آزمایشگاه خودکار مبتنی بر هوش مصنوعی که ایده را آزمایش می کند

تصور کنید آزمایشگاهی که خودش فکر می‌کند: سوال مطرح می‌کند، آزمایش‌ها را طراحی می‌کند، به بازوهای رباتی می‌گوید چه کاری انجام دهند، نتایج را می‌خواند و سپس نظر خود را تغییر می‌دهد. هیچ انسان واحدی آن حلقه را قدم‌به‌قدم تکرار نمی‌کند. ماشین این کار را انجام می‌دهد.

محققانی در سوئد مدل‌های بزرگ زبانی، پایگاه‌های دادهٔ عظیم تجربی و بازوهای مکانیکی فیزیکی را به هم پیوسته‌اند تا سیستمی حلقه‌بسته ایجاد کنند که می‌تواند یک پژوهش علمی را از ایده تا شواهد با حداقل مداخلهٔ انسان پیش ببرد. این موضوع شبیه داستان‌های علمی تخیلی به نظر می‌رسد. رفتار آن مانند پژوهشگر جوان و خستگی‌ناپذیری است که هرگز نمی‌خوابد.

تیم پژوهشی حدود ۶۰٬۰۰۰ ارتباط ثبت‌شده بین صفات فنوتیپی، وضعیت‌های فیزیولوژیکی و نشانگرهای متابولیک در مخمر نانوایی ساکارومایسس سرویزیه به سیستم دادند. از آن شبکهٔ متراکم روابط، هوش مصنوعی نزدیک به ۲٬۰۰۰ پیش‌بینی قابل آزمایش دربارهٔ چگونگی تأثیر مواد مغذی بر رشد سلولی و مقاومت در برابر استرس تولید کرد. فرضیه‌های کوتاه و دقیق از مجموعه‌داده‌های طولانی و نامرتب بیرون آمدند.

این چرخه دقیقاً چگونه اجرا می‌شود؟ ابتدا هوش مصنوعی سوال‌های زیستی امیدوارکننده پیشنهاد می‌دهد. سپس آزمایش‌ها را طراحی کرده و آن طرح‌ها را به دستورالعمل‌های گام‌به‌گام تبدیل می‌کند که یک پلتفرم رباتی می‌تواند دنبال کند. ربات‌ها آزمون‌ها را اجرا می‌کنند. هوش مصنوعی خروجی را پردازش می‌کند، بررسی می‌کند کدام پیش‌بینی‌ها پا برجا ماندند و فرضیه‌های شکست‌خورده را برای دور بعد بازنویسی می‌کند. تکرار به جای اینکه نوبتی باشد، پیوسته می‌شود.

این پژوهشگر هوش مصنوعی صرفاً کمک نمی‌کند؛ بلکه ادعاهای علمی جدیدی تولید کرده و آنها را براساس شواهد تجربی تازه بازنگری می‌کند.

اوجنیا تیوکوا، پژوهشگر دانشگاه فناوری چالمرز و یکی از نویسندگان مطالعه، می‌گوید مجموعه‌داده بسیار بزرگ بود تا انسان‌ها بتوانند به‌طور کامل آن را بررسی کنند. به گفتهٔ او، سیستم از میان نویزها عبور کرد تا سوال‌های دارای معنی زیستی را برآورد کند، آزمایش‌هایی پیشنهاد دهد و سپس نتایج را ارزیابی کند تا گام‌به‌گام فهم خود را تصحیح کند.

راس کینگ، نویسندهٔ ارشد مقاله در دانشگاه گوتنبرگ، این پیشرفت را بخشی از تغییر گسترده‌تری به سمت خودکارسازی در فرایند کشف می‌بیند. او و همکارانش استدلال می‌کنند که پلتفرم‌های مبتنی بر هوش مصنوعی که در کنار پژوهشگران انسانی کار می‌کنند می‌توانند با کوتاه‌تر کردن زمان لازم برای پیگیری و تأیید فرضیه‌های پیچیده و استفادهٔ بهتر از منابع محدود آزمایشگاهی، پیشرفت در زیست‌شناسی، پزشکی و زیست‌فناوری را تسریع کنند.

مزایا عملی است. خطوط پردازش خودکار می‌توانند خطای انسانی را کاهش دهند، تعصب آزمایشگر را محدود کنند و پروتکل‌ها را یکنواخت‌تر سازند که باعث بهبود قابلیت بازتولید می‌شود. اما پژوهشگران با احتیاط تأکید می‌کنند که ماشین‌ها جایگزین دانشمندان نخواهند شد. قضاوت انسانی برای تعیین اولویت‌ها، تفسیر نتایج در زمینه‌های گسترده‌تر و نظارت بر مرزهای اخلاقی همچنان ضروری است.

آنچه این کار نشان می‌دهد یک رقص جدید بین سیلیکون و کنجکاوی انسانی است: ربات‌ها و مدل‌ها بار آزمایش‌های گسترده را بر دوش می‌کشند؛ انسان‌ها جهت را هدایت می‌کنند. اگر یک آزمایشگاه بتواند پس از هر آزمایش سوال‌های خود را بازنگری کند، چه انواع جدیدی از علم با این چابکی گشوده خواهد شد؟