توضیح: چگونه سیستم‌های هوش مصنوعی «عاملیت‌محور» کشف علمی و کارهای آزمایشگاهی را خودکار می‌کنند

برای دهه‌ها، شوخی رایج در تحقیقات هوش مصنوعی این بود که دانشمندان در نهایت مدلی خواهند ساخت که بتواند مقالات تحقیقاتی خودشان را بنویسد. در سال ۲۰۲۶، این شوخی به آرامی به واقعیت تبدیل شده است. در سراسر جهان، رده جدیدی از سیستم‌های هوش مصنوعی «عاملیت‌محور» فراتر از صرفاً پاسخ دادن به سؤالات یا تولید قطعه کد عمل می‌کنند. این سیستم‌ها اکنون به طور خودمختار آزمایش‌ها را طراحی می‌کنند، شبیه‌سازی‌های پیچیده را اجرا می‌کنند و حتی آزمایشگاه‌های تر رباتیک را به کار می‌اندازند. این نشان‌دهنده یک تغییر عمیق در نحوه انجام کشف علمی است و هوش مصنوعی را از یک ابزار محاسباتی منفعل به یک همکار تحقیقاتی فعال و مستقل تبدیل می‌کند.[7]

تفاوت اصلی بین یک مدل زبان بزرگ استاندارد و یک «عامل» (Agent) هوش مصنوعی در خودمختاری و حلقه‌های بازخورد است. مدل‌های سنتی نیاز دارند که انسان در هر مرحله به آن‌ها دستور دهد. در مقابل، به سیستم‌های عاملیت‌محور یک هدف سطح بالا داده می‌شود—مانند «ترکیبی را پیدا کن که به این پروتئین بیماری کبد متصل شود»—و آن‌ها به مجموعه‌ای از ابزارهای دیجیتال برای دستیابی به آن مجهز هستند. آن‌ها می‌توانند ادبیات علمی موجود را جستجو کنند، فرضیه‌ای جدید تدوین کنند، کد پایتون را برای آزمایش آن فرضیه بنویسند و داده‌های حاصل را تحلیل کنند. اگر آزمایشی شکست بخورد، عامل، گزارش‌های خطا را می‌خواند، رویکرد خود را تنظیم می‌کند و بدون دخالت انسان دوباره تلاش می‌کند.[2][6]

چشمگیرترین نمایش این خودمختاری سرتاسری از شرکت «ساکانا ای‌آی» (Sakana AI) مستقر در توکیو می‌آید که اخیراً سیستمی را با نام مناسب «دانشمند هوش مصنوعی» معرفی کرده است. این چارچوب که با همکاری محققان آکسفورد و دانشگاه بریتیش کلمبیا توسعه یافته، کل چرخه عمر تحقیقات یادگیری ماشین را خودکار می‌کند. با دادن یک جهت‌گیری کلی و یک پایگاه کد اولیه، سیستم ایده‌پردازی می‌کند، کدنویسی‌ها و آزمایش‌های لازم را اجرا می‌کند، نتایج را بصری‌سازی می‌کند و یک دست‌نوشته علمی کامل می‌نویسد.[1]

نکته قابل توجه این است که ساکانا ای‌آی گزارش می‌دهد که هزینه محاسباتی تولید یک مقاله تحقیقاتی کامل از طریق این خط لوله خودکار، تقریباً ۱۵ دلار است. این سیستم حتی شامل یک ماژول داوری همتا (Peer-review) خودکار است که مقالات تولید شده توسط خودش را با دقتی نزدیک به انسان نقد می‌کند و به آن اجازه می‌دهد تا یافته‌های خود را قبل از نهایی کردن دست‌نوشته، به صورت تکراری بهبود بخشد. اگرچه تمرکز کنونی آن بر علوم کامپیوتر و یادگیری ماشین است، اما معماری زیربنایی ثابت می‌کند که یک هوش مصنوعی می‌تواند با موفقیت مسیر تکراری و نامحدود روش علمی را طی کند.[1]

