ਏਆਈ ਦਾ ਉਭਾਰ: ਵਿਗਿਆਨਕ ਖੋਜ ਦੀ ਮੁੜ-ਸਿਰਜਣਾ

ਏਆਈ (AI) ਵਿਗਿਆਨਕ ਖੋਜ ਦੇ ਨਜ਼ਰੀਏ ਨੂੰ ਮੁੜ-ਸਿਰਜ ਰਹੀ ਹੈ, ਜੋ ਨਾ ਸਿਰਫ਼ ਵਿਗਿਆਨੀਆਂ ਲਈ ਸੰਦਾਂ ਵਿੱਚ ਵਾਧਾ ਹੈ, ਸਗੋਂ ਇੱਕ ਇਨਕਲਾਬੀ ਸੰਦ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਡੂੰਘਾ ਬਦਲਾਅ ਹੈ, ਜੋ ਵਿਗਿਆਨਕ ਢੰਗਾਂ ਅਤੇ ਪੂਰੇ ਖੋਜ ਈਕੋਸਿਸٹਮ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਨਵੇਂ ਵਿਗਿਆਨਕ ਨਮੂਨੇ ਦੇ ਜਨਮ ਦੇ ਗਵਾਹ ਬਣ ਰਹੇ ਹਾਂ, ਜਿਸਦਾ ਮਹੱਤਵ ਵਿਗਿਆਨਕ ਕ੍ਰਾਂਤੀ ਵਾਂਗ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਏਆਈ ਦੀ ਦੋਹਰੀ ਸਮਰੱਥਾ - ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਉਤਪਾਦਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ - ਇਸ ਤਬਦੀਲੀ ਦੇ ਕੇਂਦਰੀ ਡਰਾਈਵਰ ਹਨ। ਇਹ ਦੋਹਰੀ ਸ਼ਕਤੀ ਏਆਈ ਨੂੰ ਸੰਕਲਪੀਕਰਨ ਤੋਂ ਲੈ ਕੇ ਅੰਤਿਮ ਖੋਜ ਤੱਕ ਹਰ ਖੋਜ ਪੜਾਅ ਵਿੱਚ ਹਿੱਸਾ ਲੈਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

ਰਵਾਇਤੀ ਨਮੂਨਾ: ਧਾਰਨਾਵਾਂ ਅਤੇ ਝੂਠੇ ਸਿੱਧ ਕਰਨ ਦੀ ਦੁਨੀਆ

ਕਲਾਸਿਕ ਚੱਕਰ: “ਧਾਰਨਾ-ਪ੍ਰਯੋਗ-ਪ੍ਰਮਾਣਿਕਤਾ”

ਰਵਾਇਤੀ ਤੌਰ ‘ਤੇ, ਵਿਗਿਆਨਕ ਤਰੱਕੀ ਇੱਕ ਸਪੱਸ਼ਟ ਅਤੇ ਮਜ਼ਬੂਤ ਤਰਕ ਦੇ ਚੱਕਰ, “ਧਾਰਨਾ-ਪ੍ਰਯੋਗ-ਪ੍ਰਮਾਣਿਕਤਾ” ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ। ਵਿਗਿਆਨੀ ਪਹਿਲਾਂ ਮੌਜੂਦਾ ਗਿਆਨ ਅਤੇ ਨਿਰੀਖਣਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਇੱਕ ਖਾਸ, ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਯੋਗ ਧਾਰਨਾ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਬਾਅਦ, ਉਹ ਇਸ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਖ਼ਤ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਕਰਦੇ ਹਨ। ਅੰਤ ਵਿੱਚ, ਇਕੱਤਰ ਕੀਤੇ ਤਜ਼ਰਬੇ ਵਾਲੇ ਡੇਟਾ ਦੇ ਆਧਾਰ ‘ਤੇ, ਇਹ ਧਾਰਨਾ ਸਹੀ ਸਾਬਤ ਹੁੰਦੀ ਹੈ, ਸੋਧ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਰੱਦ ਕਰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਸਦੀਆਂ ਤੋਂ ਵਿਗਿਆਨਕ ਗਿਆਨ ਦੇ ਵਾਧੇ ਦਾ ਆਧਾਰ ਰਹੀ ਹੈ।

ਫ਼ਲਸਫ਼ਾਈ ਆਧਾਰ: ਪੌਪਰ ਦਾ ਝੂਠਾ ਸਿੱਧਵਾਦ

ਇਸ ਕਲਾਸਿਕ ਨਮੂਨੇ ਦਾ ਫ਼ਲਸਫ਼ਾਈ ਕੇਂਦਰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਵਿਗਿਆਨ ਦੇ ਦਾਰਸ਼ਨਿਕ ਕਾਰਲ ਪੌਪਰ ਦੇ ਝੂਠੇ ਸਿੱਧਵਾਦ ਦੇ ਸਿਧਾਂਤ ‘ਤੇ ਅਧਾਰਿਤ ਹੈ।

