يعتبر الذكاء الاصطناعي من أهم الابتكارات التكنولوجية التي تؤثر بشكل كبير على مجالات متعددة، بما في ذلك العلوم. في هذا المقال، نستعرض كيف يمكن أن يحدث الذكاء الاصطناعي تغييرات جذرية في طريقة إجراء الأبحاث العلمية.
الذكاء الاصطناعي في العلوم يحتاج إلى التفكير، وليس مجرد البيانات
لا شك أن الذكاء الاصطناعي سيحدث تغييرات غير عادية في العلوم، لكن من الواضح بشكل متزايد أن AlphaFold، والأشياء المشابهة له، قد لا تكون أفضل نموذج لهذه التحولات. على الرغم من أنه إنجاز عميق، فإن الظروف التي أنتجت أمثال AlphaFold نادرة، والوقت الذي سيستغرقه تحقيق تلك الظروف في مجالات أخرى سيقاس بعقود، وليس سنوات. بدلاً من ذلك، ستأتي تسريع العلوم بفضل نهج آخر: وكلاء الذكاء الاصطناعي.
شروط نجاح AlphaFold
كانت الشرط الأساسي لنجاح AlphaFold هو وجود بنك البيانات البروتينية، وهو مجموعة بيانات تتكون من حوالي 170,000 هيكل بروتيني تم التحقق منه تجريبياً، والتي تمكن فريق DeepMind من تدريب نموذجه عليها. لم يكن إنشاء بنك البيانات البروتينية بالأمر السهل: فقد استغرق 53 عاماً من التعاون العلمي الدولي، وتكلف، وفقاً لتقديرات حديثة، حوالي 21 مليار دولار من العمل التجريبي لتجميعه. إن الجهود بهذا الحجم صعبة التمويل، وصعبة التنسيق، وتستغرق وقتاً طويلاً للتنفيذ، وغالباً ما تكون غير ناجحة نتيجة لذلك.
التحديات في توليد البيانات المقارنة
لكن حتى في المجالات التي تتوفر فيها الموارد والتماسك المطلوب، وحيث لا تكون البيانات ذات الصلة غير متاحة بسبب الملكية التجارية، هناك حاجز آخر غير مُتناول بشكل كافٍ: الاستحالة العلمية لتوليد بيانات قابلة للمقارنة. في حالة الهياكل البروتينية، فإن التقنية التجريبية الرئيسية – البلورة البروتينية – هي أداة قابلة للتكرار والاعتماد بشكل غير عادي، لدرجة أن أكثر من 25 جائزة نوبل اعتمدت عليها. لكن في معظم العلوم التجريبية، تختلف النتائج أكثر مما تتفق. خطوط الخلايا تتغير. المواد الكيميائية تحتوي على ملوثات دقيقة. تتغير رطوبة المختبر. سيتطلب إنشاء مجموعات بيانات مقاسة تكون متسقة بما فيه الكفاية، ودقيقة بما فيه الكفاية، ودقيقة بما فيه الكفاية، وقابلة للتوسع بما فيه الكفاية لتدريب شبكة عصبية حديثة في علم الأحياء أو معظم الكيمياء، أنواعاً جديدة من القياس ونُهجاً موحدة جديدة – ولا شيء من ذلك سيكون جاهزاً في أي وقت قريب.
الحقول التي تلبي المتطلبات
بالطبع، هناك عدد قليل من المجالات التي تلبي هذه المتطلبات: التنبؤ بالطقس، والكثير من علم الجينوم، ومجالات محدودة جداً من الكيمياء. قد تشهد هذه المجالات اختراقات على غرار AlphaFold قريباً، إن لم تكن قد شهدتها بالفعل. سيكون الدعم الحكومي لإنتاج وتنسيق تلك المجموعات البيانية حاسماً، كما جادل بذلك اللجنة الوطنية الأمريكية للأمن القومي بشأن التكنولوجيا البيولوجية الناشئة. لكن بالنسبة لمعظم الأسئلة المفتوحة في العلوم، سنحتاج إلى خطة مختلفة، على الأقل في المدى القصير. لحسن الحظ، بدأ شيء أكثر هدوءاً وتواضعاً في إظهار الوعد.
