است. در این پروژه، هدف طراحی و ارزیابی نانوبادی‌های جدید برای ویروس SARS-CoV-2 بوده است.

این سیستم از تیمی متشکل از عوامل هوش مصنوعی مدل‌های زبانی بزرگ (LLM) بهره می‌برد که هر یک در زمینه‌های مختلف تخصص دارند و به پژوهشگران انسانی در حل مشکلات علمی کمک می‌کنند.

این پلتفرم که با زبان پایتون ساخته شده است، به طور پیش‌فرض از GPT-4o به‌عنوان مدل اصلی استفاده می‌کند، اما امکان جایگزینی آسان آن با مدل‌های زبانی دیگر نیز وجود دارد. این قابلیت آن را از سایر چارچوب‌های مشابه مانند ChemCrow و CoScientist متمایز می‌کند که فقط از عوامل LLM از پیش تعریف‌شده استفاده می‌کنند.

در چنین ساختاری، عوامل هوش مصنوعی تنها به انجام محاسبات محدود نمی‌شوند. آن‌ها در بحث‌ها شرکت می‌کنند، راه‌حل‌هایی پیشنهاد می‌دهند و نتایج را به طور انتقادی ارزیابی می‌کنند. این ویژگی آن‌ها را از ابزارهای ساده در فرآیند علمی فراتر برده و به همکارانی واقعی تبدیل کرده است.

آزمایشگاه مجازی

معماری هوش مصنوعی چندعاملی که در این پژوهش معرفی شده، مانند یک تیم علمی میان‌رشته‌ای طراحی شده است. در این سیستم، نقش‌هایی مانند محقق اصلی (PI)، دانشمند و منتقد علمی برای عوامل هوش مصنوعی تعریف می‌شود. تحقیقات از طریق «جلسات گروهی» برای بحث‌های کلی و «جلسات فردی» برای انجام وظایف مشخص پیش می‌رود.

عوامل هوش مصنوعی با یکدیگر همکاری کرده و ایده‌ها را بررسی، نقد و اصلاح می‌کنند. آن‌ها از ابزارهای پیشرفته‌ای مانند AlphaFold، Rosetta و مدل‌های یادگیری ماشین برای طراحی نانوبادی‌های مؤثر علیه گونه‌های مختلف ویروس SARS-CoV-2 استفاده می‌کنند. در این میان، پژوهشگر انسانی وظیفه هماهنگی و ترکیب نتایج را بر عهده دارد و با کمک این سیستم هوشمند، روند تحقیقات پیچیده و چندرشته‌ای را ساده‌تر و سریع‌تر می‌کند.

در این سیستم، عامل «منتقد علمی» با ارزیابی دقیق و موشکافانه، به بهبود کیفیت و استحکام نتایج کمک می‌کند. همچنین، عامل «محقق اصلی» وظیفه ترکیب داده‌ها، شبیه‌سازی نقش رهبری و مدیریت دانش میان حوزه‌های مختلف را بر عهده دارد.

به گفته «کایل سوانسون»، پژوهشگر دانشگاه استنفورد و یکی از نویسندگان این مطالعه، عوامل مدل‌های زبانی در آزمایشگاه مجازی ابزارهایی بسیار کاربردی برای تولید ایده‌های پژوهشی، طراحی فرآیندهای آزمایشگاهی و کدنویسی پروژه‌های تحقیقاتی هستند. با این حال، او تأکید می‌کند که بررسی و تأیید تصمیمات گرفته‌شده توسط این عوامل همچنان بر عهده پژوهشگر انسانی است. وی افزود: «حضور انسان در چرخه این‌گونه آزمایش‌ها، حداقل در شرایط فعلی، ضروری است.»

اگرچه عوامل مدل‌های زبانی بزرگ (LLM) در تولید ایده‌های پژوهشی، طراحی فرآیندها و کدنویسی بسیار ارزشمند هستند، اما پژوهشگران باید صحت نتایج آن‌ها را بررسی کنند، زیرا این مدل‌ها ممکن است دچار خطا یا «توهم» شوند.

