ماموریت زیستی هوش‌ مصنوعی

ماموریت زیستی هوش‌ مصنوعی

در جهانی که هوش مصنوعی هر روز مرزهای تازه‌ای را درمی‌نوردد، یک گام بلند دیگر در همگرایی علم و ماشین برداشته شده است: دانشمندانی که وجود خارجی ندارند اما می‌توانند نظریه‌پردازی کنند، داده تحلیل کنند و حتی راه‌حل‌های خلاقانه‌تری نسبت به انسان‌ها ارائه دهند.
کد خبر: ۱۵۱۲۵۰۴
نویسنده آیسا اسدی - روزنامه‌نگار
 
پژوهشگران دانشگاه استنفورد موفق به توسعه یک سیستم نوآورانه مبتنی بر هوش مصنوعی شده‌اند که می‌تواند نقش یک تیم پژوهشی زیستی را به ‌صورت کامل شبیه‌سازی کند. این پروژه که توسط جیمز زو، استاد علوم داده‌های زیست‌پزشکی هدایت شده، با طراحی «دانشمندان مجازی» راهی تازه برای پیشبرد پژوهش‌های پیچیده زیستی گشوده است.
اهمیت و ارزش این نوآوری به حدی است که مجله Nature نسخه‌ ویرایش‌نشده این مقاله را در تاریخ ۲۹ ژوئیه (هفتم مرداد) منتشر کرد تا دسترسی اولیه و سریع‌تر به یافته‌های آن فراهم شود. این مجله همچنین اعلام کرد که پیش از انتشار نهایی، این مقاله ویرایش‌های بیشتری خواهد شد و ممکن است خطاهای احتمالی وجود داشته باشد که بر محتوا تاثیر بگذارد.
 
نیازی که تقاضا را شکل داد
علم اغلب از همکاری تیم‌های بین‌رشته‌ای پژوهشگران بهره می‌برد اما بسیاری از دانشمندان به‌‌راحتی به متخصصان حوزه‌های مختلف دسترسی ندارند. اگرچه مدل‌های زبانی بزرگ (LLMها) توانایی چشمگیری در کمک به پژوهشگران در زمینه‌های گوناگون نشان داده‌اند اما کاربرد آنها عمدتا به پاسخگویی به پرسش‌های علمی خاص محدود بوده و کمتر در پژوهش‌های باز و اکتشافی استفاده شده‌اند.
جیمز زو، دانشیار علوم داده‌های زیست‌پزشکی که رهبری مطالعه‌ای را در مورد جزئیات توسعه آزمایشگاه مجازی بر عهده داشت، گفت: «علم خوب زمانی اتفاق می‌افتد که ما همکاری‌های عمیق و بین‌رشته‌ای داشته باشیم که در آن افراد با پیشینه‌های مختلف با هم همکاری کنند و اغلب این یکی از تنگناهای اصلی و بخش‌های چالش‌برانگیز پژوهش‌هاست. 
به موازات آن، ما شاهد این پیشرفت فوق‌العاده در عوامل هوش مصنوعی بوده‌ایم که به طور خلاصه، سیستم‌های هوش مصنوعی مبتنی بر مدل‌های زبانی‌اند که قادر به انجام اقدامات پیشگیرانه‌تر هستند.» 
مردم اغلب مدل‌های زبانی بزرگ (نوع هوش مصنوعی مورد استفاده در این مطالعه) را به عنوان ربات‌های پرسش و پاسخ ساده در نظر می‌گیرند. زو گفت: «اما اینها (LLMها) سیستم‌هایی هستند که می‌توانند داده‌ها را بازیابی کنند، از ابزارهای مختلف استفاده کنند و از طریق زبان انسانی با یکدیگر و با ما ارتباط برقرار کنند.» (همکاری نشان داده‌شده از طریق این مدل‌های هوش مصنوعی نمونه‌ای از هوش مصنوعی عامل یا عاملیت است؛ ساختاری از سیستم‌های هوش مصنوعی که برای حل مشکلات پیچیده با هم کار می‌کنند.)
 