اما جاه‌طلبی هوش مصنوعی عاملیت‌محور بسیار فراتر از نوشتن کد و انتشار مقاله است؛ این فناوری فعالانه در حال ورود به دنیای فیزیکی زیست‌شناسی و شیمی است. در دانشگاه استنفورد، محققان از عاملی به نام «بایومنی» (Biomni) استفاده می‌کنند که صدها پایگاه داده تخصصی و بسته‌های نرم‌افزاری را در یک محیط یکپارچه ادغام می‌کند. دانشمندان استنفورد می‌توانند به این عامل دستور دهند که یک آزمایشگاه تر را طراحی کند یا داده‌های زیست‌پزشکی را بررسی کند، و مدل به طور خودمختار حجم کار پیچیده مورد نیاز برای تولید فرضیه‌های بیولوژیکی جدید را اجرا می‌کند.[4]

این ادغام هوش مصنوعی و کار آزمایشگاهی فیزیکی به سرعت در حال تجاری‌سازی است. شرکت «اینسیلیکو مدیسین» (Insilico Medicine) اخیراً «لب‌کلاو» (LabClaw) را راه‌اندازی کرده است، یک سیستم عامل آزمایشگاهی هوشمند که شکاف بین پیش‌بینی محاسباتی و اجرای فیزیکی را پر می‌کند. «لب‌کلاو» که به عنوان یک معماری «عامل-نگهبان» توصیف می‌شود، از پنج عامل هوش مصنوعی همکار و ۲۸ ماژول مهارت تخصصی برای مدیریت یک حلقه سرتاسری کشف دارو استفاده می‌کند.[3]

به جای اینکه یک دانشمند انسانی به صورت دستی نمونه‌ها را پیپت کند یا برنامه‌ریزی تجهیزات را هماهنگ سازد، لب‌کلاو به طور خودمختار مدیریت انتخاب هدف، آماده‌سازی معرف‌ها و تجزیه و تحلیل داده‌ها را بر عهده می‌گیرد. این سیستم یک نقطه بازرسی «انسان در حلقه» را در مقاطع حیاتی برای تضمین ایمنی و انطباق در نظر می‌گیرد، اما بخش عمده‌ای از هماهنگی‌های خسته‌کننده توسط ماشین انجام می‌شود. با به دست گرفتن این عملیات استاندارد شده، هوش مصنوعی محققان انسانی را آزاد می‌کند تا تمام تمرکز خود را بر قضاوت علمی سطح بالا و حل خلاقانه مسائل بگذارند.[3]

تأثیر این سیستم‌ها بر سرعت تحقیقات حیرت‌آور است. در استقرار اولیه سیستم‌های عاملیت‌محور مشابه، تیم‌های تحقیقاتی گزارش داده‌اند که زمان مورد نیاز برای برخی مراحل کشف دارو را تا ۲۰۰ برابر در مقایسه با دانشمندان انسانی که به تنهایی کار می‌کنند، کاهش داده‌اند. به عنوان مثال، «همکار-دانشمند» (Co-Scientist) شرکت دیپ‌مایند (DeepMind) توانست داروهای موجودی را که می‌توانند برای نوع خاصی از سرطان خون (لوسمی) تغییر کاربری دهند، ظرف چند ساعت شناسایی کند؛ فرآیندی که به طور سنتی ماه‌ها بررسی دستی ادبیات علمی و ارجاع متقابل زمان می‌برد.[6]

برای حمایت از این اکوسیستم، ارائه‌دهندگان زیرساخت‌های اصلی در حال ساخت ابزارهای بنیادی مورد نیاز برای زیست‌شناسی عاملیت‌محور هستند. جعبه ابزار «بایو‌نیمو» (BioNeMo) انویدیا (NVIDIA) اکنون به توسعه‌دهندگان اجازه می‌دهد تا عوامل هوش مصنوعی عمومی را در عرض چند دقیقه به دستیاران تخصصی علوم زیستی تبدیل کنند. بایو‌نیمو با فراهم کردن دسترسی به کتابخانه‌های زیست‌مولکولی و مدل‌های باز مربوط به یک دهه، این عوامل را به توانایی پیش‌بینی ساختارهای پروتئینی، اجرای شبیه‌سازی‌های شیمی مولد و انجام تحلیل‌های ژنومی با سرعت یک ابررایانه مجهز می‌کند.[5]