• ਲਾਈਨ ਖਿੱਚਣ ਦੀ ਸਮੱਸਿਆ: ਪੌਪਰ ਨੇ ਇੱਕ ਕੇਂਦਰੀ ਵਿਚਾਰ ਪੇਸ਼ ਕੀਤਾ ਕਿ ਵਿਗਿਆਨ ਅਤੇ ਗੈਰ-ਵਿਗਿਆਨ (ਜਿਵੇਂ ਕਿ ਸੂਡੋਸਾਇੰਸ) ਵਿੱਚ ਅੰਤਰ ਕਰਨ ਦੀ ਕੁੰਜੀ ਇਸ ਗੱਲ ਵਿੱਚ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਇੱਕ ਸਿਧਾਂਤ ਨੂੰ ਸੱਚ ਸਾਬਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਸਗੋਂ ਇਸ ਵਿੱਚ ਹੈ ਕਿ ਕੀ ਇਸਨੂੰ ਝੂਠਾ ਸਿੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਵਿਗਿਆਨਕ ਸਿਧਾਂਤ ਨੂੰ ਅਜਿਹੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਨੁਭਵ ਦੁਆਰਾ ਖਾਰਜ ਕੀਤਾ ਜਾ ਸਕੇ। ਮਸ਼ਹੂਰ ਉਦਾਹਰਣ “ਸਾਰੇ ਹੰਸ ਚਿੱਟੇ ਹੁੰਦੇ ਹਨ” ਦਾ ਦਾਅਵਾ ਹੈ। ਭਾਵੇਂ ਅਸੀਂ ਕਿੰਨੇ ਵੀ ਚਿੱਟੇ ਹੰਸ ਦੇਖ ਲਈਏ, ਇਹ ਆਖਰਕਾਰ ਇਸਨੂੰ ਸਹੀ ਸਾਬਤ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਪਰ ਇੱਕ ਕਾਲੇ ਹੰਸ ਨੂੰ ਦੇਖਣਾ ਇਸਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਝੂਠਾ ਸਿੱਧ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਝੂਠਾ ਸਿੱਧ ਕਰਨ ਦੀ ਯੋਗਤਾ ਇੱਕ ਵਿਗਿਆਨਕ ਸਿਧਾਂਤ ਦਾ ਇੱਕ ਜ਼ਰੂਰੀ ਗੁਣ ਬਣ ਜਾਂਦੀ ਹੈ।
• ਖੋਜ ਦਾ ਤਰਕ: ਇਸ ਦੇ ਆਧਾਰ ‘ਤੇ, ਪੌਪਰ ਵਿਗਿਆਨਕ ਤਰੱਕੀ ਨੂੰ ਕਦੇ ਨਾ ਖਤਮ ਹੋਣ ਵਾਲੇ ਚੱਕਰ ਵਜੋਂ ਦਰਸਾਉਂਦਾ ਹੈ: “ਸਮੱਸਿਆ - ਅਨੁਮਾਨ - ਖੰਡਨ - ਨਵੀਂ ਸਮੱਸਿਆ…” ਵਿਗਿਆਨ ਸਥਿਰ ਰੂਪ ਵਿੱਚ ਤੱਥਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਗਲਤੀਆਂ ਨੂੰ ਲਗਾਤਾਰ ਦੂਰ ਕਰਕੇ ਸੱਚ ਦੇ ਨੇੜੇ ਜਾਣ ਦੀ ਇੱਕ ਗਤੀਸ਼ੀਲ ਕ੍ਰਾਂਤੀਕਾਰੀ ਪ੍ਰਕਿਰਿਆ ਹੈ।

ਆਲੋਚਨਾ ਅਤੇ ਵਿਕਾਸ

ਬੇਸ਼ੱਕ, ਸ਼ੁੱਧ ਪੌਪਰ ਮਾਡਲ ਇੱਕ ਆਦਰਸ਼ਕ ਦ੍ਰਿਸ਼ ਹੈ। ਬਾਅਦ ਵਿੱਚ ਵਿਗਿਆਨ ਦੇ ਦਾਰਸ਼ਨਿਕਾਂ, ਜਿਵੇਂ ਕਿ ਥਾਮਸ ਕੁਹਨ ਅਤੇ ਇਮਰੇ ਲੈਕਾਟੋਸ ਨੇ ਇਸਨੂੰ ਪੂਰਕ ਅਤੇ ਸੋਧਿਆ। ਕੁਹਨ ਨੇ “ਨਮੂਨਾ” ਅਤੇ “ਨਿਯਮਤ ਵਿਗਿਆਨ” ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ, ਇਹ ਦੱਸਦੇ ਹੋਏ ਕਿ ਜ਼ਿਆਦਾਤਰ ਸਮੇਂ ਵਿੱਚ, ਵਿਗਿਆਨੀ ਇੱਕ ਠੋਸ ਸਿਧਾਂਤਕ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਸ ਨਮੂਨੇ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਦਾ ਰੁਝਾਨ ਰੱਖਦੇ ਹਨ, ਜਦੋਂ ਤੱਕ ਕਿ ਅਣਜਾਣ “ਨਿਯਮ” ਦੀ ਵੱਡੀ ਗਿਣਤੀ ਇਕੱਠੀ ਨਹੀਂ ਹੋ ਜਾਂਦੀ, ਜਿਸ ਨਾਲ “ਵਿਗਿਆਨਕ ਕ੍ਰਾਂਤੀ” ਆਉਂਦੀ ਹੈ। ਲੈਕਾਟੋਸ ਨੇ “ਵਿਗਿਆਨਕ ਖੋਜ ਪ੍ਰੋਗਰਾਮ” ਦਾ ਸਿਧਾਂਤ ਪੇਸ਼ ਕੀਤਾ, ਇਹ ਮੰਨਦੇ ਹੋਏ ਕਿ ਇੱਕ ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਨੂੰ ਸਹਾਇਕ ਧਾਰਨਾਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਦੁਆਰਾ ਘੇਰਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਨੂੰ ਝੂਠਾ ਸਿੱਧ ਕਰਨਾ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਿਧਾਂਤ ਮਿਲ ਕੇ ਰਵਾਇਤੀ ਵਿਗਿਆਨਕ ਖੋਜ ਦੀ ਇੱਕ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਇਤਿਹਾਸਕ ਤੌਰ ‘ਤੇ ਯਥਾਰਥਵਾਦੀ ਤਸਵੀਰ ਪੇਸ਼ ਕਰਦੇ ਹਨ।

