ابزار هوش مصنوعی چندعاملی گوگل برای تسریع پژوهش علمی

هر پیشرفت علمی بزرگ با یک ایده تحول‌آفرین آغاز می‌شود. جرقه اکتشاف به توانایی یک پژوهشگر در ارتباط‌دادن حقایق پراکنده و تدوین فرضیه مناسب برای آزمایش بستگی دارد. اما در عصر بمباران اطلاعاتی و چالش‌های پیچیده، جست‌وجو برای یافتن این ایده‌های ناب که همچون سوزنی در انبار کاه هستند، به یک تنگنای مهم برای پیشرفت تبدیل شده است.

دستیار پژوهشی

DeepMind بر این باور است که هوش مصنوعی با ایفای نقش به‌عنوان یک دستیار اختصاصی در تولید و پالایش فرضیه‌های علمی پیشگامانه، می‌تواند به طور چشمگیری به تسریع روند اکتشافات کمک کند.

DeepMind جدیدترین پژوهش خود درباره ابزار پژوهشی خود به نام Co-Scientist را در نشریه Nature منتشر کرد و در آن یک سیستم هوش مصنوعی چندعاملی (multi-agent) جدید مبتنی بر Gemini را معرفی کرد که به فرضیه‌های نوآورانه‌ای را برای مسائل پیچیده علمی تولید کرده، به مباحثه گذاشته و تکامل می‌بخشد.

DeepMind سیستم Co-Scientist را از طریق ابزار «تولید فرضیه» (Hypothesis Generation) در دسترس پژوهشگران قرار می‌دهد؛ این سامانه ابزار آزمایشی جدید است که با همکاری مشترک Google DeepMind ،Google Research Google Cloud و Google Labs توسعه یافته است. روند عرضه این ابزار در هفته‌های آینده آغاز خواهد شد و پژوهشگران می‌توانند برای ثبت‌نام و ابراز تمایل خود به آدرس labs.google/science مراجعه کنند.

نحوه کار Co-Scientist؛ یک سیستم چندعاملی مبتنی بر Gemini

اکتشاف علمی به‌ندرت یک مسیر خطی است؛ بلکه چرخه‌ای از ایده‌پردازی و تولید فرضیه، نقد و پالایش است. دانشمندان اغلب تنها پس از روزها، ماه‌ها یا حتی سال‌ها دست‌وپنجه نرم کردن با یک مسئله پیچیده، به عمیق‌ترین بینش‌های خود دست می‌یابند. پرسش پژوهشی اصلی در پسِ Co-Scientist این بود که چگونه یک سیستم هوش مصنوعی می‌تواند درگیر چنین تفکر ساختاریافته و دقیقی برای اکتشافات علمی شود؟

سیستم هوش مصنوعی Co-Scientist از یک ائتلاف همکارانه متشکل از عامل‌های تخصصی مبتنی بر مدل Gemini تشکیل شده است که می‌توان آن‌ها را در سه فاز مختلف دسته‌بندی کرد:

تولید ایده‌ها:

• عامل تولید (Generation agent): حوزه‌های تمرکز اولیه و فرضیه‌های نوآورانه را بر اساس ادبیات و داده‌های علمی پیشنهاد می‌دهد.
• عامل مجاورت (Proximity agent): فرضیه‌های تولیدشده را نگاشت و خوشه‌بندی می‌کند تا از کاوش جامع و متنوع در فضای پژوهش اطمینان حاصل شود.

مباحثه ایده‌ها:

• عامل بازتاب (Reflection agent): به‌عنوان یک «همتای داور مجازی» عمل کرده و فرضیه‌ها را از نظر صحت، کیفیت و نوآوری به طور انتقادی ارزیابی می‌کند.
• عامل رتبه‌بندی (Ranking agent): یک «تورنمنت ایده‌ها» را هماهنگ می‌کند و با استفاده از مقایسه‌های زوجی و مباحثات علمی شبیه‌سازی‌شده، بهترین مسیرها و فرضیه‌ها را اولویت‌بندی می‌نماید.

تکامل ایده‌ها:

• عامل تکامل (Evolution agent): به طور پیوسته فرضیه‌های دارای بالاترین رتبه در تورنمنت را پالایش، ترکیب و بر پایه آن‌ها ایده‌پردازی می‌کند تا به بهبود مکرر کیفیت آن‌ها کمک کند.
• عامل فرابررسی (Meta-review agent): بینش‌های به‌دست‌آمده از مباحثات و تورنمنت ایده‌ها را ترکیب کرده تا سیستم را به طور مداوم بهینه‌سازی کند و پروپوزال پژوهشی نهایی را برای بررسی توسط دانشمند تولید کند.

