Google DeepMind imepanua mfumo wake wa wakala mbalimbali wa AI Co-Scientist kutoka jenereta ya dhahania hadi mshirika wa utafiti uliounganishwa na maabara ambaye hupanga majaribio, huandika msimbo, kudhibiti vifaa vya maabara na kutoa miswada ya kisayansi, kulingana na ripoti ya The Dekoder iliyochapishwa Agosti 28. Mfumo, uliojengwa kwa msingi wa Google wa sasa wa Gemini, umewasilisha matokeo ya sayansi ya sayansi kwa majaribio kulingana na mifano ya taaluma ya sayansi - kwa majaribio ya sayansi na miundo halali ya taaluma na mwandishi kiongozi Samuel Schmidgall na wenzake.
Ilianzishwa kwa mara ya kwanza mnamo Februari 2025 kwenye Gemini 2.0 na udhaifu unaojulikana katika kukagua ukweli na uhakiki wa fasihi, Mwanasayansi-Mwenza aliyepanuliwa sasa anaendesha kile watafiti wanachokiita mtiririko wa utafiti wa kitanzi. Hupata dhahania kutoka kwa swali la utafiti, huunda mipango ya majaribio au itifaki za maabara zinazoweza kusomeka na mashine, huzitekeleza, huchanganua matokeo na kuyaandika - huku moduli tofauti za uthibitishaji zikikagua kila dai la nambari katika maandishi dhidi ya kumbukumbu za utekelezaji za msimbo uliounda, shambulio la moja kwa moja kwa mawakala wa matokeo yaliyobuniwa tatizo ambalo limekumba matatizo ya utafiti yanayojitegemea.
Kazi hii ni hatua ya hivi punde zaidi katika maendeleo ya hivi punde ya AI kuhusu mawakala wa utafiti wanaojitegemea, na mojawapo ya ya kwanza kuunganisha mfumo wa LLM na maunzi halisi ya maabara katika kiwango hiki.
Kutoka kwa dhana hadi itifaki mvua za maabara
Katika sayansi ya nyenzo, DeepMind ilioanisha Co-Scientist na tanuru ya otomatiki yenye halijoto ya juu. Mfumo ulipata njia salama zaidi ya usanisi wa nyenzo inayotafutwa ya 2D iliyotengenezwa hapo awali hasa kupitia uchongaji hatari, na ikatoa mapishi kamili ya ukuaji yaliyolengwa kulingana na tanuru mahususi iliyokuwa ikifanya kazi nayo. Baada ya marudio 25 ya uboreshaji wa kibinadamu, timu ilizalisha miundo yenye safu ambayo sifa zake zinafanana na nyenzo inayolengwa - ingawa uthibitisho wa uhakika wa muundo wa atomiki bado unasubiri.
Katika jaribio la pili, filamu tatu nyembamba za semiconductor ziliundwa kwa mafanikio kwenye jaribio la kwanza. Kwa kutumia Gemini 3 Deep Think kwa udhibiti wa vifaa vya moja kwa moja, Co-Scientist alipunguza muda wa kutengeneza mapishi kutoka siku hadi dakika. Binadamu bado alilazimika kupakia sampuli na nyenzo za utangulizi kwa mikono, na hali ya haraka ikatoa fuwele ndogo, zisizo sawa kuliko mapishi yaliyoboreshwa kwa uangalifu - ukumbusho kwamba kitanzi bado hakijazimishwa kikamilifu.
Katika biolojia, mfumo huu uliunda kiotomatiki bomba la uchanganuzi wa picha ambalo hutabiri ni muundo gani wa makoloni ya E. koli yaliyoundwa kijeni katika viwango tofauti vya kemikali. Utabiri uliotolewa kwa Picha ya Gemini 3 Pro ulilingana na matokeo ya maabara ambayo hayajachapishwa kwenye vipengele vitatu kati ya vinne. Watafiti wanaona sababu za mfumo pekee kati ya hali zinazojulikana na bado hawawezi kutabiri tabia katika mifumo mpya ya majaribio.
