على الرغم من التقدم السريع في مجال الذكاء الاصطناعي، إلا أن الذكاء الاصطناعي ليس على مقربة من أن يكون جاهزًا لاستبدال البشر في مجال العلوم. ولكن هذا لا يعني أنه لا يمكن أن يساعد في تأتيم بعض الملل من الروتين اليومي للتجارب العلمية. على سبيل المثال، قام الباحثون قبل بضع سنوات بوضع نظام ذكاء اصطناعي في السيطرة على معدات المختبر المؤتمتة وتعليمه تصنيف جميع التفاعلات التي يمكن أن تحدث بين مجموعة من المواد الأولية.
ثلاثة أنظمة ذكاء اصطناعي
أشار الباحثون إلى أنهم كانوا مهتمين بفهم القدرات التي يمكن أن تقدمها نماذج اللغة الكبيرة (LLMs) للمساعدة في العمل العلمي. لذا فإن جميع أنظمة الذكاء الاصطناعي المستخدمة في هذا العمل هي LLMs، وتحديدًا GPT-3.5 و GPT-4، على الرغم من أن بعض النماذج الأخرى مثل Claude 1.3 و Falcon-40B-Instruct تم اختبارها أيضًا. ولكن بدلاً من استخدام نظام واحد للتعامل مع جميع جوانب الكيمياء، قام الباحثون بإعداد نماذج منفصلة للتعاون في إطار تقسيم العمل وأطلقوا عليها “Coscientist”.
ثلاثة أنظمة استخبارات اصطناعية
الباحثون استخدموا ثلاثة أنظمة مختلفة هي:
محرك البحث على الويب
يتميز هذا النظام بقدرتين رئيسيتين. الأولى هي استخدام واجهة برمجة تطبيقات بحث Google للعثور على صفحات قد تكون جديرة بالاستيعاب للمعلومات التي تحتويها. والثانية هي استيعاب تلك الصفحات واستخراج المعلومات منها – فكر في ذلك على أنه مشابه لسياق الأجزاء السابقة من محادثة يمكن لـ Chat GPT الاحتفاظ بها لإبلاغ إجاباته لاحقًا. يمكن للباحثين تتبع المواقع التي يقضي فيها هذا الوحدة وكانت نصف الأماكن التي زارها صفحات Wikipedia. وتشمل أفضل خمسة مواقع زارها المجلات التي تنشرها الجمعية الكيميائية الأمريكية والجمعية الملكية للكيمياء.
محرك البحث في الوثائق
فكر في هذا كنموذج RTFM. كان من المقرر أن يتم منح الذكاء الاصطناعي السيطرة على معدات التشغيل المختلفة في المختبر، مثل منظمات السوائل الروبوتية وما شابه ذلك، والتي غالبًا ما تتم التحكم فيها عبر أوامر متخصصة أو شيء مثل واجهة برمجة تطبيقات Python. تم منح هذا النموذج الذكاء الاصطناعي الوصول إلى جميع الدلائل الخاصة بهذه المعدات، مما يتيح له معرفة كيفية التحكم فيها.
المخطط
يمكن للمخطط إصدار أوامر لكل من النماذج الأخريين للذكاء الاصطناعي ومعالجة ردودهما. لديه الوصول إلى بيئة تطوير Python لتنفيذ الشفرة، مما يتيح له إجراء الحسابات. كما يمتلك الوصول إلى معدات المختبر المؤتمتة، مما يتيح له القيام بالتجارب وتحليلها فعليًا. يمكنك أن تفكر في المخطط كجزء من النظام الذي يجب أن يتصرف مثل كيميائي، يتعلم من الأدبيات ويحاول استخدام المعدات لتنفيذ ما تعلمه.
يمكن للمخطط أيضًا تحديد حدوث أخطاء البرامج (سواء في النصوص البرمجية Python الخاصة به أو في محاولاته للتحكم في الأجهزة المؤتمتة)، مما يتيح له تصحيح أخطائه.
وضع النظام في الاستخدام
في البداية، تم طلب من النظام تخليق عدد من المواد الكيميائية مثل الأسيتامينوفين والايبوبروفين، مما يؤكد أنه يمكنه بشكل عام تحديد تخليق قابل للتنفيذ بعد البحث في الويب والأدب العلمي. لذا، السؤال هو ما إذا كان النظام قادرًا على تحديد المعدات التي يمتلكها بما يكفي لوضع قدرته المفاهيمية في العمل.
للبدء بشيء بسيط، استخدم الباحثون لوحة عينة قياسية، تحتوي على مجموعة من الآبار الصغيرة المرتبة في شبكة مستطيلة. طُلب من النظام ملء المربعات والخطوط القطرية أو أنماطًا أخرى باستخدام سوائل ملونة مختلفة وتمكن من القيام بذلك بفعالية.
