آنتروپیک از پشت مانیتور وارد آزمایشگاه زیستشناسی شد
مدل زبانی میتواند در چند ثانیه هزاران مقاله علمی را مرور کند، ساختار پروتئین را حدس بزند و برای یک آزمایش فرضیه پیشنهاد بدهد. اما در پایان، زیستشناسی با یک واقعیت سرسخت روبهروست: سلول به متن قانع نمیشود. ماده باید در لوله آزمایش واکنش نشان دهد، پروتئین باید همانطور که پیشبینی شده تا بخورد و نتیجه باید دوباره تکرار شود. آنتروپیک برای کمکردن فاصله میان پاسخ روی صفحه و نتیجه در جهان واقعی، یک آزمایشگاه زیستشناسی «تر» در منطقه خلیج سانفرانسیسکو راهاندازی کرده است؛ فضایی که مدلهای هوش مصنوعی در آن میتوانند پیشنهاد بدهند و پژوهشگران نتیجه را با آزمایش فیزیکی بسنجند.
آزمایشگاه تر اصطلاحی است برای محیطی که پژوهشگر با نمونه، ماده شیمیایی، سلول و ابزار آزمایشگاهی کار میکند؛ در برابر پژوهش محاسباتی که روی داده و شبیهسازی انجام میشود. ورود یک سازنده مدل زبانی به چنین فضایی نشان میدهد رقابت هوش مصنوعی دیگر فقط بر سر کیفیت چت و کدنویسی نیست. شرکتها میخواهند مدل را در چرخه کشف علمی قرار دهند: از خواندن دانش موجود و پیشنهاد مسیر، تا طراحی آزمایش، تحلیل نتیجه و اصلاح فرضیه بعدی.
چرا یک شرکت نرمافزاری به میز آزمایش نیاز دارد؟
اریک کودرر-آبرامز، مدیر علوم زیستی آنتروپیک، دلیل اصلی را ساده توضیح داده است: آزمون نهایی در زیستشناسی هنوز در آزمایشگاه واقعی انجام میشود و تا مدت قابل پیشبینی هم همینطور خواهد ماند. مدل ممکن است ترکیبی امیدوارکننده معرفی کند، اما واکنشهای زیستی پر از عاملهایی هستند که در داده آموزشی کامل ثبت نشدهاند. دما، خلوص مواد، روش آمادهسازی و تفاوت میان نمونهها میتواند نتیجه را عوض کند. بدون آزمایش، پاسخ هوش مصنوعی در بهترین حالت یک پیشنهاد آگاهانه است.
آنتروپیک جزئیات دقیق پروژههای جاری را اعلام نکرده و میگوید تمرکز اصلی آزمایشگاه بر زیستشناسی پایه است، نه تبدیلشدن به یک شرکت داروسازی. این مرزبندی برایش مهم است. بسیاری از شرکتهای دارویی مشتری مدل Claude هستند و اگر آنتروپیک مستقیماً وارد ساخت و فروش دارو شود، همکار امروز ممکن است آن را رقیب فردا ببیند. آزمایشگاه فعلی بیشتر قرار است توانایی مدلها را بسنجد، روشهای پژوهش را بهبود دهد و ابزارهایی بسازد که دانشمندان دیگر بتوانند در کار خود به کار بگیرند.
خرید Coefficient Bio در ماه آوریل، مقدمهای برای این حرکت بود. آن شرکت در حوزه پیوند هوش مصنوعی و زیستفناوری فعالیت میکرد و جذب تیمش، دانش عملی لازم را به آنتروپیک آورد. ساخت یک آزمایشگاه فقط تهیه چند دستگاه نیست؛ پروتکل ایمنی، ثبت نمونه، کنترل کیفیت، طراحی آزمایش و تحلیل آماری هرکدام تخصص جداگانه میخواهد. برای شرکتی که ریشهاش در نرمافزار است، تیمی آشنا با زبان آزمایشگاه به اندازه مدل قدرتمند اهمیت دارد.
چرخهای که میتواند سریعتر یاد بگیرد
وعده اصلی هوش مصنوعی در علوم زیستی، کوتاهکردن چرخه آزمون و خطاست. پژوهشگر معمولاً مقالهها را میخواند، فرضیه میسازد، آزمایش را طراحی میکند، چند روز یا چند هفته منتظر نتیجه میماند و سپس با داده تازه به نقطه اول برمیگردد. یک مدل میتواند بخشی از خواندن، مقایسه و طراحی را سریعتر کند. اگر ابزارهای آزمایشگاهی و روباتها هم به این زنجیره وصل شوند، نتیجه هر آزمایش مستقیماً وارد مرحله تحلیل میشود و دور بعد با تغییرات دقیقتری آغاز خواهد شد.