«کایل سوانسون» توضیح می‌دهد که استفاده از عوامل متعدد و حضور منتقد علمی می‌تواند به شناسایی اشتباهات کمک کند، اما این روش نیز بی‌نقص نیست؛ چرا که ممکن است همه عوامل یک اشتباه مشابه را تکرار کنند. او همچنین اشاره می‌کند که ارائه اطلاعات بیشتر مانند مقالات علمی مرتبط، می‌تواند توهمات مدل‌ها را کاهش دهد، اما به طور کامل آن‌ها را از بین نمی‌برد.

آینده اکتشافات علمی میان‌رشته‌ای

نقش هوش مصنوعی در علم روز به روز در حال افزایش است. مقاله‌ای اخیر از گوگل دیپ‌مایند (Google DeepMind’s) نشان می‌دهد که هوش مصنوعی با استفاده از مدل‌های زبانی بزرگ (LLMs)، سرعت اشتراک‌گذاری دانش را بالا می‌برد، به تولید و برچسب‌گذاری داده‌ها (مثل پیش‌بینی عملکرد پروتئین‌ها) کمک می‌کند و روند تحقیقات را تسریع می‌بخشد.

ابزارهایی مانند AlphaProof و AlphaGeometry2  در حل مسائل پیچیده‌ای مثل طراحی دارو و بهینه‌سازی الگوریتم‌ها کاربرد دارند. در ماه مه ۲۰۲۴، دیپ‌مایند مدل AlphaFold-3 را منتشر کرد؛ مدلی متن‌باز که با دقت ۵۰ درصد بالاتر، توانایی پیش‌بینی ساختار پروتئین‌ها را دارد.

«دیمیس هاسابیس» و «جان ام. جامپر»، دو دانشمند گوگل دیپ‌مایند، به خاطر توسعه AlphaFold2 جایزه نوبل شیمی ۲۰۲۴ را دریافت کردند. این موفقیت بار دیگر نشان‌دهنده تأثیر شگرف هوش مصنوعی در پیشرفت علم است.

مطالعه‌ای که اخیراً در دانشگاه استنفورد انجام شده، به مقاله AlphaFold2 نوشته جان ام. جامپر اشاره می‌کند تا نمونه‌ای از تحقیقات میان‌رشته‌ای را نشان دهد. این تحقیق بر این نکته تأکید دارد که تحقیقات علمی امروزی نیازمند تیم‌های بزرگ و متنوع است و طبیعت همکاری محور تحقیقات پیچیده علمی را نشان می‌دهد.

فراتر از آزمایشگاه مجازی

جالب اینجاست که ساختار آزمایشگاه مجازی می‌تواند در زمینه‌های دیگری مانند کشف دارو و علم مواد نیز استفاده شود و با تخصص‌های متنوع‌تری از عوامل هوش مصنوعی گسترش یابد. این سیستم به گونه‌ای طراحی شده که به‌راحتی می‌تواند با انواع مختلفی از کاربردهای علمی سازگار شود و و اصول اصلی آن هیچ وابستگی به یک حوزه خاص ندارد.

کایل سوانسون در این‌باره گفت: «امیدواریم با بهبود مدل‌های زبانی بزرگ (LLM)، آزمایشگاه مجازی به طور مداوم پیشرفت کند.» او اضافه کرد: «همچنین قصد داریم ابزارهای بیشتری به آن اضافه کنیم تا قابلیت‌های آن گسترش یابد.» به عنوان مثال، او پیشنهاد کرد که این سیستم بتواند از جستجوهای اینترنتی یا دسترسی به مخازن کد مانند GitHub استفاده کند تا بتواند دانش جدیدی کسب کرده و از ابزارهایی فراتر از آموزش‌های قبلی خود بهره ببرد.

آزمایش‌هایی از این دست، دسترسی به دانش ابتدایی را برای تمام افراد ممکن می‌سازد. در این پروژه، آزمایشگاه مجازی 92 کاندیدای نانوبادی را در چهار مرحله طراحی کرد که سپس به طور تجربی تایید شدند. در واقع این روند نشان می‌دهد که حتی در شرایطی با منابع محدود، می‌توان با استفاده از همکاری هوش مصنوعی نتایج مؤثر و قابل توجهی بدست آورد.