‏دو دستیار هوش مصنوعی برای علم؛ از گوگل و FutureHouse

مجله Nature دو مقاله منتشر کرده که هر کدام یک سیستم هوش مصنوعی برای کمک به دانشمندان معرفی می‌کنن. اولی Co-Scientist گوگله که با مدل زبانی Gemini کار می‌کنه، و دومی Robin از سازمان غیرانتفاعی FutureHouse. هر دو سیستم agentic هستن؛ یعنی در پس‌زمینه اجرا می‌شن و با ابزارهای مختلف — مثل موتورهای جستجوی ادبیات علمی — ارتباط برقرار می‌کنن تا فرضیه‌های علمی بسازن و اولویت‌بندی کنن.

مشکلی که هر دو سیستم دنبال حلش می‌گردن اینه که حجم مقالات علمی آنقدر زیاد شده که هیچ محققی نمی‌تونه همه‌شون رو بخونه. یه یافته مهم درباره یه مسیر بیولوژیکی ممکنه در یه حوزه کاملاً جدا منتشر شده باشه و متخصص اون بیماری هرگز بهش نرسه. هوش مصنوعی می‌تونه این ارتباط‌های غیرواضح رو کشف کنه.

Co-Scientist گوگل با دریافت یه هدف پژوهشی از محقق، جستجوی ادبیات رو شروع می‌کنه و فرضیه‌ها می‌سازه. بعد این فرضیه‌ها در یه «تورنمنت» با هم مقایسه می‌شن، یه عامل Reflection نتایج رو ارزیابی می‌کنه، و یه عامل Evolution فرضیه‌های باقی‌مونده رو بهبود می‌ده. دسترسی به ادبیات علمی در این فرآیند نقش مهمی داره؛ طبق گزارش گوگل این دسترسی از ساخته‌شدن فرضیه‌های به‌ظاهر جدید ولی غیرقابل‌قبول — یا همون hallucination — جلوگیری می‌کنه.

Robin از FutureHouse ابزارهای تخصصی‌تری داره. Crow خلاصه‌ای فشرده از مقالات می‌ده و Falcon تحلیل عمیق‌تری ارائه می‌کنه. Robin تونست ۵۵۱ مقاله رو در ۳۰ دقیقه آنالیز کنه؛ کاری که برای یه انسان حدود ۵۴۰ ساعت طول می‌کشه. یه تفاوت مهم Robin اینه که ابزاری به اسم Finch داره که می‌تونه داده‌های آزمایش‌های استاندارد بیولوژیکی مثل flow cytometry (روشی برای شمارش و بررسی سلول‌ها) و RNA-seq (روش خواندن الگوی بیان ژن‌ها) رو به‌صورت خودکار تحلیل کنه.

در آزمایش‌های عملی، Co-Scientist داروهایی برای لوسمی حاد میلوئیدی پیشنهاد داد که بعد از بررسی متخصصان، برخی از اون‌ها روی زیرمجموعه‌هایی از سلول‌های سرطانی مؤثر بودن. Robin هم یه فرضیه جالب برای دژنراسیون ماکولا (بیماری تخریب شبکیه) ارائه داد: افزایش توانایی سلول‌های شبکیه در پاکسازی ذرات خارجی می‌تونه محافظتی در برابر بیماری ایجاد کنه. اون یه داروی موجود رو هم شناسایی کرد که در آزمایش‌های سلولی دقیقاً همین اثر رو نشون داد.

هر دو تیم تأکید می‌کنن که انسان‌ها در حلقه تصمیم‌گیری باقی می‌مونن و این ابزارها جایگزین دانشمند نمی‌شن. همچنین این موفقیت‌ها در یکی از آسون‌ترین مرحله‌های توسعه دارو — آزمایش سلولی با داروهای از قبل تأیید شده — بوده، نه طراحی مولکول جدید یا آزمایش‌های بالینی. با این حال، کمک به پیدا کردن ارتباط‌های پنهان در انبوه ادبیات علمی، خودش ارزش بزرگیه.

نکات کلیدی:

• گوگل (Co-Scientist) و FutureHouse (Robin) هر دو سیستم agentic هستن که ادبیات علمی رو برای ساختن فرضیه بررسی می‌کنن
• Robin تونست ۵۵۱ مقاله رو در ۳۰ دقیقه آنالیز کنه در برابر ۵۴۰ ساعت برای انسان
• Robin با ابزار Finch می‌تونه داده‌های برخی آزمایش‌های بیولوژیکی رو خودکار تحلیل کنه
• هر دو سیستم داروهای موجود رو برای بیماری‌های جدید پیشنهاد دادن و نتایج اولیه مثبت بوده
• جایگزینی دانشمند هدف نیست؛ کمک به کنار هم گذاشتن اطلاعات پراکنده هدف اصلیه