شاید تاکنون درباره نقش هوش مصنوعی در تحلیل داده، جست‌وجوی مقالات یا کمک به پژوهشگران محدود بسیار صحبت شده است اما حالا پژوهشگران سوئدی سیستمی ساخته‌اند که یک قدم بسیار جلوتر می‌رود؛ هوش مصنوعی‌ای که می‌تواند فرضیه علمی تولید کند، برای بررسی آن آزمایش طراحی کند، نتایج را تحلیل کند و بر اساس یافته‌های جدید، فرضیه بعدی را بسازد. به بیان ساده‌تر، AI دیگر فقط دستیار دانشمند نیست؛ در حال ورود به خود چرخه کشف علمی است.
پژوهشی که توسط محققانی از دانشگاه فناوری Chalmers، دانشگاه گوتنبرگ و دانشگاه کمبریج انجام شده، نشان می‌دهد ترکیب مدل‌های زبانی بزرگ، استدلال ماشینی و اتوماسیون آزمایشگاهی می‌تواند بخش قابل‌توجهی از چرخه سنتی پژوهش علمی را به‌صورت خودکار انجام دهد. نتایج این تحقیق در سال ۲۰۲۶ در Journal of the Royal Society Interface منتشر شده است. در این مقاله از گرین‌وب به بررسی این مقاله و یافته‌های آن در زمینه هوشمندسازی آزمایشات علمی می‌پردازیم.
یک «دانشمند AI» دقیقاً چه کاری انجام می‌دهد؟
در یک پژوهش علمی سنتی، پژوهشگر ابتدا اطلاعات موجود را بررسی می‌کند، سپس یک پرسش یا فرضیه می‌سازد. بعد آزمایشی برای بررسی آن طراحی می‌کند، داده‌های آزمایش را تحلیل می‌کند و بر اساس نتایج تصمیم می‌گیرد فرضیه را بپذیرد، رد کند یا تغییر دهد و این فرایند ممکن است بارها تکرار شود.
سیستم توسعه‌یافته توسط پژوهشگران Chalmers تلاش کرده همین چرخه را به شکل یک Closed-loop Laboratory یا «آزمایشگاه حلقه‌بسته» اجرا کند.یعنی فرایندی شبیه این:
آزمایش بعدی → اصلاح فرضیه → تحلیل داده → اجرای آزمایش → طراحی آزمایش → تولید فرضیه → دانش موجود
تفاوت مهم در اینجاست که بعد از شروع چرخه، بسیاری از مراحل می‌توانند با حداقل مداخله انسانی ادامه پیدا کنند. این موضوع، AI را از یک ابزار منفعل که منتظر سؤال انسان می‌ماند، به یک عامل یا Agent فعال تبدیل می‌کند که می‌تواند در چهارچوب مشخص، برای رسیدن به یک هدف علمی تصمیم بگیرد و اقدام بعدی را تعیین کند.
دانشمند هوش مصنوعی در معرض آزمایش
محققان برای آزمایش این سیستم از مخمر Saccharomyces cerevisiae استفاده کردند؛ همان گونه‌ای از مخمر که در صنایع غذایی و تحقیقات زیستی کاربرد گسترده‌ای دارد. هوش مصنوعی به مجموعه‌ای از اطلاعات علمی درباره ژنوم، متابولیسم و مطالعات قبلی این موجود دسترسی داشت و تلاش کرد روابط جدیدی میان شرایط مختلف سلولی پیدا کند. سیستم سپس فرضیه‌هایی را پیشنهاد کرد و از زیرساخت‌های خودکار کشت سلولی و آنالیز متابولومیک برای بررسی آن‌ها استفاده شد. پژوهشگران گزارش کرده‌اند که این فرایند توانسته به شناسایی تعاملات زیستی جدید از جمله اثر برخی ترکیبات بر رشد سلولی در شرایط مشخص منجر شود.
به بیانی دیگر، در این آزمایش، چرخه تولید دانش بسته شده است یعنی داده وارد سیستم می‌شود، AI از آن فرضیه تولید می‌کند، آزمایش انجام می‌شود، نتیجه دوباره به سیستم برمی‌گردد و AI بر اساس آن تصمیم بعدی را می‌گیرد.
آیا فقط استفاده از ChatGPT یا یک LLM کافی است؟
شاید در نگاه اول تصور شود چنین سیستمی صرفاً یک مدل زبانی قدرتمند است که به تجهیزات آزمایشگاهی متصل شده اما ساختار پژوهش پیچیده‌تر از این است. یکی از مشکلات اساسی مدل‌های زبانی این است که پاسخ‌های آن‌ها همیشه بر اساس یک ساختار منطقی و قابل‌اعتماد تولید نمی‌شود. در محیط آزمایشگاه، یک پاسخ ظاهراً منطقی اما اشتباه می‌تواند به اتلاف زمان، منابع یا حتی نتیجه‌گیری علمی نادرست منجر شود.
به همین دلیل پژوهشگران مدل‌های زبانی را با مجموعه‌ای از فناوری‌های دیگر ترکیب کردند؛ از جمله استدلال نمادین، واژگان ساختاریافته، محدودیت‌های آزمایشگاهی و پایگاه‌های داده گرافی. این ساختار به AI اجازه می‌دهد در چهارچوب مشخص‌تری استدلال کند و فرضیه‌ها، آزمایش‌ها و نتایج را به شکلی قابل‌ردیابی ثبت کند. این رویکرد یک پیام مهم درباره آینده هوش مصنوعی دارد:
آینده AI تنها به مدل‌های زبانی محدود نمی‌شود بلکه در آینده، سیستم‌هایی که مدل زبانی را با داده، ابزار، منطق، حافظه و امکان انجام عمل ترکیب می‌کنند، بسیار گسترده می‌شوند.
