AI-vezérelt laborok döntik el a következő kísérletet — a tudomány új korszaka?

Egy átlagos laboratórium már most is egyfajta számítógépként működik: szenzorokkal, aktuátorokkal, memóriával, protokollokkal, adatkiadattal és hibajelentésekkel rendelkezik. Azonban az operációs rendszer szerepét általában egy emberi tudós tölti be. Ő dönti el, mit teszteljen, mintázatok juttat át az eszközök között, ellenőrzi az eredményeket, frissíti mentális modelljét, és kiválasztja a következő kísérletet.

Az önvezető laborok ezt a folyamatot részben szoftverbe helyezik. Az alapötlet egyszerű: összekapcsolják a mesterséges intelligenciát (AI) automatizált kísérleti hardverekkel, majd minden kísérlet eredménye befolyásolja a rendszer következő lépését. Ezek a laborok nem csupán előre megírt utasítások hosszú sorát futtatják, hanem munka közben tanulnak: létrehoznak valamit, megmérik, frissítenek egy modellt, és eldöntik a következő lépést.

Kapcsolódó: AI-ügynökök számítási igényei

Ez a kulcsfontosságú különbség az automatizálás és az autonómia között. Egy automatizált folyadékkezelő eszköz szkript szerint képes 10 000 mintát pipettálni. Egy önvezető labor azonban futtathatja az első néhány száz kísérletet, észreveheti, hogy a hátralévő tervezési tér nagy része ígéretesnek tűnik, és átirányíthatja erőforrásait jobb jelöltek felé.

Kapcsolódó: Anchor rendszer bemutatása

Autonómia a tudományban

Az önvezető laborok képesek lehetnek megbízhatóan kimutatni az ígéretesnek nem tűnő tervezési tereket, és átirányítani a kísérleteket — ez azonban egyelőre spekulatívnak tűnik. A kutatók szerint ezek a rendszerek munka közben tanulnak, de ezt még nagyszabásban nem bizonyították.

Kapcsolódó: Modellek dinamikus vizsgálata

A Plan–Run–Learn ciklus

A legegyszerűbb mentális modell egy ciklus: tervezés → gyártás → tesztelés → tanulás → újratervezés. Az AI-ügynök, a labor „agya”, átfésüli a tudományos irodalmat és kémiai adatbázisokat. Létrehoz egy receptet, és kommunikálja azt robotokkal, amelyek elvégzik a kísérleteket, elemzik az eredményeket, és visszaküldik az adatokat az AI-nak, amely tanul a leletekből, és javasolja a molekula vagy anyag következő iterációját. A webes kontextus szerint ez a Plan–Run–Learn ciklus alakítja át a laboratóriumot egy olyan rendszerré, amely autonóm módon generál tudást.

Kapcsolódó: ScientistOne bizonyítékokkal

A The Sequence Opinion #884 szerint a laboratóriumok emberi tudósként működnek, ahol az AI a tudós operációs rendszerét helyettesíti, és eldönti a következő lépést. A kutatás március végén kerül nyilvánosságra.

Kapcsolódó: Transformer jövője