विज्ञान की अगली AI छलांग डेटा-भूखे मॉडल नहीं, बल्कि तर्क करने वाले एजेंटों से आएगी

मुख्य बिंदु

• Google DeepMind के AlphaFold ने प्रोटीन के आकार की भविष्यवाणी करने के लिए Demis Hassabis और John Jumper को 2024 का रसायन विज्ञान नोबेल पुरस्कार जीता।
• प्रोटीन डेटाबेस जिस पर AlphaFold को प्रशिक्षित किया गया था, उसे असेंबल करने में 53 साल और अनुमानित 21 अरब डॉलर का प्रायोगिक कार्य लगा।
• अधिकांश वैज्ञानिक क्षेत्र इस गुणवत्ता के डेटासेट नहीं बना सकते, जिससे AlphaFold-शैली की AI व्यापक विज्ञान के लिए एक खराब मॉडल बन जाती है।
• AI एजेंट, सॉफ्टवेयर जो समस्याओं के माध्यम से तर्क करता है और क्रम में कई उपकरणों का उपयोग करता है, अब दशकों के मानव अनुसंधान के निष्कर्षों को घंटों में मेल खा रहे हैं।
• एक मुख्य दुष्प्रभाव: एजेंट स्वचालित रूप से हर कदम को लॉग करते हैं, जिससे विज्ञान की दीर्घकालिक पुनरुत्पादनीयता संकट को ठीक करने में मदद मिल सकती है।

दो साल पहले, यह विचार कि एक कंप्यूटर प्रोग्राम जीव विज्ञान की सबसे कठिन पहेलियों में से एक को हल कर सकता है, असाधारण लगता था। फिर AlphaFold ने ऐसा किया।

Google DeepMind द्वारा निर्मित यह प्रोग्राम, किसी प्रोटीन के आनुवंशिक अनुक्रम से अकेले इसके त्रि-आयामी आकार की भविष्यवाणी कर सकता है, एक अणु जिसका आकार यह निर्धारित करता है कि यह शरीर के अंदर क्या करता है। वैज्ञानिकों ने इस समस्या का पचास साल तक पीछा किया। 2024 में, Demis Hassabis और John Jumper को इसके लिए रसायन विज्ञान में नोबेल पुरस्कार मिला। स्टार्टअप जीव विज्ञान और रसायन विज्ञान में भर गए, इस धारणा पर अरबों रुपये जुटाते हुए कि AI और डेटा अब खोज के बाद खोज को अनलॉक करेंगे।

MIT Technology Review द्वारा पहली बार रिपोर्ट किए गए विस्तृत विश्लेषण के अनुसार, इस धारणा को करीब से देखने के लायक है।

हम बस AlphaFold ने जो किया उसे दोहरा क्यों नहीं सकते?

सीधे शब्दों में: ऐसा करने के लिए आवश्यक डेटा लगभग कभी मौजूद नहीं रहता। AlphaFold ने Protein Data Bank पर प्रशिक्षण लिया, जो 53 वर्षों के अंतर्राष्ट्रीय सहयोग से निर्मित लगभग 170,000 प्रायोगिक रूप से पुष्टि किए गए प्रोटीन आकार का एक संग्रह है, अनुमानित 21 अरब डॉलर की लागत पर। इस तरह का डेटासेट असाधारण रूप से दुर्लभ है।

अधिकांश प्रायोगिक विज्ञान अधिक जटिल है। कोशिका संस्कृतियां समय के साथ सूक्ष्म रूप से बदलती हैं। रसायन सूक्ष्म अशुद्धियां ले जाते हैं। लैब की आर्द्रता रीडिंग के बीच बदलती है। वह परिणाम जो एक टीम मंगलवार को दोहरा सकती है, वह गुरुवार को दूसरी टीम के लिए पकड़ में नहीं आ सकता। स्वच्छ, मानकीकृत, बड़े पैमाने पर डेटा जो एक आधुनिक तंत्रिका नेटवर्क, AlphaFold जैसे उपकरणों के हृदय में सांख्यिकीय पैटर्न-मेल, से सीखने के लिए आवश्यक है, अधिकांश क्षेत्रों में मौजूद नहीं है, और इसे बनाने में दशकों लगेंगे।

मौसम पूर्वानुमान और जीनोमिक्स के कुछ हिस्सों सहित कुछ क्षेत्रों के पास सही तरह का डेटा है और जल्द ही AlphaFold-शैली के सफलताएं देख सकते हैं। लेकिन वे अपवाद हैं।

तो कौन सी चीजें काम करती हैं?