بعد ذلك، وضعوا ثلاثة محاليل ملونة مختلفة في مواقع عشوائية في شبكة الآبار؛ طُلب من النظام تحديد أي الآبار هي لون ما. بمفرده، لم يكن لدى Coscientist معرفة كيفية القيام بذلك. ولكن عندما تم تذكيره بأن الألوان المختلفة ستظهر طيف امتصاص مختلف، استخدم جهاز الطيف الذي كان لديه وصول إليه وتمكن من تحديد الألوان المختلفة.
مع وجود الأوامر والتحكم الأساسي يبدو أنه يعمل، قرر الباحثون تجربة بعض التفاعلات الكيميائية. قدموا لوحة عينة مع آبار مملوءة بمواد كيميائية بسيطة ومحفزات وما شابه ذلك، وطلبوا منها تنفيذ تفاعل كيميائي محدد. حصل Coscientist على التفاعل الكيميائي بشكل صحيح من البداية، ولكن محاولاته لتشغيل التخليق فشلت لأنه أرسل أمرًا غير صالح إلى الأجهزة التي تسخن وتقلب التفاعلات. أعاد ذلك النظام إلى وحدة الوثائق، مما سمح له بتصحيح المشكلة وتشغيل التفاعلات.
ونجحت التوقيعات الطيفية للمنتجات المرغوبة في التواجد في خليط التفاعل، وتم تأكيد وجودها بواسطة الكروماتوغرافيا.
تحسين النظام
بعد أن بدأت التفاعلات الأساسية تعمل، طلب الباحثون من النظام تحسين كفاءة التفاعل – قدموا عملية التحسين كلعبة حيث يزداد النقاط مع زيادة العائد الكيميائي للتفاعل.
قام النظام ببعض الحسابات السيئة في الجولة الأولى من تفاعلات الاختبار ولكنه سرعان ما تركز على عوائد أفضل. ووجد الباحثون أيضًا أنه يمكنهم تجنب الاختيارات السيئة في الجولة الأولى عن طريق تزويد Coscientist بمعلومات حول العوائد التي تم إنتاجها بواسطة مجموعة من الخلائط البدائية العشوائية. وهذا يعني أنه لا يهم من أين يحصل Coscientist على معلوماته – سواء من التفاعلات التي يقوم بها أو من مصدر معلومات خارجي – فهو قادر على دمج المعلومات في تخطيطه.
خلص الباحثون إلى أن Coscientist لديه عدة قدرات ملحوظة:
- تخطيط تخليق كيميائي باستخدام المعلومات العامة
- تصفح ومعالجة الكتيبات التقنية للأجهزة المعقدة
- استخدام تلك المعرفة للتحكم في مجموعة من معدات المختبر
- دمج قدرات التعامل مع المعدات في سير العمل في المختبر
- تحليل تفاعلاتها الخاصة واستخدام تلك المعلومات لتصميم ظروف تفاعل محسنة.
من العديد من النواحي، يبدو هذا مشابهًا لتجربة قد يخوضها الطالب في السنة الأولى من الدراسات العليا. في الأفضل، سيتقدم الطالب الدراسي بعد ذلك. ولكن ربما يكون GPT-5 قادرًا على ذلك أيضًا.
على نحو أكثر جدية، فإن هيكل Coscientist، الذي يعتمد على تفاعل عدد من الأنظمة المتخصصة، مشابه لكيفية عمل الأدمغة. من الواضح أن الأنظمة المتخصصة في الدماغ قادرة على مجموعة أوسع من الأنشطة، وهناك المزيد منها. ولكن قد يكون هذا النوع من الهيكل حاسمًا لتمكين سلوك أكثر تعقيدًا.
ومع ذلك، فإن الباحثين أنفسهم قلقون بشأن بعض قدرات Coscientist. هناك الكثير من المواد الكيميائية (فكر في أشياء مثل غازات الأعصاب) التي لا نرغب في رؤيتها تصبح أسهل في التخليق. وأصبح من التحدي الدائم معرفة كيفية إخبار نماذج GPT بعدم القيام بشيء ما.
المصدر: Nature، 2023. DOI: 10.1038/s41586-023-06792-0 (حول DOIs).
معلومات عن الكاتب
جون تيمر هو محرر العلوم في Ars Technica. حاصل على درجة البكالوريوس في الكيمياء الحيوية من جامعة كولومبيا، ودكتوراه في الأحياء الجزيئية والخلوية من جامعة كاليفورنيا، بيركلي. عندما يبتعد عن لوحة المفاتيح، يميل إلى البحث عن دراجة هوائية أو موقع طبيعي للتواصل مع حذائه للمشي.
Source: https://arstechnica.com/science/2023/12/large-language-models-can-figure-out-how-to-do-chemistry/
اترك تعليقاً