Astfel de transformari au mai avut loc. Odata cu aparitia metodei stiintifice in secolul al XVII-lea, cercetatorii au ajuns sa aiba incredere in observatiile experimentale si in teoriile pe care le-au derivat din ele, peste intelepciunea primita a antichitatii. Acest proces a fost, in mod esential, sustinut de aparitia revistelor stiintifice, care le-au permis cercetatorilor sa-si impartaseasca descoperirile, atat pentru a revendica prioritate, cat si pentru a-i incuraja pe altii sa reproduca si sa construiasca pe rezultatele lor. Jurnalele au creat o comunitate stiintifica internationala in jurul unui corp comun de cunostinte, provocand o crestere a descoperirilor cunoscute astazi ca revolutia stiintifica.

O noua transformare a inceput la sfarsitul secolului al XIX-lea, odata cu infiintarea de laboratoare de cercetare – fabrici de inovare in care ideile, oamenii si materialele puteau fi combinate la scara industriala. Acest lucru a condus la o revarsare suplimentara de inovatie, de la produse chimice si semiconductori pana la produse farmaceutice. Aceste schimbari au facut mai mult decat doar cresterea productivitatii stiintifice. De asemenea, au transformat stiinta insasi, deschizand noi taramuri de cercetare si descoperire. Cum ar putea AI sa faca ceva similar, nu doar sa genereze rezultate noi, ci si noi modalitati de a genera rezultate noi?

O abordare promitatoare este „descoperirea bazata pe literatura” (LBD), care, dupa cum sugereaza si numele, isi propune sa faca noi descoperiri prin analiza literaturii stiintifice. Primul sistem LBD, construit de Don Swanson la Universitatea din Chicago in anii 1980, a cautat conexiuni noi in MEDLINE, o baza de date a revistelor medicale. Intr-un succes timpuriu, a reunit doua observatii separate – ca boala Raynaud, o tulburare circulatorie, era legata de vascozitatea sangelui si ca uleiul de peste a redus vascozitatea sangelui – si a sugerat ca uleiul de peste ar putea fi, prin urmare, un tratament util. Aceasta ipoteza a fost apoi verificata experimental.

Ne incarcam bateria

Dar sistemul LBD al doctorului Swanson nu a reusit sa prinda in afara comunitatii AI la momentul respectiv. Astazi, sistemele AI au devenit mult mai capabile la procesarea limbajului natural si au un corp mult mai mare de literatura stiintifica de mestecat. Interesul pentru abordarile in stil LBD este acum in crestere in alte domenii, in special in stiinta materialelor.

In 2019, de exemplu, un grup de cercetatori condus de Vahe Tshitoyan, atunci la Laboratorul National Lawrence Berkeley, in America, a folosit o tehnica AI numita invatare nesupravegheata pentru a analiza rezumatele lucrarilor de stiinta a materialelor si pentru a extrage informatii despre proprietatile diferitelor materiale in reprezentari matematice numite „inglobare de cuvinte”. Acestea plaseaza conceptele intr-un spatiu multidimensional in care conceptele similare sunt grupate impreuna. Sistemul a castigat astfel o „intuitie chimica”, astfel incat sa poata sugera, de exemplu, materiale cu proprietati similare cu alt material. AI a fost apoi rugat sa sugereze materiale care ar putea avea proprietati termoelectrice (abilitatea de a transforma o diferenta de temperatura intr-o tensiune electrica si invers), chiar daca nu au fost identificate ca atare in literatura. Au fost selectate cele mai promitatoare zece materiale candidate, iar testele experimentale au constatat ca toate cele zece au prezentat intr-adevar proprietati termoelectrice neobisnuit de puternice.

Cercetatorii si-au reinstruit apoi sistemul, omitand lucrarile din anii mai recenti si i-au cerut sa prezica ce noi materiale termoelectrice vor fi descoperite in acei ani de mai tarziu. Sistemul a fost de opt ori mai precis la prezicerea unor astfel de descoperiri decat s-ar fi asteptat doar din intamplare. De asemenea, ar putea face predictii precise de descoperire folosind alti termeni, cum ar fi „fotovoltaic”. Cercetatorii au concluzionat ca „astfel de metode de inferenta bazate pe limbaj pot deveni un domeniu complet nou de cercetare la intersectia dintre procesarea limbajului natural si stiinta”.

