AI vědci z Google a Future House zrychlují výzkum, ale bez lidského vhledu se neobejdou
InovaceVědecké objevy často vyžadují hluboké specializované znalosti a schopnost propojovat zdánlivě nesouvisející fakta. Vědci musí kombinovat detailní analýzu s širokými strategiemi uvažování.
Vědecké objevy často vyžadují hluboké specializované znalosti a schopnost propojovat zdánlivě nesouvisející fakta. Vědci musí kombinovat detailní analýzu s širokými strategiemi uvažování. S nástupem umělé inteligence (AI) se výzkumníci snaží využít AI systémy k urychlení své práce, zejména v úlohách bohatých na informace, jako je generování nápadů, revize existujících prací a analýza dat.
Nejnovější systémy využívají velké jazykové modely (LLM), které vědcům umožňují přirozenou a přímou interakci s obrovským množstvím znalostí zachycených ve vědecké literatuře. Nicméně, jak ukazují dva nové systémy popsané v nedávno publikovaných studiích v časopise Nature, samotný jazyk má ve vědě své limity. Zatímco některé organizace se snaží automatizovat celý vědecký proces, zejména v informatice, kde experimenty zahrnují hlavně návrh a psaní kódu, širší aplikace AI ve vědě přináší i obavy. Předchozí práce poukázaly na zvýšené množství, ale nižší kvalitu vědeckých prací a recenzí, identifikovaly smyšlené reference a zavádějící obrázky.
AI systémy proto nemohou být plně důvěryhodné k samostatnému provádění celého vědeckého procesu. Místo toho se pozornost obrací k jejich využití jako pomocníků, kteří vědcům umožní dosáhnout více za kratší dobu. To je záměrem dvou nových systémů: Robin od neziskové organizace Future House a Co-Scientist od Google DeepMind. Oba systémy jsou navrženy tak, aby urychlily vědecké objevy ve spolupráci s lidskými vědci. Jedná se o „multi-agentní“ AI systémy, složené ze specializovaných agentů, z nichž každý se zaměřuje na konkrétní kroky vědeckého procesu a je koordinován „supervizorem“.
Agenti Co-Scientist napodobují abstraktní kognitivní úkoly, například „reflexní agent“ funguje jako kritický vědecký recenzent, který posuzuje kvalitu hypotézy. „Hodnotící agenti“ pak debatují o výzkumných hypotézách v „turnajích“, simulujících diskusi o relativních přednostech dvou hypotéz pomocí více interagujících LLM. Robinovi agenti jsou naopak více zaměřeni na specifické úkoly relevantní pro změnu účelu léčiv, s cílem identifikovat nové léky pro danou nemoc. Jeden agent se zaměřuje na výběr experimentálních testů, zatímco jiný analyzuje komplexní biomedicínská data.
Co-Scientist dokáže posoudit kvalitu svých generovaných návrhů pomocí metody Elo rating, známé z hodnocení šachistů. Jeho vlastní hodnocení novosti a dopadu výstupů se poměrně dobře shoduje s preferencemi lidských expertů. V experimentu s repurposingem léčiv Co-Scientist vybral 30 kandidátů na léky jako slibné léčby pro akutní myeloidní leukémii. Expertní onkologové seznam upřesnili a pět léků bylo testováno v laboratoři. Tři z nich vykázaly pozitivní výsledky a jeden se jevil jako obzvláště slibný. Robin byl zase použit k navržení 30 kandidátů na léky pro suchou formu věkem podmíněné makulární degenerace, přičemž dva léky byly identifikovány jako slibné po několika kolech brainstormingu a analýzy.