AI inayojitegemea ambayo huunda AI nyingine
Jaribio la sayansi ya kompyuta lilifanyika bila kuhusika kwa mwanadamu zaidi ya usanidi wa awali. Mwanasayansi-Mwenza alibuni "Agent_H," usanifu wa AI wa kimatibabu ambao huainisha maswali yanayokuja, huzalisha watahiniwa kadhaa wa majibu sambamba na kuyaboresha. Baada ya kusahihisha majibu marefu kupita kiasi, Agent_H ilifanya utendakazi kupita miundo sita ya mipakani - ikiwa ni pamoja na GPT-5 na Claude Opus 5 - kwenye viwango vya afya.
Kisha kukaja kuangalia ukweli. Madaktari watatu walioidhinishwa na bodi walipata majibu kwa ulinganisho uliopofushwa katika kategoria tisa, na Agent_H alionyesha faida kubwa kitakwimu kuliko Gemini 3.1 Pro ya msingi katika moja tu: hatari ndogo ya majibu yanayoweza kudhuru. Wakaguzi wa kielelezo otomatiki waliunganishwa kwa udhaifu tu na maamuzi ya madaktari.
Pengo hilo kati ya alama za ulinganifu na manufaa ya kimatibabu bila shaka ndilo matokeo muhimu zaidi ya utafiti. Alama za juu za kiotomatiki, watafiti wanapendekeza, haimaanishi kuwa mfumo hutoa majibu bora kutoka kwa mtazamo wa matibabu - kuibua maswali yasiyofurahisha kuhusu kile ambacho alama za AI hupima.
Kupunguza utengenezaji kutoka 46% hadi 4%
Njia kuu ya kutofaulu ya mawakala wa utafiti wanaojitegemea ni uzushi: wakala anapotuzwa kwa kutoa matokeo mazuri, huwa na motisha ya kuyaunda. Awali huchanganua viwango vya utungaji vilivyoandikwa vya asilimia 80 hadi 100 katika mifumo iliyopo.
Mwanasayansi-mwenza hushambulia tatizo kwa njia mbili. Mfumo huu unaadhibiwa kwa maudhui yaliyotungwa au kuigizwa, na sehemu tofauti ya uthibitishaji hukagua kila dai la nambari dhidi ya matokeo halisi ya msimbo wake uliotekelezwa. Katika utafiti wa upofu maradufu uliohusisha wataalam 30 wa kikoa na hakiki huru 450 za karatasi 150 zilizotolewa kwa uhuru, matokeo yalikuwa dhahiri:
- 4% ya karatasi zilitengeneza matokeo muhimu yenye moduli za kutegemewa zinazotumika, dhidi ya 46% bila hizo.
- Mfumo wa kulinganisha ulifikia 90% uundaji wa matokeo muhimu.
- Data iliyotungwa kabisa haijawahi kuonekana katika matokeo ya Co-Scientist, lakini ilionekana katika 44% ya karatasi za mfumo wa ulinganishi.
- Maudhui yaliyo karibu na kuigizwa yameshuka kutoka 60% hadi 16%.
- Usanifu jumuishi wa usalama umekataliwa 98.7% ya maelekezo ya utafiti ambayo yanaweza kuwa hatari.
Hayuko tayari kuchukua nafasi ya wanasayansi
Hitilafu zilizobaki zimesalia. Mfumo huo unaelekea kwenye utoaji wa taarifa za kuchagua, na Schmidgall anakubali kuwa anaandika "mbinu zinazokubalika sana kwenye karatasi ambazo hazikulingana na kanuni zake halisi." Ikiwa mapishi ya nyenzo-sayansi huhamishiwa kwa maabara zingine ni swali la wazi, na matokeo ya baiolojia, wakati yanaahidi, yalishughulikia aina finyu tu ya utabiri.
Bado, trajectory ni wazi. Mfumo ulioanza kama jenereta dhahania miezi kumi na minane iliyopita sasa unaweza kupanga jaribio, kuendesha tanuru, kuchanganua matokeo na kuandaa hati - na hati, kwa uthibitishaji wa kiwango cha kumbukumbu, wakati madai yake yenyewe sio sawa. Pengo kati ya msaidizi wa maabara na mtafiti anayejitegemea linapungua, na sehemu za sayansi ambazo zimesalia kuwa za kibinadamu - uamuzi, ladha na upakiaji wa sampuli halisi - zinakuwa rahisi kuonekana kwa sababu zingine zinajiendesha kiotomatiki.
---
Kaa Mbele ya AIPata habari za hivi punde za AI, uchanganuzi na mafanikio - yote katika sehemu moja.
Soma habari zaidi za AI →
