محاسبات علمی در عصر هوش مصنوعی عامل‌محور

محاسبات علمی یکی از ارکان اصلی پژوهش‌های مدرن در دانشگاه‌ها و صنعت به شمار می‌رود. بااین‌حال، نرم‌افزارهایی که برای تحلیل داده‌های علمی مورداستفاده قرار می‌گیرند، نتوانسته‌اند همگام با سرعت چشمگیر تولید داده پیشرفت کنند.

سرعت پایین توسعه ابزارهای علمی

بسیاری از ابزارهای پژوهشی پرکاربرد، در ابتدا صرفاً به‌عنوان کدی همراه با یک مقاله علمی توسعه یافته‌اند؛ کدی که توسط گروه‌های کوچک دانشگاهی، با تجربه محدود در مهندسی نرم‌افزار و فرصت اندک برای بسته‌بندی، آزمون، بهینه‌سازی یا پشتیبانی بلندمدت نوشته شده است. نتیجه این روند، شکل‌گیری زیرساخت‌های علمی‌ای است که اغلب بر جریان‌های کاری کند و شکننده متکی هستند و به نگهداری مداوم نیاز دارند. چنین محدودیت‌هایی، سرعت پیشرفت اکتشافات علمی را کاهش می‌دهد.

عامل‌های پرسرعت

عامل‌های هوش مصنوعی اکنون در حال تغییر این معادله هستند. این عامل‌ها با کاهش هزینه‌های فعالیت‌های مهندسی و بر عهده گرفتن وظایف تکراری و زمان‌بر پیاده‌سازی، به پژوهشگران کمک می‌کنند ایده‌های خود را سریع‌تر نمونه‌سازی کنند، پروژه‌هایی را دنبال کنند که پیش‌تر از نظر عملی امکان‌پذیر نبودند و نگهداری نرم‌افزارها را در بلندمدت آسان‌تر انجام دهند. در نتیجه، نرم‌افزارهای علمی کارآمدتر و پایدارتر می‌شوند و پژوهشگران می‌توانند زمان بیشتری را به انجام تحقیقات و کشف‌های علمی اختصاص دهند.

گزارش میدانی جدید OpenAI، هشت پروژه محاسبات علمی مبتنی بر عامل‌های هوش مصنوعی را معرفی می‌کند که عمدتاً در حوزه علوم زیستی اجرا شده‌اند؛ پنج پروژه صرفاً با استفاده از Codex و سه پروژه با ترکیبی از Codex و Claude Code. این گزارش، مطالعات موردی تهیه‌شده توسط تیم‌های توسعه‌دهنده هر پروژه را گردآوری کرده و الگوهای مشترک میان آن‌ها را استخراج می‌کند. دامنه این پروژه‌ها از نگهداری‌های معمول و بهینه‌سازی‌های هدفمند تا مهاجرت‌های گسترده میان زبان‌های برنامه‌نویسی و بازطراحی‌های مبتنی بر پردازنده‌های گرافیکی (GPU) را در بر می‌گیرد. مشارکت‌کنندگان گزارش می‌کنند که عامل‌های هوش مصنوعی، توسعه و نگهداری نرم‌افزار را به طور قابل‌توجهی تسریع کرده‌اند و در برخی موارد به تیم‌های کوچک امکان داده‌اند کارهایی را انجام دهند که در غیر این صورت به زمان بسیار بیشتر یا پشتیبانی تخصصی مهندسی نیاز داشت. بااین‌حال، آن‌ها همچنین بر چالش همیشگی تعیین مسئولیت روشن و سرپرستی بلندمدت ابزارهای تولیدشده تأکید می‌کنند.

مشارکت‌کنندگان پیوسته از تغییر در نقش پژوهشگران سخن می‌گویند؛ تغییری که طی آن تمرکز از پیاده‌سازی به اعتبارسنجی و هماهنگ‌سازی منتقل شده است. در این الگوی نوظهور، پژوهشگران مشخص می‌کنند چه چیزی باید ساخته شود، معیارهای صحت‌سنجی را تعریف می‌کنند و تصمیم می‌گیرند چه زمانی یک پروژه آماده انتشار است. در چنین مدلی، کنترل مسیر علمی و استانداردهای کیفی همچنان در اختیار پژوهشگران باقی می‌ماند، اما عامل‌های هوش مصنوعی سرعت اجرای کار را به طور چشمگیری افزایش می‌دهند.

