Agenty AI zrewolucjonizują naukę, wykraczając poza podejście oparte na danych

Współczesna nauka stoi u progu kolejnej rewolucji, a jej motorem napędowym mają być agenty sztucznej inteligencji, które naśladują ludzki proces rozumowania, a nie tylko przetwarzają ogromne zbiory danych. Chociaż osiągnięcia takie jak AlphaFold z Google DeepMind, nagrodzone w 2024 roku częścią Nagrody Nobla w dziedzinie chemii dla Demisa Hassabisa i Johna Jumpera, pokazały potencjał AI w rozwiązywaniu złożonych problemów, to jednak ich model oparty na danych ma swoje ograniczenia, które agenty AI mogą przezwyciężyć.

Ograniczenia podejścia AlphaFold i wyzwania związane z danymi

Sukces AlphaFold w przewidywaniu trójwymiarowych struktur białek, co przez pół wieku było ogromnym wyzwaniem, opierał się na uczeniu maszynowym z tysięcy eksperymentalnie zmierzonych kształtów. Hassabis i jego zespół nazwali AlphaFold „szablonem, jak AI może przyspieszyć całą naukę do cyfrowej prędkości”. To osiągnięcie wywołało falę inwestycji w modele fundamentalne dla biologii, chemii i odkrywania materiałów. Jednak warunki, które umożliwiły powstanie AlphaFold, są rzadkie i trudne do powtórzenia w innych dziedzinach.

Głównym czynnikiem sukcesu AlphaFold było istnienie Protein Data Bank – zbioru około 170 000 eksperymentalnie zweryfikowanych struktur białek. Stworzenie tej bazy danych zajęło 53 lata międzynarodowej współpracy naukowej i kosztowało około 21 miliardów dolarów pracy eksperymentalnej. Takie przedsięwzięcia są niezwykle trudne do sfinansowania, koordynacji i wykonania, a ich realizacja często kończy się niepowodzeniem. Ponadto, w większości dziedzin nauki eksperymentalnej, wyniki są zmienne ze względu na czynniki takie jak dryf linii komórkowych, zanieczyszczenia chemiczne czy zmiany wilgotności w laboratorium. Tworzenie spójnych, dokładnych i skalowalnych zbiorów danych, wystarczających do trenowania nowoczesnych sieci neuronowych w biologii czy chemii, wymagałoby nowych metod pomiarowych i standaryzacji, które nie są jeszcze dostępne.

Agenty AI jako nowy paradygmat w badaniach naukowych

Alternatywnym podejściem, które zyskuje na znaczeniu, są agenty AI. Są to silniki rozumowania AI, które mają dostęp do narzędzi – cyfrowych lub fizycznych – i zdolność do ich używania. Dzięki fundamentalnej zmianie architektonicznej w AI, napędzanej przez duże modele językowe, agenty te mogą naśladować iteracyjny i wysoce zależny od kontekstu proces rzeczywistych badań. W przeciwieństwie do AlphaFold, które stosuje potężne podejście do ograniczonego problemu, agenty są z natury uniwersalne. Nie reprezentują one nowego sposobu prowadzenia nauki, lecz cyfrowo modelują ludzki proces odkrywania.

Przykładem jest Google AI Co-Scientist, zaprezentowany w maju. System ten, po otrzymaniu krótkiego opisu problemu rozprzestrzeniania się oporności na antybiotyki między gatunkami bakterii, uruchomił pod-agenty, które:

• Opracowały hipotezy na podstawie literatury.
• Krytycznie oceniły te hipotezy.
• Przeprowadziły „turnieje” w celu uszeregowania najsilniejszych kandydatów.
• Udoskonaliły zwycięską hipotezę.

Agent doszedł do wniosku, że geny oporności są przenoszone przez wirusy bakteryjne, wykorzystując te, które mogą przetransportować je do nowego gospodarza. Hipoteza okazała się poprawna, a naukowcy z Imperial College London potrzebowali dekady pracy laboratoryjnej, aby dojść do tego samego wniosku.

Przyszłość nauki z agentami AI: odtwarzalność, pamięć i szybkość

Agenty AI, mimo że wciąż są nowymi narzędziami z wyzwaniami takimi jak halucynacje czy ograniczenia pamięci, mają potencjał do fundamentalnej zmiany sposobu prowadzenia nauki. Ich rozwój przyczyni się do:

• Poprawy odtwarzalności: Agenty automatycznie rejestrują każdy swój ruch, tworząc dokładny zapis metody prowadzącej do wyników, co ułatwia precyzyjną replikację i rozwiązuje problem „kryzysu odtwarzalności” w nauce.
• Wzmocnienia pamięci naukowej: Cała historia naukowa laboratorium może być zapisana w scentralizowanym, znormalizowanym repozytorium wiedzy instytucjonalnej, ułatwiając transfer wiedzy między badaczami.
• Znaczącego przyspieszenia badań: Agent, który potrafi przeczytać tysiąc artykułów w godzinę, zaprojektować 500 cząsteczek i uczyć się na podstawie nieudanych testów do rana, obniży koszty eksperymentów i fundamentalnie zmieni tempo pracy naukowej. Umożliwi to badaczom podejmowanie odważniejszych i bardziej ryzykownych pytań badawczych.

Chociaż szablon AlphaFold z pewnością przyczyni się do wielu odkryć, to agenty AI reprezentują przełom o znacznie szerszym zasięgu – narzędzie, które obejmuje jednocześnie każdą dziedzinę nauki. W historii nauki takie narzędzia, jak rachunek różniczkowy, wnioskowanie statystyczne, spektroskopia czy komputer, pojawiały się zaledwie kilka razy. Każde z nich otwierało świat problemów, których nikt wcześniej nie formułował, definiując na nowo całe dziedziny. Z agentami AI jesteśmy świadkami kolejnej takiej transformacji, która może odblokować nieznane dotąd możliwości badawcze i przyspieszyć postęp naukowy w niebywałym tempie.

Źródło: technologyreview.com