على الرغم من التقدم السريع في مجال الذكاء الاصطناعي، إلا أن الذكاء الاصطناعي لا يزال بعيدًا عن أن يكون جاهزًا لاستبدال البشر في مجال العلوم. ولكن هذا لا يعني أنه لا يمكن للذكاء الاصطناعي 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 الجهود العلمية. لذا فإن جميع أنظمة الذكاء الاصطناعي المستخدمة في هذا العمل هي LLMs ، بشكل رئيسي 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 متميزة للتعاون في إعداد تقسيم العمل وسموه “Coscientist”.
محرك البحث على الويب
يتمتع هذا المحرك بقدرتين رئيسيتين. الأولى هي استخدام واجهة برمجة تطبيقات البحث في google للعثور على صفحات قد تكون جديرة بالاستيعاب للمعلومات التي تحتوي عليها. والثانية هي استيعاب تلك الصفحات واستخراج المعلومات منها – فكر في ذلك على أنه مشابه لسياق الأجزاء السابقة من المحادثة التي يمكن أن يحتفظ بها Chat GPT لإبلاغ إجاباته في وقت لاحق. يمكن للباحثين تتبع المواقع التي يقضي فيها هذا الوحدة وكانت نصف الأماكن التي زارها صفحات Wikipedia. تشمل أفضل خمسة مواقع زارها المجلات التي تنشرها الجمعية الكيميائية الأمريكية والجمعية الملكية للكيمياء.
محرك البحث في الوثائق
فكر في هذا كمثيل RTFM. كان من المفترض أن يتم منح الذكاء الاصطناعي السيطرة على معدات التشغيل المختلفة في المختبر ، مثل منظمات السوائل الروبوتية وما شابه ذلك ، والتي يتم التحكم فيها غالبًا عن طريق أوامر متخصصة أو شيء مثل واجهة برمجة تطبيقات Python. تم منح هذا النموذج الذكاء الاصطناعي الوصول إلى جميع الدلائل لهذه المعدات ، مما يتيح له معرفة كيفية التحكم فيها.
المخطط
يمكن للمخطط إصدار أوامر لكل من وحدتي الذكاء الاصطناعي الأخريين ومعالجة ردودهما. لديه الوصول إلى بيئة تطوير Python لتنفيذ الشفرة ، مما يتيح له إجراء الحسابات. لديه أيضًا وصول إلى معدات المختبر المؤتمتة ، مما يتيح له القيام بالتجارب وتحليلها فعليًا. يمكنك أن تعتبر المخطط جزءًا 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 البرامج النصية Python الخاصة به أو في محاولاته للتحكم في الأجهزة المؤتمتة) ، مما يتيح له تصحيح أخطائه. وضع النظام للاستخدام
وضع النظام للاستخدام
في البداية ، تم طلب من النظام تخليق عدد من المواد الكيميائية مثل الأسيتامينوفين والايبوبروفين ، مما يؤكد أنه يمكنه بشكل عام تخليق تخليق ممكن بعد البحث في الويب والأدب العلمي. لذا ، السؤال هو ما إذا كان النظام يمكنه معرفة المعدات التي يمكنه الوصول إليها 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. تم طلب من النظام ملء المربعات أو الخطوط المائلة أو أنماط أخرى باستخدام سوائل ملونة مختلفة وتمكن من القيام بذلك بفعالية.
بعد ذلك ، وضعوا ثلاثة حلول 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 مطيافه الذي كان لديه الوصول إليه وتمكن من تحديد الألوان المختلفة.
مع وجود الأوامر والتحكم الأساسي يبدو أن الباحثين قرروا 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 الكيمياء بشكل صحيح من البداية ، ولكن محاولاته لتشغيل التخليق فشلت لأنه أرسل أمرًا غير صالح إلى الأجهزة التي تسخن وتقلب التفاعلات. أعاد ذلك إلى وحدة الوثائق ، مما سمح له بتصحيح المشكلة وتشغيل التفاعلات.
وعملت. تم العثور على تواقيع طيفية للمنتجات المطلوبة في خليط التفاعل ، وتم تأكيد وجودها بواسطة الكروماتوغرافيا.
التحسين
مع عمليات التفاعل الأساسية التي تعمل ، طلب الباحثون من النظام تحسين كفاءة التفاعل – قدموا عملية التحسين كلعبة حيث يزيد النقاط مع حصيلة التفاعل.
قدم النظام بعض التخمينات السيئة في الجولة الأولى من تفاعلات الاختبار ولكنه سرعان ما تركز على حصيلة أفضل. وجد الباحثون أيضًا أنه يمكنهم تجنب الاختيارات السيئة في الجولة الأولى عن طريق تزويد Coscientist بمعلومات حول الحصيلة التي تم إنتاجها من خليطات البداية العشوائية. هذا 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 التنقيب ومعالجة الكتب التقنية للأجهزة المعقدة استخدام تلك المعرفة للتحكم في مجموعة من معدات المختبر دمج قدرات التعامل مع الأجهزة في سير العمل في المختبر تحليل ردود فعله الخاصة واستخدام تلك المعلومات لتصميم ظروف تفاعل محسنة.
من العديد من الجوانب ، يبدو هذا مشابهًا لتجربة طالب في السنة الأولى من الدراسات العليا. في الأفضل ، سيتقدم الطالب الجامعي بعد ذلك. ولكن ربما يكون GPT-5 قادرًا على ذلك أيضًا.
على نحو أكثر جدية ، فإن هيكلة Coscientist ، التي تعتمد على تفاعل عدد من الأنظمة المتخصصة ، مشابهة 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 ضروريًا لتمكين سلوك أكثر تعقيدًا.
ومع ذلك ، فإن الباحثين أنفسهم قلقون بشأن بعض قدرات Coscientist. هناك العديد 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).
تعليقات القراء
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 يكون بعيدًا عن لوحة المفاتيح ، يميل إلى البحث عن دراجة هوائية أو موقع طبيعي للتواصل مع حذائه للمشي.
اترك تعليقاً