O lucrare a lui Jamshid Sourati si James Evans, ambii sociologi de la Universitatea din Chicago, publicata anul acesta in Nature Human Behavior , extinde aceasta abordare intr-un mod nou. Incepe cu observatia ca sistemele LBD tind sa se concentreze asupra conceptelor din lucrari si sa ignore autorii acestora. Asa ca au instruit un sistem LBD pentru a tine cont de ambele. Sistemul rezultat a fost de doua ori mai bun la prognoza noilor descoperiri in stiinta materialelor decat cel construit de echipa doctorului Tshitoyan si a putut, de asemenea, prezice descoperitorii reali cu o precizie de peste 40%. Dar cercetatorii au facut apoi un pas mai departe. In loc sa urmareasca multimea si sa prezica unde cercetatorii vor face noi descoperiri, ei au cerut modelului lor sa evite multimea si sa identifice ipoteze „extraterestre” care sunt plauzibile din punct de vedere stiintific, dar putin probabil, in cursul normal al lucrurilor, sa fie descoperite in curand. viitor. Sistemul poate astfel, sustin cercetatorii, atat sa accelereze descoperirile pe termen scurt, cat si sa cerceteze „punctele oarbe” in care asteapta noi descoperiri.

Pe langa faptul ca sugereaza noi ipoteze de investigat, sistemele LBD care iau in considerare autoritatea pot sugera si potentiali colaboratori care ar putea sa nu se cunoasca unul pe altul. Aceasta abordare ar putea fi deosebit de eficienta atunci cand se identifica oameni de stiinta care lucreaza in diferite domenii, creand o punte de arie complementara de cercetare. Colaborarile de cercetare interdisciplinara „vor trece de la a fi raritati la a fi mai banale” atunci cand sunt mediate de AI, spune Yolanda Gil, un informatician la Universitatea din California de Sud. Si pe masura ce sistemele LBD sunt extinse astfel incat sa poata gestiona tabele, diagrame si date, cum ar fi secventele de gene si codul de programare, acestea vor deveni mai capabile. In viitor, cercetatorii ar putea ajunge sa se bazeze pe astfel de sisteme pentru a monitoriza potopul de noi lucrari stiintifice, a evidentia rezultate relevante, a sugera noi ipoteze pentru cercetare si chiar a le lega cu potentiali parteneri de cercetare, cum ar fi un serviciu de relatie stiintifica. Instrumentele AI ar putea extinde si transforma astfel infrastructura existenta, veche de secole, a publicarii stiintifice.

Suntem plini de energie

Daca LBD promite sa supraalimenteze jurnalul cu AI, „oameni de stiinta robot” sau „laboratoare cu conducere autonoma”, promiteti sa faca acelasi lucru pentru laborator. Aceste masini depasesc formele existente de automatizare a laboratoarelor, cum ar fi platformele de screening pentru medicamente. In schimb, li se ofera cunostinte de baza despre un anumit domeniu de cercetare, sub forma de date, lucrari de cercetare si brevete. Apoi folosesc AI pentru a formula ipoteze, pentru a efectua experimente folosind roboti, pentru a evalua rezultatele, pentru a-si modifica ipotezele si pentru a repeta ciclul. Adam, o masina construita la Universitatea Aberystwyth din Tara Galilor in 2009, a facut experimente privind relatia dintre gene si enzime in metabolismul drojdiei si a fost prima masina care a descoperit in mod autonom cunostinte stiintifice noi.

Succesorul lui Adam, numit Eva, efectueaza experimente de descoperire a medicamentelor si are un software mai sofisticat. Atunci cand planifica si analizeaza experimente, foloseste invatarea automata pentru a crea „relatii de activitate a structurii cantitative” (QSAR), modele matematice care relationeaza structurile chimice cu efectele biologice. Eve a descoperit, de exemplu, ca triclosanul, un compus antimicrobian folosit in pasta de dinti, poate inhiba un mecanism esential in parazitii care cauzeaza malarie.

Ross King, un cercetator AI de la Universitatea din Cambridge, care l-a creat pe Adam, face o analogie intre oamenii de stiinta roboti ai viitorului cu sistemele AI construite pentru a juca sah si Go. Perspectiva ca masinile sa-i invinga pe cei mai buni jucatori umani parea la zeci de ani distanta, dar tehnologia sa imbunatatit mai repede decat se astepta. Mai mult, sistemele AI au dezvoltat strategii pentru acele jocuri pe care jucatorii umani nu le-au luat in considerare. Ceva similar s-ar putea intampla cu oamenii de stiinta roboti, pe masura ce devin mai capabili. „Daca AI poate explora un spatiu complet al ipotezelor si chiar poate mari spatiul, atunci s-ar putea sa arate ca oamenii au explorat doar zone mici din spatiul ipotezei, poate ca urmare a propriilor partiniri stiintifice”, spune Dr King.