التفكير تحت عدم اليقين
لطالما كان العلماء يفكرون تحت عدم اليقين. لم يكن لدى علماء الأحياء الذين يعملون لتحديد أهداف جديدة للأدوية مجموعات بيانات مثالية. بدلاً من ذلك، يجمعون بين حسابات التثبيت والهياكل المعروفة، ويأخذون في الاعتبار الديناميات الجزيئية، ويجرون مجموعة من اختبارات الارتباط، ويستخدمون حكمهم لتقييم كل طريقة وفقاً لنقاط قوتها ونقاط فشلها. إن مهارة العلم ليست في أي أداة واحدة؛ بل هي في تجميع ما تنتجه العديد من الأدوات، وتعديل النتائج مع دخول الأدلة. هذه هي الطريقة التي تسير بها معظم الأبحاث العملية. لكن حتى وقت قريب جداً، لم يكن هناك برنامج قادر على القيام بذلك.
ظهور الوكلاء
الآن يمكن للوكلاء القيام بذلك. ببساطة، الوكيل هو محرك تفكير ذكاء اصطناعي تم منحه الوصول إلى أدوات – رقمية أو مادية – والقدرات لاستخدامها. على مدى السنوات القليلة الماضية، أتاح تحول معماري أساسي في الذكاء الاصطناعي الانتشار السريع لهذه البرامج، التي تعمل بواسطة نماذج لغوية كبيرة، مما يقلل بشكل كبير من الحاجة إلى مجموعات بيانات متخصصة علمياً. بالنسبة للعلوم، يمثل هذا التقدم التكنولوجي تغييراً أساسياً: لقد سمح لنا بإنشاء أدوات رقمية يمكنها محاكاة العملية التكرارية، المعتمدة بشكل كبير، للبحث الفعلي. بينما تطبق أدوات مثل AlphaFold نهجاً قوياً على سؤال محدود، فإن الوكلاء هم بطبيعتهم عامون. إنهم لا يمثلون طريقة جديدة للقيام بالعلوم – بل يقومون بنمذجة العملية البشرية للاكتشاف رقمياً.
مثال على الذكاء الاصطناعي في العلوم
فكر في الذكاء الاصطناعي Co-Scientist من Google، الذي تم الإعلان عنه في مايو. أعطى الباحثون له ملخصاً من صفحة واحدة وهدفاً: اكتشاف كيفية انتشار مقاومة المضادات الحيوية بين الأنواع البكتيرية، وهو محرك رئيسي للعدوى المقاومة للأدوية. بدأ النظام في إنشاء وكلاء فرعيين. قام أحدهم بصياغة فرضيات من الأدبيات. قام آخر بتحليلها مثل مراجع الأقران. أجرى ثالث جولات لتصنيف أقوى المرشحين. قام الرابع بتنقيح الفرضية الفائزة. توصل الوكيل إلى أن جينات المقاومة كانت تستفيد من الفيروسات البكتيرية، مستعيرة أي فيروس يمكنه نقلها إلى مضيف جديد. كانت الفرضية صحيحة. قضى الباحثون في كلية إمبريال بلندن عقداً من الزمن للوصول إلى نفس الاستنتاج من خلال العمل الشاق في المختبر؛ كانت ورقتهم، التي لم يسبق أن رآها Co-Scientist، لا تزال قيد المراجعة.
التحديات المستقبلية
لا تزال الوكلاء مثل Co-Scientist أدوات جديدة، وهناك تحديات حقيقية يجب التغلب عليها قبل أن تصبح جزءاً شائعاً من العملية العلمية: لا تزال عرضة للهلوسة، حكمها ليس متسقاً، ولديها قيود في الذاكرة والمدخلات التي تحد من الوقت الذي يمكن أن تعمل فيه بشكل مستقل. لكن هذه الحواجز التقنية ستزول، ومع زوالها سنبدأ في ملاحظة التأثيرات المتراكمة للوكلاء العلميين على موثوقية، واتساق، وسرعة إجراء العلوم.
بينما نتطلع إلى المستقبل، من المهم أن نكون على دراية بالتحديات والفرص التي يقدمها الذكاء الاصطناعي في مجال العلوم. إن فهم كيفية استخدام هذه التكنولوجيا بشكل فعال يمكن أن يساعد في تعزيز الابتكار وتحسين نتائج الأبحاث.
