غالباً ما يؤدي الجهد الكبير والتكلفة العالية والطبيعة التكرارية للبحث العلمي إلى تباطؤ التقدم. تسعى جوجل إلى معالجة هذه المشكلة من خلال تزويد العلماء بـ "مساعد العلماء الذكي" (AI Co-Scientist)، وهو نظام ذكاء اصطناعي متعدد الوكلاء يعمل كمتعاون علمي افتراضي للمساعدة في توليد فرضيات جديدة، وتطوير مقترحات بحثية، وتسريع الاكتشافات العلمية.

كيف يعمل مساعد العلماء الذكي؟

من منظور خارجي، يعمل النظام بشكل مشابه لروبوتات المحادثة المتقدمة الأخرى مثل O3 من OpenAI أو R1 من Deepseek. يتفاعل العلماء مع النظام باستخدام أوامر نصية - بدءاً من هدف بحثي أولي، وتحسينه حسب الحاجة، وتوجيه تقدم النظام.

يعمل المساعد الذكي باستخدام نظام متعدد الوكلاء، يديره وكيل مشرف (Supervisor) يقوم بتعيين المهام للوكلاء المتخصصين ويشرف على التنفيذ.

يبدأ وكيل التكوين (Configuration) بتحليل هدف البحث لإنشاء خطة بحث منظمة. تحدد هذه الخطة تفضيلات الاقتراح والقيود والأهداف الرئيسية لتوليد مقترحات البحث.

بناءً على هذا التكوين، يقوم الوكيل المشرف بإعداد قائمة مهام وتنسيق الوكلاء المتخصصين. تم تصميم هؤلاء الوكلاء لمحاكاة منهجية البحث العلمي، مما يسمح لهم بتوليد فرضيات وخطط بحث مبتكرة. يستخدمون جميعاً نموذج Gemini 2.0 ويمكنهم أيضاً التفاعل مع أدوات خارجية، مثل محركات البحث على الويب ونماذج الذكاء الاصطناعي المتخصصة.

يبدأ وكيل التوليد (Generation) عملية البحث بتحديد مجالات التركيز الرئيسية، وتحسينها بشكل متكرر، وصياغة فرضيات ومقترحات أولية.

يعمل وكيل المراجعة (Reflection) كمراجع علمي نظير، لتقييم صحة وجودة وابتكار الفرضيات ومقترحات البحث.

يقوم وكيل الترتيب (Ranking) بتنظيم دورة مبنية على نظام تصنيف إيلو (Elo) لتقييم وترتيب مقترحات البحث مما يتيح التحسينات المتكررة.

يقوم وكيل التقارب (Proximity) بحساب أوجه التشابه بين الفرضيات، وإزالة التكرارات وتحسين استكشاف مجال الفرضيات.

يقوم وكيل التطور (Evolution) بتحسين الفرضيات ذات التصنيف الأعلى التي تم إنشاؤها بواسطة وكيل التصنيف بشكل متكرر، وتجميع الأفكار، والاستفادة من القياسات، والاستفادة من الأدبيات، وتعزيز الوضوح للحصول على رؤى أعمق وتحسين التماسك.

يسهل وكيل المراجعة الفوقية (Meta-Review) التحسين المستمر من خلال تجميع رؤى المراجعة، وتحديد أنماط المناقشة، وتحسين أداء الوكيل، وتحسين الفرضيات في نظرة عامة بحثية شاملة لتقييم العالم.

مقارنة مع نماذج اللغة الكبيرة الشهيرة

لمقارنة المساعد الذكي AI Co-Scientist مع نماذج اللغات الكبيرة ونماذج التفكير الأخرى المتطورة (Gemini 2.0 Pro Experimental، Gemini 2.0 Flash Thinking Experimental 12–19، OpenAI O1، OpenAI O3-Mini-High، و DeepSeek R1)، قام الباحثون بتحليل 15 هدفًا بحثيًا تم اختيارها كمشاكل صعبة من قبل سبعة خبراء في الطب الحيوي. تم تنظيم كل هدف بعناية بعنوان، وأهداف واضحة، ومجالات بيولوجية أو مرضية مفضلة، وسمات الحل المرغوبة، وقيود على التقنيات التجريبية.