Oamenii de stiinta roboti ar putea transforma, de asemenea, stiinta intr-un alt mod: ajutand la rezolvarea unora dintre problemele care afecteaza intreprinderea stiintifica. Una dintre acestea este ideea ca stiinta, prin diferite masuri, devine mai putin productiva, iar impingerea frontierelor cunoasterii devine din ce in ce mai grea si mai costisitoare. Exista mai multe teorii de ce ar putea fi acest lucru: cele mai usoare descoperiri s-ar fi putut deja facute, de exemplu, iar acum este nevoie de mai multa pregatire pentru ca oamenii de stiinta sa ajunga la granita. Sistemele bazate pe inteligenta artificiala ar putea ajuta efectuand lucrari de laborator mai rapid, mai ieftin si mai precis decat oamenii. Spre deosebire de oameni, robotii pot lucra non-stop. Si asa cum computerele si robotii au permis proiecte la scara larga in astronomie (cum ar fi sondaje uriase ale cerului sau cautarea automata a exoplanetelor), oamenii de stiinta roboti ar putea aborda mari probleme din biologia sistemelor, sa zicem, care altfel ar fi impracticabile din cauza dimensiunii lor. „Nu avem nevoie de stiinta radical noua pentru a face asta, trebuie doar sa facem multa stiinta”, spune dr. King.

Automatizarea ar putea ajuta, de asemenea, la rezolvarea unei alte probleme: criza de reproductibilitate. In teorie, atunci cand oamenii de stiinta isi publica rezultatele, altii isi pot replica si verifica munca. Dar exista putina glorie in replicare, ceea ce o face rara. Cand se intampla, multe incercari esueaza, sugerand ca lucrarea originala a fost invalida sau chiar frauduloasa. Oamenii de stiinta sunt putin motivati sa repete munca altora si sunt sub presiune sa publice rezultate noi, nu sa le verifice pe cele existente. Din nou, oamenii de stiinta roboti ar putea ajuta in unele domenii de cercetare, cum ar fi biologia moleculara. Un studiu publicat in 2022 de Katherine Roper, de la Universitatea din Manchester, a analizat peste 12.000 de lucrari despre cancerul de san si a selectat 74 de rezultate biomedicale pentru verificare folosind robotul Eve, care a reusit sa reproduca 43 dintre ele. Cercetatorii au concluzionat ca automatizarea „are potentialul de a atenua criza de reproductibilitate” si ca „ocoleste descurajarile sociologice si de cariera pentru replicare”. Masinilor nu le deranjeaza publicarea verificarilor rezultatelor anterioare. Nici, spre deosebire de oamenii de stiinta, nu sunt jenati sa publice rezultate negative, de exemplu daca o anumita molecula nu reuseste sa interactioneze cu o anumita tinta. Publicarea rezultatelor negative ar reduce efortul irosit spunandu-le viitorilor cercetatori ce sa nu faca. Si oamenii de stiinta roboti inregistreaza in mod fiabil totul despre munca lor in detaliu, ceea ce (teoretic) faciliteaza analiza ulterioara a rezultatelor lor. „Inovatiile IA pot imbunatati intreprinderea stiintifica in toate aceste domenii”, spune dr. Gil.

Functioneaza automat?

Obstacolele abunda. Pe langa hardware si software mai bun si o integrare mai stransa intre cele doua, este nevoie de o mai mare interoperabilitate intre sistemele de automatizare de laborator si standarde comune care sa permita algoritmilor AI sa schimbe si sa interpreteze informatii semantice. Introducerea microplacilor standardizate, care contin sute de eprubete minuscule care permit procesarea in loturi a probelor de laborator, a crescut productivitatea de cateva sute de ori pentru anumite tipuri de analize. Acum, acelasi lucru trebuie sa se intample si pentru date – o mare parte din datele din retelele de microplaci din laboratoarele de biologie ajung in foi de calcul sau in tabelele din hartie, de exemplu, unde nu pot fi citite de masina.

Un alt obstacol este lipsa de familiaritate cu instrumentele bazate pe inteligenta artificiala in randul oamenilor de stiinta. Iar unii cercetatori, la fel ca majoritatea lucratorilor, se tem ca automatizarea le ameninta locurile de munca. Dar lucrurile se schimba, spune dr. Gil. Cand a chestionat atitudinile fata de AI in stiinta in 2014, ea a descoperit ca, in majoritatea domeniilor, „interesul pentru IA pare relativ limitat”. Majoritatea eforturilor de a incorpora AI in cercetarea stiintifica au venit de la cercetatorii AI, care au fost adesea intampinati cu scepticism sau ostilitate. Dar impactul AI este acum „profund si omniprezent”, spune dr. Gil. Multi oameni de stiinta, spune ea, acum „cauta in mod proactiv colaboratori AI”. Recunoasterea potentialului AI este in crestere, in special in stiinta materialelor si descoperirea medicamentelor, unde practicienii isi construiesc propriile sisteme alimentate de AI. „Daca am putea face ca masinile sa fie la fel de bune in stiinta ca si fiintele umane, ar fi o pauza radicala, pentru ca poti face o multime de ele”, spune dr. King.