ਹਾਲਾਂਕਿ, ਭਾਵੇਂ ਇਹ ਪੌਪਰ ਦਾ ਆਦਰਸ਼ ਮਾਡਲ ਹੋਵੇ ਜਾਂ ਕੁਹਨ ਦਾ ਇਤਿਹਾਸਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਉਨ੍ਹਾਂ ਦੀ ਸਾਂਝੀ ਜੜ੍ਹ ਇਹ ਹੈ ਕਿ ਇਹ ਪ੍ਰਕਿਰਿਆ ਮਨੁੱਖੀ ਬੋਧ ਸਮਰੱਥਾ ਦੁਆਰਾ ਸੀਮਤ ਹੈ। ਸਾਡੇ ਦੁਆਰਾ ਸੁਝਾਈਆਂ ਜਾ ਸਕਣ ਵਾਲੀਆਂ ਧਾਰਨਾਵਾਂ, ਸਾਡੀਆਂ ਗਿਆਨ ਦੀਆਂ ਸੀਮਾਵਾਂ, ਕਲਪਨਾ ਅਤੇ ਉੱਚ-ਆਯਾਮੀ ਗੁੰਝਲਦਾਰ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਦੁਆਰਾ ਬੰਨ੍ਹੀਆਂ ਹੋਈਆਂ ਹਨ। “ਸਮੱਸਿਆ - ਅਨੁਮਾਨ” ਦਾ ਇਹ ਅਹਿਮ ਕਦਮ, ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਮਨੁੱਖ ਕੇਂਦਰਿਤ ਗਿਆਨ ਸੰਬੰਧੀ ਰੁਕਾਵਟ ਹੈ। ਵਿਗਿਆਨਕ ਸਫਲਤਾਵਾਂ ਅਕਸਰ ਵਿਗਿਆਨੀਆਂ ਦੀ ਅੰਤਰ-ਦ੍ਰਿਸ਼ਟੀ, ਪ੍ਰੇਰਨਾ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਦੁਰਘਟਨਾ ਵਾਲੀ ਕਿਸਮਤ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਸੀਮਾ, ਏਆਈ ਦੀ ਵਿਘਨਕਾਰੀ ਭੂਮਿਕਾ ਲਈ ਆਧਾਰ ਤਿਆਰ ਕਰਦੀ ਹੈ। ਏਆਈ ਇੱਕ ਵਿਸ਼ਾਲ ਅਤੇ ਗੁੰਝਲਦਾਰ ਧਾਰਨਾ ਵਾਲੀ ਥਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜੋ ਮਨੁੱਖੀ ਦਿਮਾਗ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹੈ, ਉਹਨਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਦੀ ਹੈ ਜੋ ਮਨੁੱਖਾਂ ਲਈ ਸਪੱਸ਼ਟ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਵਿਰੋਧੀ ਵੀ ਨਹੀਂ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਰਵਾਇਤੀ ਵਿਗਿਆਨਕ ਢੰਗਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗਿਆਨ ਸੰਬੰਧੀ ਰੁਕਾਵਟਾਂ ਨੂੰ ਤੋੜਦਾ ਹੈ।

ਨਵੇਂ ਢੰਗਾਂ ਦਾ ਉਭਾਰ: ਚੌਥਾ ਨਮੂਨਾ

ਚੌਥੇ ਨਮੂਨੇ ਦੀ ਪਰਿਭਾਸ਼ਾ: ਡਾਟਾ-ਇਨਟੈਂਸਿਵ ਵਿਗਿਆਨਕ ਖੋਜ

ਜਾਣਕਾਰੀ ਤਕਨਾਲੋਜੀ ਦੇ ਵਿਕਾਸ ਦੇ ਨਾਲ, ਵਿਗਿਆਨਕ ਖੋਜ ਦਾ ਇੱਕ ਨਵਾਂ ਮਾਡਲ ਉੱਭਰਿਆ ਹੈ। ਟਿਊਰਿੰਗ ਅਵਾਰਡ ਜੇਤੂ ਜਿਮ ਗ੍ਰੇ ਨੇ ਇਸਨੂੰ “ਚੌਥਾ ਨਮੂਨਾ” ਨਾਮ ਦਿੱਤਾ, ਜਿਸਦਾ ਅਰਥ ਹੈ “ਡਾਟਾ-ਇਨਟੈਂਸਿਵ ਵਿਗਿਆਨਕ ਖੋਜ”। ਇਹ ਨਮੂਨਾ ਵਿਗਿਆਨ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਪਹਿਲੇ ਤਿੰਨ ਨਮੂਨਿਆਂ ਤੋਂ ਬਿਲਕੁਲ ਵੱਖਰਾ ਹੈ - ਪਹਿਲਾ ਨਮੂਨਾ (ਤਜ਼ਰਬਾ ਅਤੇ ਨਿਰੀਖਣ ਵਿਗਿਆਨ), ਦੂਜਾ ਨਮੂਨਾ (ਸਿਧਾਂਤਕ ਵਿਗਿਆਨ) ਅਤੇ ਤੀਜਾ ਨਮੂਨਾ (ਗਣਨਾ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਵਿਗਿਆਨ)। ਚੌਥੇ ਨਮੂਨੇ ਦਾ ਕੇਂਦਰ ਇਹ ਹੈ ਕਿ ਇਹ ਵਿਸ਼ਾਲ ਡੇਟਾ ਸਮੂਹਾਂ ਨੂੰ ਵਿਗਿਆਨਕ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਰੱਖਦਾ ਹੈ, ਸਿਧਾਂਤ, ਪ੍ਰਯੋਗ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਇਕਜੁੱਟ ਕਰਦਾ ਹੈ।

“ਧਾਰਨਾ-ਸੰਚਾਲਿਤ” ਤੋਂ “ਡੇਟਾ-ਸੰਚਾਲਿਤ”