چگونگی همکاری گروهی هوش‌های مصنوعی
 در این سیستم، یک مسأله علمی ابتدا توسط پژوهشگر انسانی به مدل معرفی می‌شود، سپس یک عامل مرکزی هوش مصنوعی با عنوان «محقق اصلی» یا PI مسئولیت هدایت پروژه را برعهده می‌گیرد و در ادامه، به تشکیل تیمی از عامل‌های تخصصی مانند ایمنی‌شناس، زیست‌شناس محاسباتی، متخصص یادگیری ماشینی و حتی یک منتقد می‌پردازد.این عامل‌های مجازی، به‌ صورت خودکار وظایف خود را تعریف می‌کنند، داده‌ها را تحلیل و برای حل مسأله با یکدیگر بحث می‌کنند؛ گاهی در حد صدها جلسه علمی، تنها در عرض چند دقیقه. 
زو گفت: «این وظیفه محقق اصلی هوش مصنوعی است که سایر عوامل و تخصص‌های مورد نیاز برای انجام پروژه را کشف کند. به عنوان مثال، برای پروژه SARS-CoV-۲، عامل PI یک عامل ایمونولوژی، یک عامل زیست‌شناسی محاسباتی و یک عامل یادگیری ماشین ایجاد کرد. در هر پروژه، صرف‌نظر از موضوع، یک عامل وجود دارد که نقش منتقد را برعهده می‌گیرد. وظیفه آن بررسی نقاط ضعف، هشدار در مورد مشکلات رایج و ارائه انتقاد سازنده به سایر عوامل است.» جالب‌تر آن‌که این تیم هوش مصنوعی نه‌تنها به ابزارهای علمی رایج مانند AlphaFold دسترسی دارد بلکه توان پیشنهاد ابزارهای جدید را نیز دارد؛ آن هم بدون نیاز به دخالت مداوم انسان. در واقع، تنها حدود یک درصد از فرآیندها نیاز به بازبینی انسانی داشتند که نشان‌دهنده توان بالای استقلال سیستم در تحلیل، تصمیم‌گیری و تعامل است.
زو گفت:«من نمی‌خواهم دقیقا به دانشمندان هوش مصنوعی بگویم که چگونه باید کار خود را انجام دهند. این واقعا خلاقیت آنها را محدود می‌کند.من می‌خواهم آنهاراه‌حل‌هاو ایده‌های جدیدی ارائه دهندکه فراتر ازچیزی است که من درمورد آن فکر می‌کنم.»
اما چنین سیستمی به این معنی نیست که آنها از نزدیک مراقب اتفاقات نیستند؛ هر جلسه، تبادل و تعامل در آزمایشگاه مجازی از طریق یک رونوشت ثبت می‌شود و به محققان انسانی اجازه می‌دهد تا پیشرفت را پیگیری کرده و در صورت نیاز پروژه را تغییر مسیر دهند.
 
شبیه‌سازی یک تیم پژوهشی واقعی در فضای دیجیتال
نکته قابل‌ توجه در این پروژه، نحوه همکاری عامل‌ها با یکدیگر است که شباهت زیادی به ساختار یک تیم پژوهشی در دنیای واقعی دارد. هر عامل براساس تخصص خود تحلیل ارائه می‌دهد، به یافته‌های دیگران واکنش نشان می‌دهد و حتی با پیشنهادهای انتقادی، کیفیت کلی خروجی را بالا می‌برد. در یکی از موارد واقعی کاربرد این سیستم، تیم مجازی مامور طراحی واکسن برای سویه‌های جدید ویروس SARS‑CoV‑۲ شد. برخلاف انتظار و روش‌های مرسوم که تمرکز را بر آنتی‌بادی‌ها می‌گذارند، تیم مجازی نانوبادی‌ها را پیشنهاد داد؛ مولکول‌هایی کوچک‌تر وساده‌تر که مدل‌سازی وساخت آنها برای ماشین‌های یادگیرنده آسان‌تر است. تیم، ابتدا ساختار نانوبادی را با ابزارهایی چون AlphaFold طراحی کرد، سپس پژوهشگران واقعی در آزمایشگاه آن را تولید کرده و عملکردش را بررسی کردند. نتیجه فراتر از انتظار بود: نانوبادی پیشنهادی پایدار بود، به‌‌خوبی تولید شد و در اتصال به یکی از سویه‌های جدید ویروس عملکردی قوی‌تر از آنتی‌بادی‌های مرسوم داشت.
 
تحولی در سرعت و کیفیت پژوهش‌های زیستی
این تجربه نشان می‌دهد که استفاده از عامل‌های هوشمند با استقلال عمل بالا، نه‌تنها می‌تواند در زمان و هزینه پژوهش‌ها صرفه‌جویی کند بلکه به راه‌حل‌هایی منتهی می‌شود که گاه حتی از انتظارات متخصصان انسانی هم فراتر می‌رود. به‌گفته دکتر زو، این مدل نه‌تنها ساختارهای علمی رایج را بازتولید می‌کند بلکه به شیوه‌ای خلاقانه، فرآیند تفکر میان‌رشته‌ای و جمعی را در پژوهش تسریع می‌بخشد. به باور او، دانشمندان مجازی می‌توانند مکملی قدرتمند در کنار پژوهشگران واقعی باشند و مسیر علم را با سرعتی بسیار بیشتر به سوی کشفیات تازه پیش ببرند.
برخلاف جلسات انسانی، این گردهمایی‌های مجازی چند ثانیه یا چند دقیقه طول می‌کشد. علاوه‌بر این، دانشمندان هوش مصنوعی خسته نمی‌شوند و به میان‌وعده یا استراحت برای دستشویی رفتن نیاز ندارند، بنابراین جلسات متعدد به صورت موازی برگزار می‌شوند.
زو در سمپوزیوم سلامت RAISE که در طی آن این کار را ارائه داد، گفت: «تا زمانی که من قهوه صبحم را بخورم، آنها صدها بحث تحقیقاتی انجام داده‌اند.»
newsQrCode
ارسال نظرات در انتظار بررسی: ۰ انتشار یافته: ۰