الذكاء الاصطناعي يتعلم القيام بالعمل الكامن وراء الاكتشاف
© Photo / unsplash/ kiwihug
تابعنا عبر
يتجاوز الذكاء الاصطناعي مجرد الإجابة عن الأسئلة العلمية، إذ تستطيع أنظمة البحث الجديدة القائمة على الذكاء الاصطناعي البحث في الأدبيات العلمية، وتحليل البيانات المعقدة، وتصميم التجارب، ووضع الفرضيات، بل وإنجاز مهام حسابية كانت تستغرق أيامًا أو أسابيع من العمل.
ولكن مع ازدياد قدرة المختبرات على الوصول إلى مساعدين رقميين ذوي كفاءة متزايدة في مجال البحث، يبرز تحدٍّ أكثر أهمية: معرفة المهام التي يمكن الوثوق بهم فيها، والمواضع التي يبقى فيها الحكم العلمي البشري لا غنى عنه.
في عام ٢٠١٠، ساهم عالم الوراثة وطبيب القلب إيوان آشلي في قيادة مشروع رائد في جامعة ستانفورد: أول تحليل سريري للجينوم البشري، وقد تطلّب هذا المشروع ٣١ عالمًا عملوا لمدة تسعة أشهر لتفسير الكم الهائل من المعلومات الوراثية.
بعد ستة عشر عامًا، قرر آشلي إعادة النظر في تحدٍّ مماثل، طلب من نظام ذكاء اصطناعي فحص جينومه، وأفادت التقارير أن التحليل استغرق 30 دقيقة فقط، وحدد متغيرات جينية مرتبطة بخطر الإصابة بمرض الزهايمر وكيفية معالجة جسمه لبعض الأدوية.
لم تكن المقارنة تجربة مضبوطة، واختلف التحليلان في جوانب مهمة. ومع ذلك، فهي تُجسد تحولًا جذريًا في الحوسبة العلمية: فالمهام التي كانت تتطلب فرقًا كبيرة وخبرات متخصصة أصبحت متاحة بشكل متزايد بفضل الذكاء الاصطناعي.
وكما ذكرت مجلة "نيتشر" في يوليو 2026، تواجه المختبرات الآن قرارًا غير مألوف، فبدلًا من التساؤل عما إذا كان الذكاء الاصطناعي يُمكن أن يُساعد في البحث، يتعين على العلماء تحديد أي مساعد ذكاء اصطناعي متطور بشكل متزايد يُناسب عملهم على أفضل وجه.
الفرق بين روبوت محادثة يعمل بالذكاء الاصطناعي وعالم يعمل بالذكاء الاصطنناعي
يستطيع روبوت المحادثة التقليدي شرح ورقة علمية، أو اقتراح منهج تجريبي، أو المساعدة في كتابة شفرة برمجية. لكن الباحث عادةً ما يضطر إلى تنفيذ الخطوات المقترحة.
أما العامل العلمي الذي يعمل بالذكاء الاصطناعي فيتجاوز ذلك. تخيل باحثًا يدرس سبب استجابة بعض المرضى بشكل جيد لدواء ما بينما لا يستفيد منه آخرون إلا قليلًا، قد يتطلب البحث في هذا السؤال مراجعة الدراسات المنشورة، وتحديد الجينات ذات الصلة، ودمج مجموعات البيانات السريرية، وإجراء التحليلات الإحصائية، واستكشاف التفسيرات البيولوجية المحتملة.
تقليديًا، كان الباحث يتنقل بين قواعد بيانات متعددة، وحزم برامج متخصصة، وأدوات تحليلية. يستطيع نظام الذكاء الاصطناعي تنسيق أجزاء من هذه العملية، فبمجرد تحديد هدف، يمكنه اختيار الأدوات، وتنفيذ التعليمات البرمجية، وفحص النتائج الوسيطة، وتعديل منهجه عند الضرورة، وهذا ما يميز مساعد البحث المدعوم بالذكاء الاصطناعي عن نظام الإجابة على الأسئلة العادي: فهو قادر على تنفيذ أجزاء من سير العمل العلمي، بدلًا من مجرد وصف كيفية تنفيذها.