مطالعات موردی

cyvcf2

نوسازی یکی از پرکاربردترین کتابخانه‌های پردازش داده‌های ژنومی: cyvcf2 یک کتابخانه پایتون برای خواندن و نوشتن فایل‌های واریانت ژنومی است. GPT-5.5 سامانه قدیمی ساخت و بسته‌بندی این کتابخانه را با یک فرایند مدرن و یکپارچه جایگزین کرد تا نصب، آزمون و انتشار آن آسان‌تر شود.
«با عامل‌های کدنویس، پیش رفتن با سرعت بالا واقعاً آسان شده است؛ اما دست‌کم در شرایط فعلی، برای پیشرفت واقعی در علم همچنان به هدایت متخصصان، درک عمیق، قضاوت حرفه‌ای و دقت نیاز داریم.» – «برنت پدرسن» (Brent Pedersen)

hifiasm

کاهش ۱۵ درصدی زمان اجرای یک ابزار مونتاژ ژنوم: hifiasm ابزاری برای مونتاژ ژنوم بر پایه داده‌های PacBio HiFi است؛ داده‌هایی که شامل توالی‌های بلند و بسیار دقیق DNA هستند. GPT-5.5 چندین راهکار برای افزایش سرعت این نرم‌افزار پیشنهاد داد، آن‌ها را پیاده‌سازی و آزمایش کرد. بهترین تغییرات، زمان اجرای نرم‌افزار را در سناریوی هدف بهینه‌سازی ۲۵ درصد و در مجموعه‌ای مستقل از داده‌های توالی‌یابی ژنوم انسان حدود ۱۵ درصد کاهش داد.
«فرایند کار با GPT-5.5 به طرز شگفت‌آوری ساده بود. فقط مسئله بهینه‌سازی و چارچوب ارزیابی خود را توضیح دادم؛ سپس عامل‌ها به‌صورت خودکار تمام زیرساخت‌های لازم را ایجاد کردند؛ کد منبع هدف را دانلود کردند، مجموعه‌داده‌های معیار را ساختند یا دریافت کردند، چارچوب ارزیابی را راه‌اندازی کردند و در ادامه، خودشان راهکارهای مختلف را پیشنهاد دادند، پیاده‌سازی کردند و مورد ارزیابی قرار دادند. احساس می‌کردم انجام چنین کاری تنها چند ماه پیش، به تلاش بسیار بیشتری از طرف من نیاز داشت. البته نقش انسان در ارائه زمینه مناسب به مدل کاملاً حیاتی بود؛ از جمله ارائه نتایج پروفایل‌گیری یا دسترسی به ابزارهای آن و همچنین دادن دستورالعمل‌های مشخص برای جلوگیری از تکرار خطاهای قبلی در پرامپت‌های مدل.» – «سویاش شرینگارپور» (Suyash Shringarpure)

HelixForge

توسعه ابزاری سریع‌تر و دقیق‌تر برای شبیه‌سازی جهش‌های ژنتیکی: HelixForge یک بازنویسی مبتنی بر GPU ابزار BAMSurgeon است؛ ابزاری که جهش‌های مشخص را به داده‌های واقعی توالی‌یابی وارد می‌کند. در یک آزمون معیار مبتنی بر داده‌های واقعی ژنوم انسان، HelixForge زمان اجرا را حدود ۶۰ برابر کاهش داد، فراوانی جهش‌های ایجادشده را به مقادیر هدف نزدیک‌تر کرد و چندین خطای مولد مصنوعات (Artifacts) را برطرف کرد.
«کدنویسی عامل‌محور به ما کمک کرد تا یک فرایند کند و وابسته به CPU برای تولید ژنوم‌های مصنوعی را با معماری قدرتمند مبتنی بر CUDA جایگزین کنیم؛ معماری‌ای که در آزمون‌های همسان، حدود ۶۰ برابر سریع‌تر و کارآمدتر است. تجربه ما نشان داد که عامل‌های هوش مصنوعی می‌توانند پیاده‌سازی و تکرارهای توسعه را سرعت ببخشند، اما تعیین صحت زیست‌شناختی، اولویت‌بندی‌ها و اعتبارسنجی نتایج همچنان تا حد زیادی به قضاوت علمی انسان وابسته است.» – محمد آهنگری، وارون گویال و حسن مسعودی