ਇਸ ਤਬਦੀਲੀ ਵਿੱਚ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਇਹ ਹੈ ਕਿ ਖੋਜ ਦੀ ਸ਼ੁਰੂਆਤ “ਮੌਜੂਦਾ ਧਾਰਨਾ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ” ਤੋਂ “ਡੇਟਾ ਦੀ ਪੜਚੋਲ ਕਰਕੇ ਨਵੀਆਂ ਧਾਰਨਾਵਾਂ ਪੈਦਾ ਕਰਨ” ਵੱਲ ਬਦਲ ਗਈ ਹੈ। ਜਿਵੇਂ ਕਿ ਗੂਗਲ ਦੇ ਖੋਜ ਨਿਰਦੇਸ਼ਕ ਪੀਟਰ ਨੋਰਵਿਗ ਨੇ ਕਿਹਾ: “ਸਾਰੇ ਮਾਡਲ ਗਲਤ ਹਨ, ਪਰ ਤੁਸੀਂ ਮਾਡਲ ਤੋਂ ਬਿਨਾਂ ਵੱਧ ਤੋਂ ਵੱਧ ਸਫਲ ਹੋ ਸਕਦੇ ਹੋ”। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਗਿਆਨਕ ਖੋਜ ਪਹਿਲੀਆਂ ਮਜ਼ਬੂਤ ਧਾਰਨਾਵਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਤੋਂ ਦੂਰ ਹੋ ਰਹੀ ਹੈ, ਅਤੇ ਇਸ ਦੀ ਬਜਾਏ ਵੱਡੇ ਡੇਟਾ ਸਮੂਹਾਂ ਵਿੱਚ ਛੁਪੇ ਪੈਟਰਨਾਂ, ਸਬੰਧਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਗੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਣ ਨਹੀਂ ਸਮਝ ਸਕਦਾ।

ਗ੍ਰੇ ਦੇ ਸਿਧਾਂਤ ਦੇ ਅਨੁਸਾਰ, ਡਾਟਾ-ਇਨਟੈਂਸਿਵ ਵਿਗਿਆਨ ਵਿੱਚ ਤਿੰਨ ਮੁੱਖ ਥੰਮ ਹਨ:

1. ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ: ਜੈਨੇਟਿਕ ਸੀਕਵੈਂਸਰ, ਉੱਚ-ਊਰਜਾ ਕਣ ਐਕਸਲੇਟਰ, ਰੇਡੀਓ ਟੈਲੀਸਕੋਪ ਆਦਿ ਵਰਗੇ ਉੱਨਤ ਯੰਤਰਾਂ ਦੁਆਰਾ ਬੇਮਿਸਾਲ ਪੈਮਾਨੇ ਅਤੇ ਗਤੀ ਨਾਲ ਵਿਗਿਆਨਕ ਡੇਟਾ ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ।
2. ਡੇਟਾ ਪ੍ਰਬੰਧਨ: ਇਹਨਾਂ ਵਿਸ਼ਾਲ ਡੇਟਾ ਸਮੂਹਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ, ਪ੍ਰਬੰਧਨ, ਇੰਡੈਕਸ ਕਰਨ ਅਤੇ ਸਾਂਝਾ ਕਰਨ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਸਥਾਪਤ ਕਰਨਾ, ਉਹਨਾਂ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਤੱਕ, ਜਨਤਕ ਤੌਰ ‘ਤੇ ਪਹੁੰਚਯੋਗ ਅਤੇ ਵਰਤੋਂ ਯੋਗ ਬਣਾਉਣਾ - ਗ੍ਰੇ ਨੇ ਇਸਨੂੰ ਉਸ ਸਮੇਂ ਦਰਪੇਸ਼ ਮੁੱਖ ਚੁਣੌਤੀ ਮੰਨਿਆ।
3. ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਜਾਣਕਾਰੀ ਅਤੇ ਅੰਤਰ-ਦ੍ਰਿਸ਼ਟੀ ਹਾਸਲ ਕਰਨ ਲਈ ਅੰਕੜਿਆਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਉੱਨਤ ਐਲਗੋਰਿਦਮ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਸਾਇੰਸ ਲਈ ਏਆਈ: ਪੰਜਵੇਂ ਨਮੂਨੇ ਦੀ ਸ਼ੁਰੂਆਤ?

ਇਸ ਸਮੇਂ, ਜਨਰੇਟਿਵ ਏਆਈ ਦੁਆਰਾ ਪ੍ਰਸਤੁਤ ਤਕਨਾਲੋਜੀ ਦੀ ਇੱਕ ਨਵੀਂ ਲਹਿਰ, ਚੌਥੇ ਨਮੂਨੇ ਦੇ ਡੂੰਘੇ ਵਿਕਾਸ ਨੂੰ ਅੱਗੇ ਵਧਾ ਰਹੀ ਹੈ, ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ 5ਵੇਂ ਨਮੂਨੇ ਨੂੰ ਜਨਮ ਦੇ ਸਕਦੀ ਹੈ। ਜੇਕਰ ਚੌਥਾ ਨਮੂਨਾ ਡੇਟਾ ਤੋਂ ਅੰਤਰ-ਦ੍ਰਿਸ਼ਟੀ ਕੱਢਣ ‘ਤੇ ਕੇਂਦਰਿਤ ਹੈ, ਤਾਂ ਏਆਈ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਨਵਾਂ ਨਮੂਨਾ ਡੇਟਾ ਤੋਂ ਬਿਲਕੁਲ ਨਵੇਂ ਗਿਆਨ, ਇਕਾਈਆਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਨੂੰ ਉਤਪਾਦਨ ਕਰਨ ‘ਤੇ ਕੇਂਦਰਿਤ ਹੈ। ਇਹ “ਡੇਟਾ-ਇਨਟੈਂਸਿਵ ਖੋਜ” ਤੋਂ “ਡੇਟਾ-ਉਤਪਾਦਕ ਖੋਜ“ ਤੱਕ ਇੱਕ ਛਾਲ ਹੈ।

ਏਆਈ ਚੌਥੇ ਨਮੂਨੇ ਦੇ ਇੰਜਣ ਵਜੋਂ: ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਉਤਪਾਦਨ ਤੱਕ