مساعد بحث رقمي مزود بـ 150 أداة متخصصة
يقدم "بيومني" مثالًا بالغ الأهمية، يجمع هذا النظام، الذي طوره باحثون بقيادة كيكسين هوانغ وجور ليسكوفيك في جامعة ستانفورد بالتعاون مع باحثين آخرين، 150 أداة طبية حيوية متخصصة، و105 حزم برمجية، و59 قاعدة بيانات تغطي 25 مجالًا بحثيًا.
بدلًا من الاعتماد كليًا على المعلومات المكتسبة أثناء تدريب الذكاء الاصطناعي، يستطيع "بيومني" التفاعل مع الموارد العلمية وإجراء عمليات تحليلية.
في أحد التطبيقات المذكورة، قدم باحث أكثر من 450 ملفًا تحتوي على قياسات الجلوكوز، وسجلات الطعام، ومعلومات النشاط البدني. قام نظام Biomni بتنظيم البيانات، وإنتاج الرسوم البيانية، وتحديد الأنماط الجديرة بالدراسة في غضون 40 دقيقة تقريبًا.
قدّر باحث من جامعة ستانفورد أن العمل اليدوي المماثل قد يستغرق أكثر من 60 ساعة، وهذا تقدير توضيحي فقط، وليس دليلًا قاطعًا على أن النظام يحقق باستمرار نفس التوفير في الوقت عبر مختلف المشاريع البحثية.
وتُظهر التقييمات الرسمية الأخرى إمكانيات هذه التقنية وحدودها، ففي أحد الاختبارات المعيارية المختارة لتقييم قدرة النظام على تحليل قواعد البيانات البيولوجية، حقق Biomni دقة بلغت 74.4%، وهي قريبة من نسبة 74.7% المُسجلة في مقارنة بين الخبراء والبشر، لكن في اختبار علمي متعدد التخصصات أكثر صعوبة، يتألف من 52 سؤالًا، لم تتجاوز دقته 17.3%.
ولا بد من الاشارة إلى أنه لا يوجد تناقض في هذه النتائج؛ فهي توضح مدى اعتماد أداء الذكاء الاصطناعي بشكل كبير على طبيعة المهمة، والأدوات المتاحة، وظروف التقييم، فقد يتفوق النظام في استرجاع المعلومات المهيكلة أو تنسيق إجراءات تحليلية مألوفة، بينما يواجه صعوبة في عمليات الاستدلال العلمي المعقدة.
تسريع وتيرة البحث لا يعني بالضرورة تقديم علمٍ أفضل
يكمن الخطر الأكبر في الخلط بين نتيجة تبدو مبهرة واكتشاف علمي موثوق، فقد يحدد نظام الذكاء الاصطناعي جيناً واعداً، أو يقترح تفسيراً لمرض ما، أو يُنشئ رسماً بيانياً مقنعاً. ومع ذلك، فإن وجود ارتباط إحصائي لا يكشف بالضرورة عن سبب بيولوجي، كما أن الفرضية المقبولة منطقياً ليست بالضرورة صحيحة.
تعتمد الاستنتاجات العلمية على جودة البيانات الأساسية، وضوابط التجربة المناسبة، والتحليل الدقيق، والتحقق المستقل، ويطرح الذكاء الاصطناعي مخاوف إضافية؛ إذ يمكن للأنظمة أن تسيء فهم التعليمات العلمية، أو تختار أساليب غير ملائمة، أو تقدم مراجع غير صحيحة، أو تُنتج تحليلات تبدو مقنعة رغم ما تشوبها من عيوب منهجية.