AI एजेंट वास्तविक वादे दिखा रहे हैं, और वे बहुत अलग तरीके से काम करते हैं। एक एजेंट सॉफ्टवेयर है जो विभिन्न उपकरणों को कॉल करके, सर्वोत्तम परिणाम उठाकर, जो विफल होता है उसे छोड़कर और फिर से कोशिश करके एक बहु-चरणीय समस्या के माध्यम से तर्क करता है। यह एक लुकअप टेबल की तुलना में एक सावधान वैज्ञानिक की तरह अधिक व्यवहार करता है।

Google के AI Co-Scientist, जिसकी घोषणा मई में की गई थी, एक शुरुआती उदाहरण है। शोधकर्ताओं ने इसे एक एक-पृष्ठ का संक्षिप्त विवरण और एक लक्ष्य दिया: यह पता लगाएं कि एंटीबायोटिक प्रतिरोध, बैक्टीरिया की उन्हें मारने के लिए डिज़ाइन की गई दवाओं से बचने की क्षमता, बैक्टीरियल प्रजातियों के बीच कैसे फैलता है। सिस्टम ने कार्य को कई उप-प्रोग्रामों में विभाजित किया। एक वैज्ञानिक साहित्य से परिकल्पनाएं उत्पन्न करता है। दूसरा प्रत्येक परिकल्पना को एक सहकर्मी समीक्षक की तरह चुनौती देता है। तीसरा जीवितों को रैंक करता है। चौथा विजेता को परिष्कृत करता है।

एजेंट ने निष्कर्ष निकाला कि प्रतिरोध जीन बैक्टीरियल वायरस के अंदर सवारी कर रहे थे, जो भी वायरस उन्हें एक नए मेजबान में ले जा सकता था। Imperial College London के शोधकर्ताओं ने कठोर प्रयोगशाला कार्य के माध्यम से एक दशक में एक ही निष्कर्ष तक पहुंचा था। उनका पत्र अभी भी सहकर्मी समीक्षा में था जब Co-Scientist अपना उत्तर देता था।

इसका मरीजों और जनता के लिए क्या मतलब है?

तेज़ और अधिक पुनरुत्पादनीय विज्ञान का मतलब प्रयोगशाला की खोज से नैदानिक परीक्षण तक तेज़ मार्ग है। यह विश्वास के लिए भी महत्वपूर्ण है। विज्ञान की पुनरुत्पादनीयता संकट, जहां शोधकर्ता बार-बार पाते हैं कि वे एक-दूसरे के परिणामों को दोहरा नहीं सकते, ने वर्षों से चिकित्सा अनुसंधान में आत्मविश्वास को शांतिपूर्वक कम किया है। एजेंट अपने द्वारा लिए जाने वाले हर कदम को स्वचालित रूप से लॉग करते हैं, जिससे उनकी विधि का एक सटीक रिकॉर्ड बनता है। वह रिकॉर्ड प्रतिकृति को इस तरह सीधा बनाता है जैसे मानव प्रयोगशाला नोटबुक, अक्सर हाथ से लिखी गई और अधूरी, शायद ही कभी होती हैं।

एजेंट सही नहीं हैं। वे अभी भी कभी-कभी आत्मविश्वासपूर्ण-सुनने वाली त्रुटियां पैदा करते हैं, उनका तर्क हमेशा सुसंगत नहीं होता है, और उनके पास मानव निरीक्षण के बिना काम करने के लिए कितने समय की सीमा है। ये वास्तविक बाधाएं हैं। लेकिन वे इंजीनियरिंग की समस्याएं हैं, मौलिक बाधाएं नहीं।

बड़ा परिवर्तन नोबेल पुरस्कार की तुलना में शांत है, और यह अधिक महत्वपूर्ण हो सकता है।

सामान्य प्रश्न

क्या इसका मतलब है कि AI वैज्ञानिकों की जगह लेने वाला है?

नहीं। एजेंट सबसे अच्छे तरीके से एक अथक सहायक के रूप में काम करते हैं जो विचारों को क्रम में परीक्षण करता है और सटीक रिकॉर्ड रखता है। मानव निर्णय, रचनात्मकता और नैतिक निरीक्षण यह तय करने के लिए केंद्रीय रहते हैं कि कौन से प्रश्न पूछने के लायक हैं।

क्या यह रोगियों के लिए दवा की खोज को तेज़ करेगा?

संभावित रूप से हाँ, हालांकि समय सारिणी की भविष्यवाणी करना कठिन है। यदि एजेंट अनुसंधान के परिकल्पना-परीक्षण चरण को वर्षों से हफ्तों तक संपीड़ित कर सकता है, तो नैदानिक परीक्षण, जो किसी भी दवा के रोगियों तक पहुंचने से पहले आवश्यक लंबे समय के मानव-सुरक्षा अध्ययन हैं, जल्दी शुरू हो जाएंगे। परीक्षण स्वयं अभी भी एक ही समय लेते हैं।