قدم الخبراء "أفضل تخمين" للفرضيات أو الحلول، وتمت مقارنة مخرجات النماذج مع تخمينات الخبراء هذه، وكذلك مع مقترحات المساعد الذكي. تم بعد ذلك تقييم الأداء لكل هدف منسق باستخدام مقياس تصنيف إيلو .

تفوق المساعد الذكي على نماذج اللغات الكبيرة ونماذج التفكير الأخرى المتطورة في تصنيف إيلو مع زيادة الموارد الحسابية للتحسين المتكرر. والجدير بالذكر أن النماذج الأحدث مثل OpenAI O3-Mini-High و DeepSeek R1 قدمت أداءً تنافسياً مع استخدام موارد حسابية ووقت تفكير أقل بكثير. والأهم من ذلك، لم يتم ملاحظة تشبع في الأداء، مما يشير إلى أن توسيع نطاق الحساب في وقت الاختبار يمكن أن يزيد من تحسين جودة نتائج المساعد الذكي.

علاوة على ذلك، تفوق المساعد الذكي بشكل كبير على الخبراء البشريين. ومع ذلك، من المهم أن نتذكر أن إيلو لا يقيس الدقة العلمية بشكل مباشر، ولكنه يقيم الفعالية النسبية من حيث النجاح في معالجة أهداف البحث. هذا يعني أن تصنيف إيلو يمكن أن يفضل أحياناً سمات معينة (مثل الابتكار أو الشمولية) على عوامل مثل التوافق مع تفضيلات الخبراء أو الدقة.

تقييم المساعد الذكي على مشاكل علمية واقعية

نظراً لأن مقياس إيلو ليس دقيقاً بما فيه الكفاية، فقد أجرى مطورو المساعد الذكي اختباراً إضافياً يركز على تقييم النظام في سيناريو واقعي. أجروا ثلاث تجارب معملية، تضمنت إحداها توليد فرضيات لشرح تطور آليات نقل الجينات البكتيرية المتعلقة بمقاومة مضادات الميكروبات (AMR) - الطرق التي تطورت بها الميكروبات لمقاومة الأدوية المقاومة للعدوى.

قضى علماء إمبريال كوليدج لندن عقداً من الزمان في دراسة الجراثيم الخارقة المقاومة للمضادات الحيوية، مع التركيز على كيفية مساهمة بعض البكتيريا في العدوى المقاومة للمضادات الحيوية، وهو تحد صحي عالمي متزايد. بالتعاون مع مبادرة فليمنج، التي تعمل على السيطرة على مقاومة مضادات الميكروبات، طلبت جوجل من فريق ICL اختبار المساعد الذكي على نفس المشكلة.

طلب الباحثون من نظام الذكاء الاصطناعي استكشاف موضوع توصلوا فيه بالفعل إلى اكتشاف جديد، ولكن لم يتم نشره بعد: شرح كيفية وجود جزر كروموسومية مستحثة بالعاثية تشكل قفيصة (cf-PICIs) عبر أنواع بكتيرية متعددة.

اقترح المساعد الذكي بشكل مستقل أن cf-PICIs تتفاعل مع ذيول العاثيات المتنوعة لتوسيع نطاق مضيفها. يتوافق هذا الاكتشاف، الذي تم التحقق منه تجريبياً بواسطة الفريق قبل استخدام نظام الذكاء الاصطناعي، مع النتائج السابقة، والتي تم نشرها الآن في مخطوطات متزامنة مع المتعاونين في مبادرة فليمنج وإمبريال كوليدج لندن.

يسلط هذا الضوء على قيمة المساعد الذكي كتقنية مساعدة، حيث كان قادراً على الاستفادة من عقود من البحث والأدبيات المتاحة للوصول إلى نفس الاستنتاجات في جزء صغير من الوقت (يومان فقط).

الخلاصة

في الختام، يُظهر المساعد الذكي إمكانات كبيرة في المجالات التي تتطلب تحليلاً معقداً للبيانات واختبار الفرضيات، مثل اكتشاف الأدوية وأبحاث مقاومة مضادات الميكروبات.

على الرغم من أنه لا يقوم بأتمتة إنتاج المعرفة بشكل كامل، إلا أنه يسرع ويبسط عملية البحث بشكل كبير. و يتيح ذلك للباحثين التركيز بشكل أكبر على الجوانب الإبداعية والمفاهيمية لعملهم، مما يدفع التقدم العلمي الهادف بشكل كبير في العديد من التخصصات.