ولهذا السبب، ينبغي للباحثين تقييم أنظمة الذكاء الاصطناعي بناءً على معايير تتجاوز مجرد السرعة أو جودة الإجابات المكتوبة، يجب أن يتيح المساعد العلمي الفعال إمكانية فحص ومراجعة عمله؛ إذ يحتاج الباحثون إلى معرفة مجموعات البيانات المستخدمة، والشيفرات البرمجية التي تم تنفيذها، وكيفية التوصل إلى النتائج، وما إذا كان بالإمكان إعادة إنتاج الاستنتاجات بشكل مستقل.
كما أن الخصوصية مسألة بالغة الأهمية؛ إذ يتعين على المختبرات التي تتعامل مع نتائج غير منشورة، أو أبحاث سرية، أو بيانات خاصة بالمرضى، أن تدرك أين تتم معالجة بياناتها وما هي تدابير الحماية المطبقة قبل مشاركتها مع خدمات الذكاء الاصطناعي.
اختيار شريك الذكاء الاصطناعي المناسب للبحث
بالنسبة للعلماء الذين يبدأون في استكشاف هذه الأدوات، قد تتمثل الاستراتيجية الأكثر فعالية في البدء بمشكلة بحثية واحدة محددة بوضوح، بدلاً من محاولة أتمتة عمل المختبر بأكمله.
قد يستفيد الفريق المثقل بالأعباء الناجمة عن كثرة الأدبيات العلمية من استخدام الذكاء الاصطناعي للمساعدة في استرجاع الأدلة وتلخيصها، أما الباحثون الذين يتعاملون مع مجموعات بيانات بيولوجية ضخمة، فقد يحققون استفادة أكبر من الأنظمة التي تدمج الأدوات الحاسوبية. وفي المقابل، قد يجد العلماء الباحثون عن فرضيات جديدة أن أنظمة البحث متعددة الوكلاء (multi-agent systems) مفيدة للغاية.
تتمثل الخطوة الحاسمة في مقارنة مخرجات الذكاء الاصطناعي بطريقة قائمة وموثوقة، وفحص منطق العمل من خلال أدلة قابلة لإعادة الإنتاج، وقياس مدى مساهمة النظام فعلياً في تحسين العمل، وهذا يعني طرح سؤال عملي: هل يُنتج الذكاء الاصطناعي نتيجة صحيحة وقابلة للتحقق بسرعة أكبر، أم أنه يكتفي بإنتاج مخرجات تتطلب بدورها تدقيقاً ومراجعة مكثفة؟
إن هذا التمييز هو الذي سيحدد مدى نجاح المختبرات في تبني هذه التقنيات، فقد تتيح المساعدات العلمية القائمة على الذكاء الاصطناعي -في نهاية المطاف- لفرق البحث الصغيرة دراسة مشكلات كانت تتطلب سابقاً مجموعات وموارد أكبر بكثير. كما يمكنها مساعدة الباحثين ذوي الخبرة على تقليل الوقت المخصص للأعمال التقنية المتكررة، وتكريس المزيد من الوقت لتصميم تجارب ذات مغزى وتفسير نتائجها.
غير أن توليد المزيد من الفرضيات والتحليلات لا يعادل بالضرورة التوصل إلى المزيد من الاكتشافات المُثبتة، وستعتمد قيمة "العالم الرقمي" (الذكاء الاصطناعي العلمي الناشئ) في النهاية على قدرته على مساعدة الباحثين في طرح أسئلة أفضل، واختبار الأفكار بصرامة أكبر، والتوصل إلى استنتاجات تصمد أمام الفحص والتدقيق المستقل، ومن الممكن أن يضم المختبر المستقبلي شركاء رقميين أقوياء قادرين على إنجاز آلاف المهام العلمية؛ ومع ذلك، تظل مسؤولية تحديد ما يُعد معرفة موثوقة تقع بالكامل على عاتق العلم ذاته.
تجدر الإشارة إلى أن خبراء المعلومات يؤكدون أن "التعامل مع نماذج الذكاء الاصطناعي واللغات الضخمة، يستوجب الخبرة والحذر، فكثير من هذه النماذج تستفيد من المعلومات التي يتيحها المستخدم لها، أكثر من الفائدة التي يجنيها المستخدم نفسه من استخدامه لها".