ਏਆਈ ਸਮੱਗਰੀ, ਜੀਵਨ ਵਿਗਿਆਨ ਅਤੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਮਜ਼ਬੂਤ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਉਤਪਾਦਨ ਸਮਰੱਥਾਵਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਹੀ ਹੈ ਅਤੇ ਚੌਥੇ ਨਮੂਨੇ ਨੂੰ ਪਰਿਪੱਕਤਾ ਵੱਲ ਲਿਜਾਣ ਲਈ ਇੱਕ ਕੋਰ ਇੰਜਣ ਬਣ ਗਈ ਹੈ।

ਕੇਸ ਸਟੱਡੀ: ਜੀਵਨ ਵਿਗਿਆਨ ਵਿੱਚ ਕ੍ਰਾਂਤੀ

• ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨਾ: ਜੀਵ ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ 50 ਸਾਲ ਪੁਰਾਣੀ ਵੱਡੀ ਚੁਣੌਤੀ - ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਦੁਆਰਾ ਵਿਕਸਤ ਏਆਈ ਮਾਡਲ ਅਲਫ਼ਾਫੋਲਡ ਦੁਆਰਾ ਇੱਕ ਵਾਰ ਵਿੱਚ ਹੱਲ ਕੀਤਾ ਗਿਆ ਸੀ। ਏਆਈ ਦੀ ਦਿੱਖ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਇੱਕ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਅਕਸਰ ਕਈ ਸਾਲ ਲੱਗਦੇ ਸਨ ਅਤੇ ਵੱਡੀ ਕੀਮਤ ਲੱਗਦੀ ਸੀ। ਪਰ ਹੁਣ, ਅਲਫ਼ਾਫੋਲਡ ਕੁਝ ਮਿੰਟਾਂ ਵਿੱਚ ਐਮਿਨੋ ਐਸਿਡ ਕ੍ਰਮ ਦੇ ਆਧਾਰ ‘ਤੇ ਇਸਦੀ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਪ੍ਰਯੋਗ ਦੇ ਨੇੜੇ ਹੈ।
• ਸਕੇਲ ਅਤੇ ਲੋਕਤੰਤਰੀਕਰਨ: ਅਲਫ਼ਾਫੋਲਡ ਦੀ ਸਫਲਤਾ ਇੱਥੇ ਨਹੀਂ ਰੁਕੀ। ਡੀਪਮਾਈਂਡ ਨੇ 20 ਕਰੋੜ ਤੋਂ ਵੱਧ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਮੁਫਤ ਭਵਿੱਖਬਾਣੀ ਜਨਤਕ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਇੱਕ ਵਿਸ਼ਾਲ ਡੇਟਾਬੇਸ ਬਣ ਗਿਆ, ਜਿਸ ਨਾਲ ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਖੋਜ ਨੂੰ ਬਹੁਤ ਉਤਸ਼ਾਹ ਮਿਲਿਆ ਹੈ। ਇਸ ਨਾਲ ਕੋਵਿਡ-19 ਵੈਕਸੀਨ ਵਿਕਾਸ ਤੋਂ ਲੈ ਕੇ ਪਲਾਸਟਿਕ ਡੀਗ੍ਰੇਡੇਸ਼ਨ ਐਂਜ਼ਾਈਮ ਡਿਜ਼ਾਈਨ ਤੱਕ ਹਰ ਕਿਸਮ ਦੇ ਇਨੋਵੇਸ਼ਨ ਨੂੰ ਤੇਜ਼ ਕੀਤਾ ਗਿਆ ਹੈ।
• ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਉਤਪਾਦਨ ਤੱਕ: ਇਸ ਕ੍ਰਾਂਤੀ ਵਿੱਚ ਅਗਲਾ ਫਰੰਟ ਜਨਰੇਟਿਵ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਟੀਨ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਹੈ। ਡੇਵਿਡ ਬੇਕਰ (David Baker), 2024 ਦੇ ਨੋਬਲ ਪੁਰਸਕਾਰ ਵਿਜੇਤਾ ਦੁਆਰਾ ਖੋਜ ਦੁਆਰਾ ਪ੍ਰਸਤੁਤ, ਵਿਗਿਆਨੀ ਕੁਦਰਤ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹਨ ਅਤੇ ਨਵੇਂ ਫੰਕਸ਼ਨ ਵਾਲੇ ਪ੍ਰੋਟੀਨ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਇਸ ਨਾਲ ਨਵੀਆਂ ਦਵਾਈਆਂ ਵਿਕਸਤ ਕਰਨ, ਕੁਸ਼ਲ ਕੈਟਾਲਿਟਿਕ ਐਂਜ਼ਾਈਮ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਨਵੀਆਂ ਜੀਵ-ਵਿਗਿਆਨਕ ਸਮੱਗਰੀਆਂ ਬਣਾਉਣ ਲਈ ਬੇਅੰਤ ਸੰਭਾਵਨਾਵਾਂ ਖੁੱਲ੍ਹ ਗਈਆਂ ਹਨ। ਅਲਫ਼ਾਫੋਲਡ 3 ਦਾ ਨਵੀਨਤਮ ਸੰਸਕਰਣ ਪ੍ਰੋਟੀਨ ਅਤੇ ਡੀਐਨਏ, ਆਰਐਨਏ ਅਤੇ ਛੋਟੇ ਅਣੂ ਲਿਗੈਂਡਸ ਵਿਚਕਾਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੀ ਨਕਲ ਵੀ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਡਰੱਗ ਦੀ ਖੋਜ ਲਈ ਅਨਮੋਲ ਹੈ।

ਕੇਸ ਸਟੱਡੀ: ਨਵੀਂ ਸਮੱਗਰੀ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਸਿਰਜਣਾ

• ਰਵਾਇਤੀ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਵਿੱਚ ਰੁਕਾਵਟ: ਜੀਵ ਵਿਗਿਆਨ ਦੇ ਸਮਾਨ, ਨਵੀਂ ਸਮੱਗਰੀ ਦੀ ਖੋਜ ਰਵਾਇਤੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਹੌਲੀ ਅਤੇ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ “ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ” ਵਿਧੀ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਏਆਈ ਪਰਮਾਣੂ ਪ੍ਰਬੰਧਾਂ, ਸੂਖਮ ਬਣਤਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਮੈਕਰੋਸਕੋਪਿਕ ਗੁਣਾਂ ਵਿਚਕਾਰ ਗੁੰਝਲਦਾਰ ਸਬੰਧਾਂ ਨੂੰ ਸਥਾਪਤ ਕਰਕੇ ਇਸਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਰਹੀ ਹੈ।

• ਏਆਈ-ਸੰਚਾਲਿਤ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਡਿਜ਼ਾਈਨ:

  • ਗੂਗਲ ਦਾ ਜੀਨੋਮ (GNoME): ਡੀਪਮਾਈਂਡ ਦੇ ਜੀਨੋਮ (ਸਮੱਗਰੀ ਖੋਜ ਲਈ ਗ੍ਰਾਫ ਨੈੱਟਵਰਕ) ਪਲੇਟਫਾਰਮ ਨੇ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ 2.2 ਮਿਲੀਅਨ ਸੰਭਾਵੀ ਨਵੀਆਂ ਅਕਾਰਗਨਿਕ ਕ੍ਰਿਸਟਲਿਨ ਸਮੱਗਰੀਆਂ ਦੀ ਸਥਿਰਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ। ਇਸ ਖੋਜ ਵਿੱਚ, ਏਆਈ ਨੂੰ ਲਗਭਗ 380,000 ਨਵੀਆਂ ਸਮੱਗਰੀਆਂ ਮਿਲੀਆਂ ਜੋ ਥਰਮੋਡਾਇਨਾਮਿਕ ਤੌਰ ‘ਤੇ ਸਥਿਰ ਸਨ, ਜੋ ਕਿ ਪਿਛਲੇ ਲਗਭਗ 800 ਸਾਲਾਂ ਦੇ ਮਨੁੱਖੀ ਵਿਗਿਆਨੀਆਂ ਦੀ ਖੋਜਾਂ ਦੇ ਬਰਾਬਰ ਹੈ। ਇਨ੍ਹਾਂ ਨਵੀਆਂ ਸਮੱਗਰੀਆਂ ਵਿੱਚ ਬੈਟਰੀਆਂ, ਸੁਪਰਕੰਡਕਟਰ ਆਦਿ ਖੇਤਰਾਂ ਵਿੱਚ ਬਹੁਤ ਵੱਡੀ ਐਪਲੀਕੇਸ਼ਨ ਸੰਭਾਵਨਾ ਹੈ।
  • ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ ਮੈਟਰਜਨ (MatterGen): ਮਾਈਕ੍ਰੋਸਾਫਟ ਰਿਸਰਚ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਜਨਰੇਟਿਵ ਏਆਈ ਟੂਲ ਮੈਟਰਜਨ, ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਟੀਚੇ ਵਾਲੇ ਗੁਣਾਂ (ਜਿਵੇਂ ਕਿ ਕੰਡਕਟੀਵਿਟੀ, ਮੈਗਨੈਟਿਜ਼ਮ ਆਦਿ) ਦੇ ਆਧਾਰ ‘ਤੇ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਨਵੇਂ ਸਮੱਗਰੀ ਬਣਤਰ ਉਮੀਦਵਾਰ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਟੂਲ ਸਿਮੂਲੇਸ਼ਨ ਪਲੇਟਫਾਰਮ ਮੈਟਰਸਿਮ (MatterSim) ਨਾਲ ਜੋੜ ਕੇ ਇਨ੍ਹਾਂ ਉਮੀਦਵਾਰਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ “ਡਿਜ਼ਾਈਨ-ਸਕ੍ਰੀਨਿੰਗ” ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਚੱਕਰ ਨੂੰ ਬਹੁਤ ਘੱਟ ਕਰਦਾ ਹੈ।

• ਸਹਿਜੀਵਤਾ: ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ ਏਆਈ ਅਤੇ ਸਮੱਗਰੀ ਵਿਗਿਆਨ ਵਿਚਕਾਰ ਇੱਕ ਸਹਿਜੀਵਤਾ ਬਣ ਗਈ ਹੈ। ਨਵੀਂ ਸਮੱਗਰੀ ਦੀ ਖੋਜ ਏਆਈ ਨੂੰ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੰਪਿਊਟਿੰਗ ਹਾਰਡਵੇਅਰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ, ਅਤੇ ਵਧੇਰੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਏਆਈ ਬਦਲੇ ਵਿੱਚ ਨਵੀਂ ਸਮੱਗਰੀ ਦੀ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ।