هماهنگ‌سازی این ائتلافِ عامل‌ها بر عهده یک «عامل ناظر» (supervisor agent) است که به‌عنوان یک برنامه‌ریز تطبیقی عمل می‌کند. برخلاف مدل‌های هوش مصنوعی که به‌صورت خطی فکر می‌کنند، این برنامه‌ریزِ آزاد، اهداف پژوهشی سطح بالا را به مراحل قابل‌اجرا تجزیه کرده و عامل‌ها را برای اجرای موازی و کاوش هم‌زمان در مسیرهای متعدد هماهنگ می‌کند.

ایده‌های تولیدشده به طور مکرر پالایش شده، مورد نقد قرار می‌گیرند و به فرضیه‌های جدیدی تکامل می‌یابند که یک چرخه مطلوب از استدلال علمی و تولید فرضیه را شکل می‌دهند.

تورنمنت ایده‌ها: سیستم چگونه فرضیه‌ها را تأیید، پالایش و رتبه‌بندی می‌کند

سیستم Co-Scientist می‌تواند هزاران مسیر پژوهشی را کاوش کند. برای کمک به یافتن تأثیرگذارترین موارد، گوگل «تورنمنت ایده‌ها» (tournament of ideas) را توسعه داده است. این رویکرد از اصول به‌کاررفته در آلفاگو (AlphaGo ) و آلفااستار (AlphaStar ) الهام گرفته است؛ اما در اینجا به‌جای انجام بازی، عامل‌های هوش مصنوعی برای تولید، پالایش و رتبه‌بندی ایده‌ها به مباحثات علمی می‌پردازند.

به‌منظور پیشبرد مرزهای نوآوری و درعین‌حال اطمینان از استحکام و آزمایش‌پذیری فرضیه‌ها، بخش عمده‌ای از توان محاسباتی سیستم به تأیید (verifying) این فرضیه‌ها اختصاص یافته است. با بررسی متقاطع و عمیق ادعاها در برابر ادبیات و داده‌های علمی، سیستم تضمین می‌کند که ادعاها مستدل، از نظر واقعی دقیق و از نظر منطقی منسجم باقی بمانند. در حال حاضر، این سیستم جستجوی وب و پایگاه‌های داده تخصصی مانند ChEMBL و UniProt را یکپارچه می‌کند تا دانش اضافی را در خود جای دهد. همچنین می‌تواند از مدل‌های تخصصی پیشرفته مانند آلفافولد (AlphaFold) به‌عنوان ابزار استفاده کند.

ترکیب این قابلیت‌ها، Co-Scientist را به یکی از اولین نمونه‌های یک سیستم چندعاملی قابل‌اعتماد برای تفکر ساختاریافته علمی تبدیل می‌کند که آن را قادر می‌سازد تا نتایج ملموسی را در تولید فرضیه‌های نوآورانه برای مسائل پیچیده علمی ارائه دهد.

تورنمنت ایده‌ها به‌صورت مکرر فرضیه‌ها را از طریق یک تورنمنت مبتنی بر سیستم امتیازدهی Elo رتبه‌بندی می‌کند و ه‌مزمان دانش تازه‌ای را برای گسترش کاوش خود در فضای فرضیه‌ها تزریق می‌کند.

توسعه ابزارهای مبتنی بر عامل با همراهی جامعه علمی

سیستم Co-Scientist با همکاری پژوهشگرانی از بیش از ۱۰۰ مؤسسه توسعه یافته است تا قابلیت‌های آن آزمایش شده و اطمینان حاصل شود که ابزاری باکیفیت و مفید برای جامعه علمی است.

به‌عنوان بخشی از رویکرد هوش مصنوعی مسئولانه، Co-Scientist تحت ارزیابی‌های ایمنی گسترده داخلی و خارجی قرار گرفت. باتوجه‌به مهارت اثبات‌شده Co-Scientist در علوم زیستی و فیزیکی، گوگل همچنین ارزیابی‌های مستقلی را برای بررسی سوءاستفاده‌های احتمالی در حوزه‌های شیمیایی، بیولوژیکی، رادیولوژیکی و هسته‌ای (CBRN) انجام داد. بر اساس این یافته‌ها، گوگل طبقه‌بندی‌کننده‌های ایمنی سفارشی را توسعه داد تا اهداف پژوهشی غیراخلاقی را شناسایی کرده و از نمایش اطلاعات ناامن جلوگیری کند.