فراتر از زیست‌شناسی، هوش مصنوعی عاملیت‌محور در حال مقابله با قوانین بنیادی فیزیک و چالش‌های امنیت ملی است. در آزمایشگاه ملی لوس آلاموس (Los Alamos National Laboratory)، دانشمندان «عامل تحقیقاتی و علمی جهانی» یا «اورسا» (URSA) را توسعه داده‌اند. اورسا که برای فعالیت در حوزه‌های بسیار پیچیده مانند هیدرودینامیک تشعشعی طراحی شده است، به عنوان تیمی از عوامل تخصصی عمل می‌کند که ایده‌پردازی فرضیه‌ها و اجرای شبیه‌سازی‌های پیچیده را انجام می‌دهند.[2]

آنچه اورسا را منحصر به فرد می‌کند، ریشه‌دار بودن آن در واقعیت فیزیکی است. این سیستم به جای صرفاً تولید متن، با استفاده از معادلات ریاضی، مدل‌های فیزیکی و داده‌های تجربی دنیای واقعی استدلال می‌کند. این امر به هوش مصنوعی اجازه می‌دهد تا فضاهای طراحی عظیم را پیمایش کند و راه‌حل‌های بهینه برای انرژی همجوشی یا علم مواد را بسیار سریع‌تر از گردش کارهای خطی سنتی پیدا کند. اورسا با تنظیم استراتژی‌های خود بر اساس نتایج شبیه‌سازی‌های میانی، عدم قطعیت ذاتی تحقیقات پیشرفته فیزیک را مدیریت می‌کند.[2]

با وجود این پیشرفت‌های خیره‌کننده، این فناوری بدون محدودیت‌ها و خطرات قابل توجه نیست. دانشمندان هوش مصنوعی کنونی فاقد شهود فیزیکی و «بینش» هستند؛ آن‌ها نمی‌توانند به راحتی تشخیص دهند که آیا یک نمودار داده تولید شده از نظر بصری ناخوانا است یا اینکه یک تنظیمات آزمایشگاهی فیزیکی اساساً دارای نقص است. علاوه بر این، این مدل‌ها همچنان می‌توانند دچار توهم (Hallucinate) شوند و گهگاه خطاهای ریاضی ساده مرتکب شوند یا نتایج کد خود را به اشتباه تفسیر کنند.[7]

همچنین نگرانی‌های عمیقی در مورد ایمنی مرتبط با رفتارهای نوظهور وجود دارد. هرچه عوامل هوش مصنوعی خودمختاری بیشتری برای نوشتن کد، اجرای آزمایش‌ها و بهینه‌سازی توابع هدف خود پیدا کنند، خطر پیامدهای ناخواسته افزایش می‌یابد. اگر به عاملی وظیفه داده شود که یک ترکیب شیمیایی جدید پیدا کند، باید به شدت محدود شود تا اطمینان حاصل شود که در پیگیری بهینه‌سازی، ناخواسته یک ماده سمی یا خطرناک طراحی نمی‌کند.[1][7]

برای کاهش این خطرات، اجماع کنونی در سراسر صنعت این است که عوامل هوش مصنوعی به جای جایگزین‌های کاملاً خودمختار، به عنوان «کمک‌خلبان» (Co-pilots) در نظر گرفته شوند. نقش دانشمند انسانی در حال تحول از یک تکنسین آزمایشگاهی عملی به یک مدیر خلاق است. انسان‌ها مرزهای اخلاقی را تعیین می‌کنند، اهداف کلی تحقیق را تعریف می‌کنند و شهود حیاتی دنیای واقعی را که ماشین‌ها هنوز فاقد آن هستند، فراهم می‌کنند.[3][6][7]

با ادامه گسترش این سیستم‌های عاملیت‌محور، آن‌ها نوید می‌دهند که دسترسی به قابلیت‌های علمی سطح بالا را دموکراتیزه کنند. یک استارتاپ کوچک بیوتکنولوژی یا یک آزمایشگاه دانشگاهی مستقل مجهز به یک دانشمند هوش مصنوعی می‌تواند به زودی خروجی تحقیقاتی یک شرکت بزرگ دارویی را داشته باشد. با خودکارسازی پرزحمت‌ترین جنبه‌های روش علمی، بشریت آماده است تا درک خود را از همه چیز، از بیماری‌های مزمن گرفته تا ماهیت بنیادی جهان، تسریع بخشد.[4][5]