الگوهای مشترک

با وجود تفاوت گسترده پروژه‌ها از نظر دامنه و اهداف، همگی نشان می‌دهند که عامل‌های کدنویسی، وابستگی محاسبات علمی به نیروی انسانی متخصص و تلاش‌های مهندسی را کاهش داده‌اند. اکنون گلوگاه اصلی، اعتبارسنجی خروجی عامل‌های هوش مصنوعی است؛ کاری که همچنان به قضاوت انسان وابسته است.

در تمام مطالعات موردی، عامل‌ها در انجام درخواست‌های مشخص و دارای دامنه محدود عملکرد مطلوبی داشتند، اما نتوانستند با اطمینان تشخیص دهند که آیا خروجی آن‌ها از نظر علمی معتبر است یا انتظارات را برآورده می‌کند. حتی در مواردی که خروجی آن‌ها حاوی خطاهای آشکار بود، عامل‌ها اغلب با اطمینان از درستی نتایج خود دفاع می‌کردند. ازاین‌رو، ارزیابان انسانی ناچار بودند روش‌های قابل‌اعتمادی برای اعتبارسنجی نتایج طراحی کنند. موفق‌ترین رویکردها بر استفاده از یک مرجع بیرونی یا معیارهای پذیرش قابل‌اندازه‌گیری متکی بودند؛ مانند تطابق کامل خروجی‌ها، هم‌ارزی با ابزارهای موجود، رفتار آماری صحیح یا پاسخ‌هایی که از پیش با استفاده از داده‌های شبیه‌سازی‌شده تعیین شده بودند.

موضوع مشترک دیگر این بود که تقریباً همه پروژه‌ها به‌جای آنکه در یک مرحله و با یک راهکار نهایی پیش بروند، طی چندین مرحله و بر اساس چرخه‌های تکرارشونده مبتنی بر بازخورد توسعه یافتند. مشارکت‌کنندگان اهداف بزرگ را به مجموعه‌ای از تغییرات کوچک‌تر تقسیم کردند و سپس با استفاده از آزمون‌های معیار میانی و سامانه‌های آزمایشی، خروجی عامل‌ها را ارزیابی و اصلاح کردند. عامل‌ها معمولاً نسخه اولیه را با سرعت تولید می‌کردند، اما رفع موارد مرزی و اختلاف‌های ظریف عددی زمان بسیار بیشتری می‌برد. در عمل، تکمیل «آخرین مرحله» پیاده‌سازی، بیشترین حجم کار را به خود اختصاص می‌داد.

در مجموع، این مطالعات موردی نشان می‌دهند که عامل‌های هوش مصنوعی به پژوهشگران امکان می‌دهند زمان کمتری را صرف پیاده‌سازی و زمان بیشتری را صرف هدایت فعالیت‌های علمی کنند. انسان‌ها اهداف را تعیین می‌کنند، پروژه‌های پیچیده را به بخش‌های قابل‌مدیریت تقسیم می‌کنند و درباره اعتبار علمی نتایج قضاوت می‌کنند. عامل‌ها نیز با کاهش محدودیت‌های دیرینه مهندسی، دامنه پروژه‌هایی را که پژوهشگران می‌توانند اجرا کنند گسترش می‌دهند و به آن‌ها اجازه می‌دهند بر مهم‌ترین پرسش‌ها و تصمیم‌های علمی تمرکز کنند.