از Generative AI به Agentic AI
نسل اول موج جدید AI بیشتر با مفهوم Generative AI شناخته شد؛ سیستم‌هایی که می‌توانند متن، تصویر، صدا یا کد تولید کنند اما جهت بعدی توسعه هوش مصنوعی به سمت Agentic AI حرکت کرده است. در سیستم‌های Agentic، هوش مصنوعی صرفاً یک پاسخ تولید نمی‌کند. هدف دریافت می‌کند، مسئله را به چند مرحله تقسیم می‌کند، از ابزارهای مختلف استفاده می‌کند، نتیجه هر مرحله را ارزیابی می‌کند و سپس درباره اقدام بعدی تصمیم می‌گیرد. پروژه دانشمند هوش مصنوعی نمونه‌ای پیشرفته از همین منطق است اما این‌بار ابزار AI فقط یک مرورگر، موتور جست‌وجو یا نرم‌افزار نیست؛ آزمایشگاه فیزیکی هم بخشی از ابزارهای آن است. به همین دلیل مرز بین «هوش مصنوعی نرم‌افزاری» و «سیستم‌های فیزیکی خودکار» به‌تدریج در حال کم‌رنگ‌شدن است.
Self-driving Lab؛ آزمایشگاهی که خودش تحقیق می‌کند!
اصطلاحی که طی سال‌های اخیر بیشتر در محافل تحقیقاتی شنیده می‌شود Self-driving Laboratory یا آزمایشگاه خودران است. ایده آن شباهت زیادی به خودروهای خودران دارد.همان‌طور که یک خودرو خودران باید محیط را ببیند، اطلاعات را تحلیل کند، تصمیم بگیرد و عمل کند، آزمایشگاه خودران هم باید بتواند:
- یک مسئله علمی را دریافت کند
- فضای احتمالات را بررسی کند
- بهترین آزمایش بعدی را انتخاب کند
- آزمایش را با استفاده از تجهیزات رباتیک اجرا کند
- داده را تحلیل کند
- تصمیم بگیرد در مرحله بعد چه کاری انجام شود
آزمایشگاه‌های خودران می‌توانند در حوزه‌هایی مانند کشف دارو، زیست‌فناوری، طراحی مواد جدید، شیمی و علوم زیستی اهمیت زیادی پیدا کنند. حتی در سوئد پروژه‌های دیگری نیز با همین رویکرد در حال شکل‌گیری‌اند. برای مثال KTH در پروژه Polaris در حال توسعه محیط تحقیقاتی خودکاری برای کشف و بهینه‌سازی مواد است؛ جایی که مدل‌های هوش مصنوعی پیشنهاد می‌دهند کدام آزمایش‌ها ارزش انجام‌دادن دارند و سیستم‌های رباتیک آن‌ها را اجرا می‌کنند.
آیا AI قرار است جای دانشمندان را بگیرد؟
پاسخ پژوهشگران این پروژه منفی است. حتی اگر بسیاری از مراحل آزمایشگاهی خودکار شوند، هنوز بخش‌هایی از فرایند علم به قضاوت انسانی وابسته باقی می‌مانند. انتخاب این که چه مسئله‌ای ارزش تحقیق دارد، چرا یک یافته اهمیت دارد، پیامدهای اجتماعی یا اخلاقی یک پژوهش چیست و منابع علمی باید در چه مسیری هزینه شوند، مسائلی نیستند که صرفاً با خودکارسازی آزمایشگاه حل شوند.
Ross King، از پژوهشگران اصلی این پروژه و یکی از چهره‌های باسابقه حوزه Robot Scientist، معتقد است نسل آینده این سیستم‌ها بیشتر به‌عنوان همکار دانشمندان عمل خواهد کرد و می‌تواند سرعت اکتشاف در زیست‌شناسی، پزشکی و زیست‌فناوری را افزایش دهد. سؤال مهم این است که:
دانشمندی که در کنار یک سیستم تحقیقاتی خودکار کار می‌کند، چقدر سریع‌تر از دانشمندی خواهد بود که تمام چرخه پژوهش را به روش سنتی انجام می‌دهد؟
سخن آخر
در بسیاری از کاربردهای فعلی هوش مصنوعی، AI هنوز در یک مرحله از یک فرایند حضور دارد. متن تولید می‌کند یا تصویری را تحلیل می‌کند یا داده‌ها را دسته‌بندی می‌کند اما آنچه پروژه‌هایی مانند «دانشمند AI» را مهم می‌کند، خودکارشدن یک وظیفه منفرد نیست؛ بلکه خودکارشدن یک چرخه کامل است که می‌تواند در بسیاری از صنایع نیز کاربرد داشته باشد. اگر این الگو را از آزمایشگاه خارج کنیم، نمونه‌های مشابه آن را می‌توان در آینده در تولید، لجستیک، انرژی، سلامت، امنیت سایبری و حتی مدیریت زیرساخت‌های فناوری مشاهده کرد.
