وكلاء الذكاء الاصطناعي: نقلة نوعية في البحث العلمي تتجاوز نموذج AlphaFold

مقدمة تحليلية

مُنح ديميس هاسابيس وجون جمبر من Google DeepMind جزءاً من جائزة نوبل في الكيمياء عام 2024، تقديراً لشبكتهم العصبية AlphaFold، التي تتنبأ بالهياكل ثلاثية الأبعاد للبروتينات من خلال التعلم من آلاف الأشكال المُقاسة تجريبياً. هذه المعضلة، التي استعصت على الحلول المنهجية لمدة نصف قرن، بدا أن AlphaFold قد حسمتها، مما دفع العالم نحو وعود هذا النهج. وقد وصف هاسابيس وفريقه AlphaFold بأنها «القالب الذي يمكن للذكاء الاصطناعي من خلاله تسريع جميع مجالات العلوم إلى السرعة الرقمية». نتج عن ذلك موجة من الشركات الناشئة التي جمعت مليارات الدولارات لبناء نماذج أساسية في البيولوجيا والكيمياء واكتشاف المواد، مدفوعة بنجاح DeepMind.

ومع ذلك، بينما يمثل AlphaFold إنجازاً عميقاً، فإن الظروف التي أنتجت أمثاله نادرة، والوقت اللازم لتلبية هذه الشروط في مجالات أخرى سيُقاس بالعقود، لا بالسنوات. التحول الحقيقي في تسريع العلوم يأتي من نهج آخر: وكلاء الذكاء الاصطناعي، كما أعلنت Google في مايو عن نظامها «AI Co-Scientist» الذي يمثل دليلاً على هذا المسار الجديد.

التحليل التقني

اعتمد نجاح AlphaFold بشكل أساسي على توفر «Protein Data Bank»، وهي مجموعة بيانات تضم حوالي 170,000 بنية بروتينية تم التحقق منها تجريبياً. لم يكن إنشاء هذه القاعدة البيانات أمراً بسيطاً؛ فقد استغرق 53 عاماً من التعاون العلمي الدولي، وبتكلفة تقديرية حديثة بلغت حوالي 21 مليار دولار من العمل التجريبي لتجميعها. تُعرف الجهود بهذا الحجم بأنها صعبة التمويل بشكل كبير، وشبه مستحيلة التنسيق، وتستغرق وقتاً طويلاً جداً في التنفيذ، مما أدى في كثير من الأحيان إلى فشلها.

عوائق توليد البيانات

حتى في المجالات التي تتوافر فيها الموارد اللازمة، وحيث لا تكون البيانات ذات الصلة غير قابلة للوصول بسبب الملكية التجارية، توجد عقبة أخرى نادراً ما تُناقش: الاستحالة العلمية لتوليد بيانات قابلة للمقارنة. ففي حالة الهياكل البروتينية، تُعد تقنية حيود الأشعة السينية للبروتينات (protein crystallography) أداة قابلة للتكرار ويمكن الاعتماد عليها بشكل غير عادي، لدرجة أن أكثر من 25 جائزة نوبل اعتمدت عليها. لكن في معظم العلوم التجريبية، تختلف النتائج في أغلب الأحيان. تتغير خطوط الخلايا، وتحتوي المواد الكيميائية على ملوثات أثرية، وتتغير رطوبة المختبر.

سيتطلب إنشاء مجموعات بيانات قياس متسقة ودقيقة ومرجعية وقابلة للتطوير بما يكفي لتدريب شبكة عصبية حديثة في علم الأحياء أو معظم الكيمياء أنواعاً جديدة من القياسات ونهجاً موحدة جديدة، ولن يكون أي منها جاهزاً قريباً.

وكلاء الذكاء الاصطناعي: محركات الاستدلال

الوكيل (Agent) هو محرك استدلال للذكاء الاصطناعي مُنح إمكانية الوصول إلى أدوات – رقمية أو فيزيائية – وقدرات استخدامها. خلال السنوات القليلة الماضية، أحدث تحول معماري أساسي في الذكاء الاصطناعي انتشاراً سريعاً لهذه البرامج، المدعومة بنماذج اللغة الكبيرة (LLMs)، مما قلل بشكل كبير من الحاجة إلى مجموعات بيانات متخصصة علمياً. يمثل هذا التقدم التكنولوجي تغييراً جوهرياً للعلوم؛ فقد سمح بإنشاء أدوات رقمية تحاكي العملية التكرارية والمشروطة للغاية للبحث الفعلي. بينما تطبق أدوات مثل AlphaFold نهجاً قوياً لسؤال محدود، فإن الوكلاء هم بطبيعتهم عامّون.

