ظهور دانشمندان هوش مصنوعی؛ چگونه ایجنت‌های خودکار مدیریت آزمایشگاه‌های واقعی را به دست می‌گیرند؟

شاید در نگاه اول به نظر برسد که در آستانه رسیدن به تکینگی فناوری (Singularity) هستیم، اما موضوع این گزارش فراتر از این داستان‌هاست و پای بحثی ملموس‌تر در میان است.

ایده اصلی این است که می‌توانید برای ایجنت‌های هوش مصنوعی خود نام انتخاب کنید، به آن‌ها اندکی هویت فردی ببخشید و واگذاری کارها را به فرآیندی طبیعی‌تر و انسانی‌تر تبدیل نمایید. حتی به لطف حالت‌های صوتی پیشرفته در مدل‌هایی مانند GPT، امکان گفت‌وگوی صوتی و مستقیم با این دستیارها نیز فراهم شده است.

بررسی نمونه‌های مختلف از جمله گزارش وبگاه Atomic Bot نشان می‌دهد که ابداع شخصیت‌هایی فرضی مانند «کلارا مسئول پذیرش» (Concierge Clara)، مزایا و معایب انسان‌انگاری ربات‌ها را به‌خوبی آشکار می‌کند. در این میان، یک توصیه کلیدی توجه را به خود جلب می‌کند:

«نام انتخابی را در یک یا دو هجا نگه دارید و حتماً بررسی کنید که در زبان‌های دیگر معنای نامتعارف یا توهین‌آمیزی نداشته باشد.»

بدیهی است که انتخاب نامی که در گوشه‌ای دیگر از جهان بار معنایی زننده یا نامناسبی داشته باشد، تجربه‌ای ناخوشایند برای کاربران رقم خواهد زد.

بااین‌حال، ماجرا صرفاً به انتخاب یک نام ساده ختم نمی‌شود.

فراتر از یک نام؛ اعطای نقش شغلی به هوش مصنوعی

اگر یک قدم فراتر برویم، اکنون می‌توان به موجودیت‌های هوش مصنوعی عنوان شغلی اختصاص داد. احتمالاً به‌زودی شاهد حضور پزشکان هوش مصنوعی، آموزگاران الگوریتمی و شاید حتی رانندگان تاکسی مبتنی بر هوش مصنوعی خواهیم بود؛ هرچند این ایده هنوز برای بسیاری از افراد دلهره‌آور است.

در همین راستا، در جریان رویداد Next Endeavor که در مانتین‌ویو کالیفرنیا برگزار شد، ارائه‌ای با عنوانی قابل‌تأمل نگاه‌ها را به خود جلب کرد: «دانشمندان هوش مصنوعی از راه رسیده‌اند؛ آیا می‌توانیم به آن‌ها اعتماد کنیم؟»

این نشست نشانه‌ای آشکار از ورود به عصر مشاغل تخصصی هوش مصنوعی بود؛ اما فراتر از عنوان شغلی، هسته اصلی این بحث به پیشرفت علم مربوط می‌شود؛ حوزه‌ای که تحولات آن شایسته بررسی دقیق‌تری است.

پیش از پرداختن به مباحث نظری پیچیده، پیوتر بیرسکی (Piotr Byrski)، یکی از اعضای پنل از شرکت Molecule.one، سیستمی به نام «ماریا» (Maria) را معرفی کرد؛ شخصیتی با هویت غیرانسانی که نقشی کاملاً علمی بر عهده دارد.

بیرسکی درباره این سیستم توضیح داد: «ما ماریا را ساختیم؛ یک سیستم هوش مصنوعی فیزیکی که قادر است تحقیقات شیمی را به‌صورت کاملاً خودکار انجام دهد. این مجموعه از دو بخش اصلی تشکیل شده است: بخش نرم‌افزاری که شامل گروهی از ایجنت‌ها و مدل‌های تخصصی است و کل چرخه پژوهش علمی—از بررسی مقالات و طراحی آزمایش گرفته تا تحلیل داده‌ها—را پوشش می‌دهد؛ و بخش دوم که یک آزمایشگاه اختصاصی است که آزمایش‌ها به‌طور فیزیکی در آن اجرا می‌شوند و بازخورد واقعی دنیای فیزیکی را به مدل برمی‌گردانند.»