این تصویر به معنای آزمایشگاه بدون دانشمند نیست. مدل ممکن است دهها پیشنهاد تولید کند، ولی انتخاب پرسش درست، تشخیص نتیجه عجیب و تصمیم درباره ادامه مسیر هنوز به قضاوت انسانی نیاز دارد. در زیستشناسی، داده غیرمنتظره همیشه خطا نیست؛ گاهی همان نکتهای است که کشف تازه را شکل میدهد. سامانهای که صرفاً دنبال تأیید فرضیه قبلی باشد، میتواند نشانه مهم را کنار بگذارد. حضور پژوهشگر باتجربه کمک میکند مدل به ابزار تقویت فکر تبدیل شود، نه جایگزین آن.
آنتروپیک همزمان برنامهای با عنوان Life Sciences Verification راه انداخته که دسترسی پژوهشگران تأییدشده به مدلهای قدرتمندترش را فراهم میکند. هدف این است که استفاده علمی فقط به چند تیم داخلی محدود نماند و متخصصانی با پرسشهای واقعی، نقاط قوت و ضعف مدل را پیدا کنند. شرکت همچنین درباره کاربرد Claude در طراحی پروتئین و مدلسازی زیستمولکولی گزارشهایی منتشر کرده است. کنار هم گذاشتن این برنامه با آزمایشگاه داخلی، یک مسیر دوطرفه میسازد: پژوهشگر بیرونی مسئله میآورد و آزمایشگاه میتواند برخی فرضیهها و ابزارها را در شرایط کنترلشده بررسی کند.
داده آزمایشگاهی با متن اینترنت فرق دارد
مدلهای زبانی معمولاً با حجم عظیمی از متن آموزش میبینند، اما گزارش علمی منتشرشده تنها بخشی از واقعیت آزمایشگاه است. نتایج منفی کمتر چاپ میشوند، جزئیات اجرای آزمایش گاهی ناقص است و داده خام همیشه در دسترس نیست. یک آزمایشگاه داخلی میتواند دادهای تولید کند که دقیقاً برای سنجش یک توانایی طراحی شده باشد. برای مثال، شرکت میتواند ببیند مدل در انتخاب کنترل مناسب، پیشبینی نتیجه یا اصلاح پروتکل پس از شکست چقدر قابل اعتماد است.
این داده اختصاصی از نظر تجاری ارزشمند است، اما پرسش شفافیت را هم پیش میکشد. اگر مدل بر پایه آزمایشهایی بهتر شود که دیگر پژوهشگران به آنها دسترسی ندارند، ارزیابی ادعاها دشوار خواهد شد. علم بر تکرارپذیری بنا شده است؛ بنابراین انتشار روش، محدودیت و بخشی از دادهها برای اعتماد جامعه علمی اهمیت دارد. آنتروپیک باید میان مالکیت فکری و امکان بررسی مستقل تعادل برقرار کند، خصوصاً وقتی نتیجه مدل میتواند بر مسیر پژوهش پزشکی اثر بگذارد.
ایمنی نیز در چنین محیطی معنایی ملموستر پیدا میکند. هر آزمایشگاه زیستی بر اساس نوع مواد و موجودات مورد استفاده سطح ایمنی مشخص دارد و دسترسی به آن کنترل میشود. وقتی مدل در طراحی آزمایش مشارکت میکند، قواعد دیجیتال باید به مقررات فیزیکی وصل شوند: چه درخواستهایی مجازند، چه کسی نتیجه را تأیید میکند و سامانه تا کجا میتواند ابزار خودکار را هدایت کند. آنتروپیک که ایمنی را بخشی از هویت خود میداند، اکنون باید نشان دهد آن اصول خارج از صفحه نمایش چگونه اجرا میشوند.
مسیر ساخت دارو معمولاً بیش از یک دهه طول میکشد و بیشتر نامزدها پیش از رسیدن به بازار شکست میخورند. هوش مصنوعی این واقعیت را یکشبه عوض نمیکند. حتی اگر مولکول مناسب زودتر پیدا شود، آزمایشهای پیشبالینی، بررسی سمّیت و مراحل بالینی همچنان لازماند. اثر کوتاهمدت احتمالاً در کارهای محدودتر دیده میشود: مرتبکردن دانش موجود، پیشنهاد آزمایش بعدی، طراحی پروتئین و یافتن الگو در دادهای که برای انسان بیش از حد بزرگ است.
با این حساب، آزمایشگاه آنتروپیک بیش از آنکه کارخانه درمانهای آماده باشد، محل سنجش یک ادعاست. صنعت هوش مصنوعی بارها گفته مدلها میتوانند کشف علمی را شتاب دهند. حالا یکی از بزرگترین سازندگان این مدلها ابزار لازم را فراهم کرده تا ببیند پیشنهادهای Claude زیر نور آزمایشگاه هم دوام میآورند یا نه. پاسخ را نه نمودار تبلیغاتی، بلکه آزمایشی خواهد داد که پژوهشگری دیگر بتواند آن را تکرار کند و به همان نتیجه برسد.
منبع: TechCrunch