إنهم لا يمثلون طريقة جديدة للقيام بالعلم، بل يمثلون نمذجة رقمية لعملية الاكتشاف البشري. على سبيل المثال، قامت Google بتكليف نظامها AI Co-Scientist في مايو بمهمة معرفة كيفية انتشار مقاومة المضادات الحيوية بين أنواع البكتيريا. أنشأ النظام وكلاء فرعيين: أحدهم صاغ فرضيات من الأدبيات، وآخر قام بتفكيكها كمراجع أقران، وثالث أجرى مسابقات لترتيب أقوى المرشحين، ورابع صقل الفرضية الفائزة. استنتج الوكيل أن جينات المقاومة كانت تتنقل على الفيروسات البكتيرية، مستعيرة أي فيروس يمكن أن ينقلها إلى مضيف جديد.

كانت الفرضية صحيحة؛ وقد أمضى باحثون في Imperial College London عقداً كاملاً للوصول إلى نفس النتيجة من خلال عمل معملي مضنٍ، وكانت ورقتهم، التي لم يرها Co-Scientist مسبقاً، لا تزال قيد مراجعة الأقران.

السياق وتأثير السوق

على الرغم من أن قالب AlphaFold سيكون له دور بلا شك في اكتشافات مذهلة، إلا أنه لن يقودنا بمفرده إلى «نهاية العلم». الظروف المواتية التي مكنت AlphaFold من العمل – توافر مجموعة بيانات Protein Data Bank التي استغرقت 53 عاماً وكلفت 21 مليار دولار – نادرة بشكل استثنائي وتحد من قدرة هذا النموذج على التوسع في معظم المجالات العلمية. في المقابل، يمثل التحول نحو الذكاء الاصطناعي العام ذو القدرات الوكيلة (agentic AI) مستوى نادراً جداً من الاختراقات: أداة تغطي كل مجال من مجالات العلوم في آن واحد. تاريخياً، لم تظهر أدوات بهذا النطاق سوى مرات قليلة: حساب التفاضل والتكامل، الاستدلال الإحصائي، التحليل الطيفي، والكمبيوتر. كل منها كشف عن عالم من المشاكل لم يفكر أحد في صياغتها، وقد أعادت تلك المشاكل بدورها تعريف مجالاتها. مع الوكلاء، هناك تحول آخر من هذا القبيل يلوح في الأفق.

يُقدم وكلاء الذكاء الاصطناعي حلاً هيكلياً لـ«أزمة قابلية التكرار» في العلوم، وهي مشكلة واسعة الانتشار تتمثل في عدم قدرة الباحثين على تكرار نتائج بعضهم البعض. لطالما طالب المجتمع العلمي الباحثين بمشاركة بياناتهم الخام ورموزهم الدقيقة لتوحيد العمليات التجريبية، لكنهم قاوموا هذا العمل الإداري الشاق الذي يحدث بعد الانتهاء من «الجزء المثير للاهتمام» من العلم. على النقيض، يقوم الوكلاء تلقائياً بتسجيل كل خطوة يقومون بها، مما ينشئ سجلاً دقيقاً للطريقة التي أدت إلى نتائجهم ويسمح بالتكرار الدقيق. كما سيعززون الذاكرة العلمية؛ فبدلاً من دفاتر الملاحظات المخبرية الفوضوية التي تركها أسلافهم على مدى عقود، سيتم تسجيل تاريخ المختبر العلمي بأكمله في مستودع مركزي موحد للمعرفة المؤسسية. الأهم من ذلك، سيتجلى تأثير الوكلاء في السرعة؛ ففي أي مجال، عندما يستغرق اختبار فكرة وقتاً أقل من مناقشتها في اجتماع، يتوقف الناس عن الجدال ويجرون الاختبار. الوكيل الذي يمكنه قراءة ألف ورقة في ساعة، وتصميم 500 جزيء، والتعلم من اختباراته الفاشلة بحلول الصباح، سيخفض تكلفة التجارب ويغير بشكل أساسي وتيرة إنجاز العلوم.

رؤية Glitch4Techs

وكلاء الذكاء الاصطناعي لا يمثلون مجرد تطور، بل نقلة نوعية جذرية تتفوق على نموذج AlphaFold المدفوع بالبيانات، رغم تقدير جائزة نوبل له في 2024. بينما يُعد AlphaFold إنجازاً تكنولوجياً، فإن منهجه مقيّد بقيود لا يمكن التغلب عليها في معظم المجالات العلمية. الاعتماد على بناء مجموعات بيانات هائلة، كما يتضح من تكلفة «Protein Data Bank» التي بلغت 21 مليار دولار على مدى 53 عاماً، يجعل نموذج AlphaFold استثناءً نادراً وليس قاعدة قابلة للتطبيق على نطاق واسع. في المقابل، يُقدم الوكلاء حلاً هيكلياً لمشاكل عميقة مثل «أزمة قابلية التكرار» من خلال التوثيق التلقائي لكل خطوة، فضلاً عن تسريع وتيرة الاكتشاف العلمي بشكل غير مسبوق.

إن هذا التحول إلى نماذج الاستدلال يشكل أساساً حقيقياً لتحويل العلم، متجاوزاً بذلك الإنجازات النقطية التي تستند إلى تجميع البيانات الهائلة.