یکی از دستاوردهای درخشان سیستم ماریا در عرصه سنتز دارویی به ثبت رسیده است:

«در یک همکاری تاریخی در سال ۲۰۲۶ میان شرکت اوپنای‌آی و سیستم هوش مصنوعی ماریا، مدل GPT-5.4 و این سیستم آزمایشگاهی موفق شدند واکنش جفت‌شدن چان-لام (Chan-Lam coupling)—یکی از روش‌های کلیدی برای ایجاد پیوندهای کربن-نیتروژن در ساخت داروها—را بهینه‌سازی کنند. این سامانه هوش مصنوعی، سولفونامیدهای اولیه را به‌عنوان یک کلاس چالش‌برانگیز از پیش‌ماده‌ها شناسایی کرد و پیشنهاد داد از اکسیدکننده‌های ملایمی نظیر TEMPO استفاده شود. آزمایشگاه خودکار ماریا تعداد ۱۰٬۰۸۰ واکنش در مقیاس میکرولیتر را طی دو چرخه آزمایشگاهی پیاده‌سازی کرد که در نتیجه آن، بازدهی واکنش‌ها برای ۸۸ درصد از اسیدهای بورونیک و ۸۳ درصد از سولفونامیدها بهبود یافت. همچنین میانگین بازدهی کل از ۱۶٫۶ درصد به ۲۵٫۲ درصد ارتقا یافت و سهم واکنش‌هایی با بازدهی بالای ۳۰ درصد از ۱۵٫۶ درصد به ۳۷٫۵ درصد رسید.»

دستیابی به چنین دقتی در دنیای شیمی محاسباتی و تجربی، تحسین گسترده کارشناسان را برانگیخته است.

مواجهه با مبانی علمی؛ تعادل میان داده‌ها و دانش تخصصی

اسکات کلارک (Scott Clark) از مؤسسه پژوهشی Talaria Scientific، به چالش‌های بنیادینی اشاره کرد که دانشمندان در عصر هوش مصنوعی برای تعریف نقش‌ها و ابزارها با آن روبه‌رو هستند:

«به باور من نوعی تقابل میان دو مفهوم علمی وجود دارد؛ از یک سو با "درس تلخ" (The Bitter Lesson) روبه‌رو هستیم که می‌گوید تزریق داده و توان پردازشی بیشتر به‌تنهایی تمام مشکلات را حل می‌کند و دیگر در پردازش زبان طبیعی یا بینایی ماشین نیازی به مهندسی دستی ویژگی‌ها نیست. اما از سوی دیگر، قضیه ریاضی "ناهار مجانی وجود ندارد" (No Free Lunch) مطرح است که بر اساس آن، یک مدل تخصصی با دانش پیشین و دقیق‌تر می‌تواند مدل‌های عمومی را شکست دهد.»

اعضای پنل همچنین به بررسی بده‌بستان‌ها و چالش‌های فنی کار با سیستم‌های مبتنی بر ایجنت پرداختند.

بیرسکی در این زمینه خاطرنشان کرد: «شاید در ابتدا تصور می‌شد باید هوش مصنوعی را طوری ساخت که خود را با آزمایشگاه‌های سنتی وفق دهد، اما تجربه به ما ثابت کرد که ماجرا دقیقاً برعکس است؛ ما باید نحوه انجام آزمایش‌های عملی را با دستاوردهای بخش محاسباتی هماهنگ کنیم، نه اینکه توان محاسباتی را به چارچوب‌های محدود سنتی تقلیل دهیم.»

نیک ادواردز (Nick Edwards) از شرکت Potato نیز بر فرآیند اتصال هوش مصنوعی به سخت‌افزار تأکید کرد: «آیا می‌توانیم از هوش مصنوعی برای طراحی اولیه آزمایش‌ها و سپس ترجمه خودکار آن‌ها به دستورالعمل‌های رباتیک بهره بگیریم؟ در حال حاضر این فرآیند به‌صورت دستی توسط دانشمندان انجام می‌شود؛ آن‌ها کار را به مهندسی می‌سپارند که باید اسکریپت‌های لازم را برای اجرا روی دستگاه‌ها بنویسد. ادغام این چرخه‌های کاری در قالب ابزارهایی که ایجنت‌ها قادر به استفاده از آن‌ها باشند، به پژوهشگران انسانی کمک می‌کند تا مراحل را سریع‌تر، با تکرارهای کمتر و در چرخه‌های کوتاه‌تر پیش ببرند و درعین‌حال راه را برای فعالیت مستقل ایجنت‌ها هموار سازند.»

کلارک در تکمیل این بحث اضافه کرد: «در پایه کار، ما با بده‌بستان همیشگی میان اکتشاف و بهره‌برداری (Exploration vs. Exploitation) مواجهیم. در فاز اکتشاف، استفاده از تخمین‌گرهای سبک‌تر و ارزان‌تر برای بررسی فضای احتمالات و شناخت الگوها بسیار کارآمدتر است؛ پس از شناسایی این فضا، می‌توان با سیستم‌های محاسباتی سنگین و گران‌قیمت وارد مرحله بهره‌برداری نهایی شد.»

کشف‌های تصادفی و شانس مهندسی‌شده

یکی از مفاهیم جالب‌توجهی که بیرسکی در این نشست مطرح کرد، اصطلاح «کشف تصادفی مهندسی‌شده» (Engineered Serendipity) بود.