مدیریت و نگهداری بلندمدت همچنان ضروری است

شکاف موجود در نگهداری نرم‌افزارهای پژوهشی سال‌هاست که سرعت تکرارپذیری توسعه، قابلیت بازتولید نتایج و قابلیت اعتماد این نرم‌افزارها را کاهش داده است. مطالعات منتشرشده درباره research code و ابزارهای اُمیکس (Omics) نشان داده‌اند که نرم‌افزارهای منتشرشده اغلب در یک محیط محاسباتی تازه به‌درستی نصب نمی‌شوند یا مطابق مستندات اجرا نمی‌شوند؛ موضوعی که پژوهشگران را ناچار می‌کند زمان قابل‌توجهی را صرف پیکربندی و رفع اشکال کنند. حتی بهبودهای ساده نیز می‌توانند زمان پژوهشگران را کاهش دهند و هزینه‌های محاسباتی را کم کنند، درحالی‌که بازآرایی (Refactoring) یا بازنویسی‌های مبتنی بر بهبود عملکرد، دستاوردهای بسیار بزرگ‌تری به همراه دارند.

اما کاهش هزینه‌های پیاده‌سازی، تولید نسخه‌های بازنویسی‌شده متعدد و مشابه را نیز آسان‌تر می‌کند؛ موضوعی که جامعه کاربران را پراکنده می‌سازد و توجه کارشناسان لازم برای حفظ قابلیت اعتماد هر ابزار را میان پروژه‌های مختلف تقسیم می‌کند. به همین دلیل، سرپرستی بلندمدت و انتساب روشن مالکیت و مسئولیت اهمیت اساسی پیدا می‌کنند. نرم‌افزارهای علمی بالغ، حامل مجموعه‌ای از قراردادهای نانوشته، الزامات سازگاری و اعتماد کاربران هستند که صرفاً با ترجمه یا بازنویسی کد منبع قابل بازتولید نیست.

مطالعات موردی، چند مسیر ممکن برای آینده را نیز نشان می‌دهند. تغییرات اعمال‌شده در پروژه‌های MHCflurry و cyvcf2 در مخزن اصلی همان پروژه‌ها ادغام شدند، درحالی‌که پروژه rustar-aligner پس از رهاشدن توسط توسعه‌دهندگان اولیه، تحت سرپرستی جامعه کاربری قرار گرفت. هر جا امکان هماهنگی با نگهدارندگان اصلی پروژه وجود داشته باشد، این تعامل باید از همان مراحل ابتدایی آغاز شود. اگر توسعه یک پیاده‌سازی مستقل ضروری باشد، آن پروژه باید مالک مشخص و برنامه‌ای معتبر برای نگهداری بلندمدت داشته باشد. در غیر این صورت، بازنویسی مدرن امروز می‌تواند به کدی رهاشده در آینده تبدیل شود، نه به زیرساختی علمی و قابل‌اعتماد.

به‌سوی نرم‌افزارهای علمی پایدارتر

این گزارش میدانی ماهیتی گذشته‌نگر و اکتشافی دارد، اما مطالعات موردی آن از یک تغییر عملی در شیوه توسعه نرم‌افزارهای علمی حکایت می‌کنند. عامل‌های کدنویس مانند Codex می‌توانند هزینه نگهداری، مهاجرت، بهینه‌سازی و توسعه پیاده‌سازی‌های جدید را به طور چشمگیری کاهش دهند. بااین‌حال، ارزش علمی بلندمدت این ابزارها همچنان به تصمیم‌های انسانی درباره اینکه چه چیزی باید ساخته شود، چگونه باید اعتبارسنجی شود و چه کسی مسئول نگهداری آن خواهد بود وابسته است. تغییر بنیادین تنها در این نیست که پژوهشگران اکنون می‌توانند نرم‌افزار بیشتری تولید کنند، بلکه در این است که بخش بزرگ‌تری از توان خود را صرف تعریف، اعتبارسنجی و سرپرستی ابزارهای علمی می‌کنند.

این مطالعات موردی نشان می‌دهند که عامل‌های هوش مصنوعی هم‌اکنون نیز می‌توانند سرعت تکرار و توسعه در محاسبات علمی را به طور قابل‌توجهی افزایش دهند. با پیشرفت بیشتر عامل‌های کدنویس، پژوهشگران زمان کمتری را صرف حفظ و نگهداری خطوط لوله تحلیل داده خواهند کرد و زمان بیشتری را به پیشبرد مرزهای دانش در حوزه تخصصی خود اختصاص خواهند داد.