از زمان ظهور اولین مجلات علمی در دهه 1660، مقالات علمی اسناد ثابتی بوده اند. یک تیم در پزشکی استنفورد می‌خواهد آنها را وادار به صحبت کند. در مطالعه‌ای که در ۱۶ سپتامبر در مجله Nature منتشر شد، محققان Paper2Agent را پرده‌برداری کردند، سیستمی که هر دست‌نوشته علمی - متن، شکل‌ها و داده‌های آن را - به یک عامل هوش مصنوعی تعاملی تبدیل می‌کند که می‌تواند به سؤالات مربوط به کار پاسخ دهد، روش‌های آن را بر روی داده‌های جدید اعمال کند و با دیگر عوامل کاغذی برای تولید یافته‌های جدید همکاری کند.

این پروژه توسط محقق فوق دکتری جیاچنگ میائو و نویسنده ارشد جیمز زو، دانشیار علوم داده های زیست پزشکی در پزشکی استنفورد هدایت شد.

از صفحات غیرفعال تا دانش فعال

زو در بیانیه ای از استنفورد مدیسین گفت: اساساً برای تمام تاریخ بشر، روشی که ما دانش را بازنمایی می کنیم در قالب این مصنوعات بسیار منفعل است. در زمان‌های قدیم، مردم دانش را روی سنگ‌ها می‌تراشیدند، و اکنون ما دانش را به کلمات روی صفحات تایپ می‌کنیم - اما از یک نظر صفحات آنقدرها بهتر نیستند.

او افزود: «این فرصتی است تا اساساً شکل دانش را دوباره تصور کنیم. چرا به جای اینکه فقط مصنوعات غیرفعال داشته باشیم، هر رکورد ثابت را به تجسم فعال دانش تبدیل نکنیم؟ Zou هر عامل مقاله را چیزی شبیه به یک نویسنده مجازی توصیف می کند که می داند تحقیق در واقع چگونه انجام شده است و می تواند آن را توضیح دهد، دفاع کند و گسترش دهد.

چگونه Paper2Agent یک عامل ایجاد می کند

فرآیند تبدیل به تیمی از "عوامل کارگر" هوش مصنوعی متکی است که یک مقاله منتشر شده را به همراه هر کد و داده مرتبط تجزیه می کنند. مهمتر از همه، آنها فقط مطالعه را نمی خوانند بلکه سعی می کنند آن را از ابتدا در یک محیط مجازی بازتولید کنند و آزمایش های مستند را شبیه سازی کنند. با انجام مجدد کار، کارگزاران دانشی را جذب می‌کنند که هرگز وارد نسخه نهایی نمی‌شود، از معرف‌ها و وابستگی‌های نرم‌افزاری گرفته تا ویژگی‌های تنظیمات آزمایشی.

سپس این دانش با استفاده از یک MCP - یک پروتکل بافت مدل که مقاله را در یک ساختار قابل دسترسی سازماندهی می کند، ذخیره می شود. زو گفت: «یک MCP به هوش مصنوعی اجازه می‌دهد اساساً یک PDF کاغذی را به شکلی نشان دهد که دسترسی به آن برای نمایندگان آسان است، تقریباً مانند یک سیستم پرونده».

اگرچه ماشین ها نمی توانند همه چیز را ضبط کنند. آزمایش‌های ناموفق، قضاوت‌ها و استدلال ضمنی پشت انتخاب‌های طراحی هنوز فقط در ذهن محققان وجود دارد. بنابراین این سیستم شامل یک مرحله مکالمه است که در آن عامل مقاله با نویسندگان انسانی مصاحبه می کند تا این شکاف ها را پر کند.

اولین کشف: یک سرنخ جدید ADHD

برای نشان دادن آنچه که همکاری عامل به نماینده می تواند انجام دهد، تیم دو مقاله نامرتبط را به عامل تبدیل کرد. یکی ابزاری را برای پیش‌بینی چگونگی تأثیر جهش‌های ژنتیکی بر ژنوم توصیف کرد. دیگری یک مطالعه ارتباط ژنومی در مورد خطر اختلال کمبود توجه/بیش فعالی را گزارش کرد.

هنگامی که هر دو در حال اجرا بودند، عوامل به تنهایی نقاط مشترکی پیدا کردند. عامل پیش‌بینی ژنوم روش خود را روی مجموعه داده‌های ADHD اعمال کرد و یک نوع مولکولی نزدیک به ژنی به نام MPHOSPH9 را به عنوان مرتبط با افزایش خطر ADHD علامت‌گذاری کرد - ارتباطی که زو گفت قبلاً گزارش نشده بود.

زو گفت: «در گذشته، اگر دو گروه تحقیقاتی وجود داشته باشند که دو مقاله متفاوت منتشر کنند، این دو گروه تحقیقاتی باید به نحوی یکدیگر را پیدا کنند. چشم انداز بلندمدت به مراتب بزرگتر از یک جفت گیری دستچین شده است: میلیون ها عامل کاغذی که روی سطح بین خود همپوشانی دارند و بینش های جدیدی را در مقیاس ایجاد می کنند - چیزی که Zou در مقایسه با تاریخ نویسی سریع نسخه خطی دارد.

قول، انتساب و حفاظ

این تیم تاکنون بیش از 100 عامل کاغذ ساخته است و هنوز در حال بررسی این موضوع است که چگونه هزاران یا میلیون ها نفر از آنها ممکن است یکدیگر را پیدا کنند. زو استدلال می کند که پیشرفت علم بسیار زیاد است - او خاطرنشان کرد: "میلیون ها مقاله در هر سال منتشر می شود" - اما او در مورد دو هشدار صریح است.

اول، انتساب. عواملی که یافته های یک مقاله را گسترش می دهند، باید کار پژوهشگران اصلی را تقویت کنند، نه اینکه آن را دفن کنند. او گفت: "هنوز مهم است که اکتشافات نهایی را نسبت دهیم و آنها را به مقالات اصلی و نویسندگان اصلی انسانی ارجاع دهیم."

دوم، نظارت. زو گفت که پارامترهایی که بر اساس آنها عوامل همکاری و اکتشافات انجام می دهند باید به دقت هدایت و نظارت شوند تا این همکاری ها با شیوه های تحقیقاتی ایمن و اخلاقی هماهنگ شود.

این کار با بودجه Chan-Zuckerberg Biohub حمایت شد.

چرا مهم است

Paper2Agent در یک چشم‌انداز تحقیقاتی قرار می‌گیرد که قبلاً با بررسی ادبیات به کمک هوش مصنوعی و اتوماسیون آزمایشگاهی تغییر شکل داده است، اما فرض آن متفاوت است: به جای استفاده از یک مدل همه‌منظوره برای خلاصه کردن مقالات، هر مقاله را به یک متخصص تأیید شده و قابل اجرا تبدیل می‌کند که در واقع علم زیربنایی را دوباره اجرا کرده است. اگر رویکرد تعمیم یابد، مقاله علمی خود ممکن است از یک سند قابل استناد به یک زیرساخت عملیاتی تبدیل شود - و سرعت اتصال یافته‌ها در بین رشته‌ها می‌تواند بر این اساس تسریع شود.

_پیشتر از منحنی باشید. در [AI Buzz Wire] (https://aibuzzwire.news) آخرین دستاوردهای هوش مصنوعی و معنای آنها برای علم و صنعت را دریافت کنید.

_اخبار هوش مصنوعی را بیشتر بخوانید →_