او با اشاره به کشف پنی‌سیلین به‌عنوان نمونه‌ای از اتفاقات تصادفی در علم، گفت: «تاریخ علم همواره با خوش‌شانسی و تصادف گره خورده است. اما اکنون ما می‌توانیم این خوش‌شانسی را مهندسی کنیم؛ زیرا با اجرای هزاران آزمایش هم‌زمان و تحلیل داده‌های آن‌ها، بستری فراهم می‌سازیم تا کشف‌های تازه حتماً رخ دهند. در دل این حجم عظیم از داده، دانش علمی کشف‌نشده‌ای نهفته است که دیر یا زود آشکار خواهد شد و این هیجان‌انگیزترین بخش ماجراست.»

عامل کلیدی دیگر، شتاب خیره‌کننده پیشرفت و سرعت پردازش اطلاعات است.

کلارک در این باره اظهار داشت: «پژوهشی که در دوره دکتری ۶ ماه زمان مرا می‌گرفت، اکنون ظرف ۶ ساعت انجام می‌دهم. این سرعت به معنای فرصتی برای طرح سؤالات بیشتر، مطالعه مقالات گسترده‌تر و اجرای کارهایی است که در گذشته عملاً غیرممکن بود. چرخش سریع‌تر این موتور شتاب‌بخش و افزایش تعداد آزمایش‌ها، افق دید ما را گسترده‌تر می‌کند و درنهایت ما را به قله‌هایی می‌رساند که پیش از این حتی از وجودشان بی‌خبر بودیم.»

حلقه گمشده؛ چالش‌های زیرساختی و سخت‌افزاری

در بخش پایانی نشست، فریزر اندرسون (Frazer Anderson)، گرداننده پنل، از حاضران پرسید که چه حلقه‌ای در این پشته فناوری کم است و توسعه‌دهندگان به چه چیزی نیاز دارند.

از دیدگاه اسکات کلارک، کمبود اصلی در توان پردازشی خلاصه می‌شود.

او در این باره گفت: «اکثر ابزارهای نرم‌افزاری در دسترس هستند و پروژه‌های متن‌باز فوق‌العاده‌ای وجود دارد. توسعه سیستم‌ها امروز ساده‌تر از هر زمان دیگری شده است، اما ما به توان پردازشی بیشتر و ارزیابی‌های دقیق‌تر در دنیای واقعی نیاز داریم؛ دقیقاً همان کاری که همکاران ما در آزمایشگاه‌های خودکار انجام می‌دهند.»

در نقطه مقابل، ادواردز و بیرسکی بزرگ‌ترین چالش را تجهیزات فیزیکی آزمایشگاهی می‌دانستند.

ادواردز توضیح داد: «نبود درایورها و رابط‌های نرم‌افزاری استاندارد برای تجهیزات آزمایشگاهی، معضلی جدی است. ما پیشرفته‌ترین دستگاه‌های آزمایشگاهی را در اختیار داریم، اما اتصال و برقراری ارتباط نرم‌افزاری با آن‌ها به‌شدت دشوار است. شرکت آنتروپیک اقدامات جالبی در این راستا انجام داده است و امیدوارم به‌زودی استانداردهای یکپارچه‌ای تدوین شود، چراکه این موضوع چالشی حیاتی به شمار می‌رود.»

بیرسکی نیز با تأکید بر این موضوع گفت: «مشکل اصلی تجهیزات، تجهیزات و باز هم تجهیزات است! حتی دستگاه‌هایی که روی کاغذ برای آزمایشگاه‌های خودکار طراحی شده‌اند، در عمل بر پایه چرخه‌های کاری انسان‌محور ساخته شده‌اند. بنابراین زمانی که می‌خواهید حجم آزمایش‌ها را صد برابر کنید، این دستگاه‌ها به‌سرعت دچار نقص فنی می‌شوند و از کار می‌افتند. ما در حال مذاکره با سازندگان متعددی هستیم تا این کاستی‌ها برطرف شود. بازار سخت‌افزارهای آزمایشگاهی بازاری دشوار است، اما در صورت حل این چالش‌ها، شاهد رستاخیز و رشدی چشمگیر در این صنعت خواهیم بود.»

این بررسی نشان می‌دهد که هویت‌بخشی به هوش مصنوعی تنها یک سرگرمی فانتزی نیست؛ زمانی که این سامانه‌ها کدهای نرم‌افزاری را پشت سر بگذارند و وارد آزمایشگاه‌های واقعی شوند، ایجنت‌های هوش مصنوعی می‌توانند نقش دانشمندانی خستگی‌ناپذیر را بر عهده بگیرند و مرزهای کشف علمی را فرسنگ‌ها جلوتر ببرند؛ مشروط بر آنکه زیرساخت‌های سخت‌افزاری نیز بتوانند پا‌به‌پای هوش محاسباتی آن‌ها حرکت کنند.