ਇਹ ਕੇਸ ਇੱਕ ਡੂੰਘੀ ਤਬਦੀਲੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ: ਵਿਗਿਆਨਕ ਖੋਜ “ਕੁਦਰਤ ਦੀ ਖੋਜ“ (discovering what is) ਤੋਂ “ਭਵਿੱਖ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ“ (designing what can be) ਵੱਲ ਬਦਲ ਰਹੀ ਹੈ। ਰਵਾਇਤੀ ਵਿਗਿਆਨੀਆਂ ਦੀ ਭੂਮਿਕਾ ਖੋਜਕਰਤਾਵਾਂ ਵਰਗੀ ਹੈ, ਜੋ ਕੁਦਰਤ ਵਿੱਚ ਮੌਜੂਦ ਸਮੱਗਰੀਆਂ ਅਤੇ ਨਿਯਮਾਂ ਨੂੰ ਲੱਭਦੇ ਅਤੇ ਦਰਸਾਉਂਦੇ ਹਨ। ਅਤੇ ਜਨਰੇਟਿਵ ਏਆਈ ਦੀ ਦਿੱਖ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ “ਸਿਰਜਣਹਾਰ” ਬਣਾ ਰਹੀ ਹੈ। ਉਹ ਖਾਸ ਕਾਰਜਸ਼ੀਲ ਜ਼ਰੂਰਤਾਂ (ਉਦਾਹਰਨ ਲਈ, “ਇੱਕ ਪ੍ਰੋਟੀਨ ਜੋ ਖਾਸ ਕੈਂਸਰ ਸੈੱਲ ਟੀਚਿਆਂ ਨਾਲ ਬੰਨ੍ਹ ਸਕਦਾ ਹੈ” ਜਾਂ “ਇੱਕ ਸਮੱਗਰੀ ਜਿਸ ਵਿੱਚ ਉੱਚ ਥਰਮਲ ਕੰਡਕਟੀਵਿਟੀ ਅਤੇ ਇਨਸੁਲੇਸ਼ਨ ਦੋਵੇਂ ਹੋਣ”) ਦੇ ਅਨੁਸਾਰ ਇਹਨਾਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਾਲੀਆਂ ਬਿਲਕੁਲ ਨਵੀਆਂ ਸਮੱਗਰੀਆਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਬਣਾਉਣ ਲਈ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਨਾ ਸਿਰਫ਼ ਬੁਨਿਆਦੀ ਵਿਗਿਆਨ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਚਕਾਰਲੀ ਲਾਈਨ ਨੂੰ ਧੁੰਦਲਾ ਕਰਦਾ ਹੈ, ਸਗੋਂ ਭਵਿੱਖ ਦੇ ਡਰੱਗ ਖੋਜ, ਨਿਰਮਾਣ ਅਤੇ ਸਮਾਜਿਕ ਨੈਤਿਕਤਾ ਲਈ ਵੀ ਬਿਲਕੁਲ ਨਵੇਂ ਪ੍ਰਸਤਾਵ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮੁੜ ਗਠਨ ਕਰਨਾ: ਆਟੋਮੇਸ਼ਨ ਅਤੇ ਬੰਦ ਲੂਪ ਪ੍ਰਯੋਗਸ਼ਾਲਾ

ਏਆਈ ਨੇ ਨਾ ਸਿਰਫ਼ ਵਿਗਿਆਨਕ ਨਮੂਨੇ ਨੂੰ ਮੈਕਰੋ ਪੱਧਰ ‘ਤੇ ਬਦਲਿਆ ਹੈ, ਸਗੋਂ ਸੂਖਮ ਪੱਧਰ ‘ਤੇ ਖੋਜ ਕਾਰਜ ਦੇ ਹਰ ਖਾਸ ਪਹਿਲੂ ਨੂੰ ਵੀ ਮੁੜ ਆਕਾਰ ਦਿੱਤਾ ਹੈ, ਆਟੋਮੇਟਿਡ, ਬੰਦ ਲੂਪ “ਸਵੈ-ਸੰਚਾਲਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ” ਨੂੰ ਜਨਮ ਦਿੱਤਾ ਹੈ।

ਏਆਈ-ਸੰਚਾਲਿਤ ਧਾਰਨਾ ਪੈਦਾ ਕਰਨਾ

ਰਵਾਇਤੀ ਤੌਰ ‘ਤੇ, ਨਵੀਆਂ ਅਤੇ ਕੀਮਤੀ ਵਿਗਿਆਨਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ ਮਨੁੱਖੀ ਰਚਨਾਤਮਕਤਾ ਦੀ ਸਿਖਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਏਆਈ ਇਸ ਖੇਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਰਹੀ ਹੈ। ਏਆਈ ਸਿਸਟਮ ਲੱਖਾਂ ਵਿਗਿਆਨਕ ਲੇਖਾਂ, ਪੇਟੈਂਟਾਂ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾਬੇਸਾਂ ਨੂੰ ਸਕੈਨ ਕਰਕੇ ਨਵੇਂ ਵਿਗਿਆਨਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਲਈ ਗੁਪਤ ਅਤੇ ਗੈਰ-ਸਪੱਸ਼ਟ ਸਬੰਧਾਂ ਨੂੰ ਲੱਭਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਨੁੱਖੀ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਗਿਆਨ ਦੀਆਂ ਸੀਮਾਵਾਂ ਜਾਂ ਬੋਧਾਤਮਕ ਪੱਖਪਾਤਾਂ ਦੇ ਕਾਰਨ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਹੈ।

ਕੁਝ ਖੋਜ ਟੀਮਾਂ “ਏਆਈ ਵਿਗਿਆਨੀ” ਸਿਸਟਮ ਵਿਕਸਤ ਕਰ ਰਹੀਆਂ ਹਨ ਜੋ ਬਹੁਤ ਸਾਰੇ ਏਆਈ ਏਜੰਟਾਂ (Agent) ਤੋਂ ਬਣੇ ਹਨ। ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ, ਵੱਖੋ-ਵੱਖਰੀਆਂ ਏਆਈ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਭੂਮਿਕਾਵਾਂ ਨਿਭਾਉਂਦੀਆਂ ਹਨ: ਉਦਾਹਰਨ ਲਈ, “ਧਾਰਨਾ ਏਜੰਟ” ਖੋਜ ਵਿਚਾਰ ਪੈਦਾ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ, “ਤਾਰਕਿਕ ਏਜੰਟ” ਡੇਟਾ ਅਤੇ ਸਾਹਿਤ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਧਾਰਨਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ, ਅਤੇ “ਗਣਨਾਤਮਕ ਏਜੰਟ” ਸਿਮੂਲੇਸ਼ਨ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ। ਕੈਂਬ੍ਰਿਜ ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ ਇੱਕ ਖੋਜ ਬਹੁਤ ਪ੍ਰਤੀਨਿਧ ਹੈ: ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ GPT-4 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਜੂਦਾ ਗੈਰ-ਕੈਂਸਰ ਦਵਾਈਆਂ ਤੋਂ ਨਵੇਂ ਡਰੱਗ ਸੰਜੋਗਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਸਕ੍ਰੀਨਿੰਗ ਕੀਤੀ ਜੋ ਕੈਂਸਰ ਸੈੱਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਰੋਕ ਸਕਦੇ ਹਨ। ਏਆਈ ਨੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਸਾਹਿਤ ਵਿੱਚ ਲੁਕੇ ਹੋਏ ਪੈਟਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਇਹਨਾਂ ਸੰਜੋਗਾਂ ਨੂੰ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਬਾਅਦ ਦੇ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਗਿਆ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਏਆਈ ਮਨੁੱਖੀ ਵਿਗਿਆਨੀਆਂ ਲਈ ਇੱਕ ਥਕਾਵਟ ਰਹਿਤ “ਵਿਚਾਰ ਵਟਾਂਦਰਾ ਸਾਥੀ” ਬਣ ਸਕਦੀ ਹੈ।

ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਦੀ ਅਨੁਕੂਲਤਾ

ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ (Design of Experiments, DoE) ਇੱਕ ਸ਼ਾਸਤਰੀ ਅੰਕੜਾ ਵਿਧੀ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਕਈ ਪ੍ਰਯੋਗਾਤਮਕ ਮਾਪਦੰਡਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਬਦਲ ਕੇ, ਪ੍ਰਯੋਗਾਂ ਦੀ ਘੱਟੋ-ਘੱਟ ਸੰਖਿਆ ਦੇ ਨਾਲ ਵਿਆਪਕ ਮਾਪਦੰਡ ਥਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਖੋਜ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਸਰਵੋਤਮ ਪ੍ਰਕਿਰਿਆ ਸਥਿਤੀਆਂ ਨੂੰ ਲੱਭਿਆ ਜਾ ਸਕੇ। ਏਆਈ ਤਕਨਾਲੋਜੀ ਇਸ ਸ਼ਾਸਤਰੀ ਵਿਧੀ ਵਿੱਚ ਨਵੀਂ ਜਾਨ ਪਾ ਰਹੀ ਹੈ। ਰਵਾਇਤੀ DoE ਆਮ ਤੌਰ ‘ਤੇ ਇੱਕ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਅੰਕੜਾ ਯੋਜਨਾ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਏਆਈ ਸਰਗਰਮ ਸਿਖਲਾਈ (Active Learning) ਵਰਗੀਆਂ ਰਣਨੀਤੀਆਂ ਪੇਸ਼ ਕਰ ਸਕਦੀ ਹੈ, ਜੋ ਕਿ ਮੌਜੂਦਾ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ ‘ਤੇ, ਅਗਲੀ ਪੜਚੋਲ ਕਰਨ ਯੋਗ ਪ੍ਰਯੋਗਾਤਮਕ ਬਿੰਦੂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਅਤੇ ਬੁੱਧੀਮਾਨ ਢੰਗ ਨਾਲ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ। ਇਹ ਅਨੁਕੂਲ ਪ੍ਰਯੋਗਾਤਮਕ ਰਣਨੀਤੀ ਤੇਜ਼ੀ ਨਾਲ ਸਰਵੋਤਮ ਹੱਲ ਵਿੱਚ ਬਦਲ ਸਕਦੀ ਹੈ, ਪ੍ਰਯੋਗਾਤਮਕ ਕੁਸ਼ਲਤਾ ਨੂੰ ਬਹੁਤ ਵਧਾ ਸਕਦੀ ਹੈ।

“ਸਵੈ-ਸੰਚਾਲਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ”: ਬੰਦ ਲੂਪ ਦੀ ਪ੍ਰਾਪਤੀ

ਏਆਈ-ਸੰਚਾਲਿਤ ਧਾਰਨਾ ਪੈਦਾ ਕਰਨ, ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਅਤੇ ਆਟੋਮੇਟਿਡ ਪ੍ਰਯੋਗਾਤਮਕ ਪਲੇਟਫਾਰਮ ਨੂੰ ਜੋੜ ਕੇ, ਇੱਕ ਨਵੇਂ ਨਮੂਨੇ ਦਾ ਅੰਤਮ ਰੂਪ ਬਣਦਾ ਹੈ - “ਸਵੈ-ਸੰਚਾਲਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ” (Self-Driving Lab)।

ਇਹ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਇੱਕ ਸੰਪੂਰਨ ਬੰਦ ਲੂਪ ਸਿਸਟਮ ਬਣਾ ਕੇ ਚਲਦੀ ਹੈ:

1. ਡ੍ਰਾਈ ਲੈਬ (Dry Lab): ਏਆਈ ਮਾਡਲ (“ਦਿਮਾਗ”) ਮੌਜੂਦਾ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਇੱਕ ਵਿਗਿਆਨਕ ਧਾਰਨਾ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਨੁਸਾਰੀ ਪ੍ਰਮਾਣਿਕਤਾ ਪ੍ਰਯੋਗਾਤਮਕ ਯੋਜਨਾ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ।
2. ਆਟੋਮੇਸ਼ਨ ਪਲੇਟਫਾਰਮ: ਪ੍ਰਯੋਗਾਤਮਕ ਯੋਜਨਾ ਨੂੰ ਇੱਕ ਰੋਬੋਟ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਆਟੋਮੇਸ਼ਨ ਪਲੇਟਫਾਰਮ (“ਗਿੱਲੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ” ਜਾਂ “ਦੋਵੇਂ ਹੱਥ”) ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਰਸਾਇਣਕ ਸੰਸਲੇਸ਼ਣ, ਸੈੱਲ ਕਲਚਰ ਅਤੇ ਹੋਰ ਪ੍ਰਯੋਗਾਤਮਕ ਕਾਰਵਾਈਆਂ ਨੂੰ ਆਪਣੇ ਆਪ ਕਰ ਸਕਦਾ ਹੈ।
3. ਡੇਟਾ ਵਾਪਸ ਭੇਜਣਾ: ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਬਣਾਏ ਗਏ ਡੇਟਾ ਨੂੰ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ, ਆਪਣੇ ਆਪ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਏਆਈ ਮਾਡਲ ਨੂੰ ਵਾਪਸ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
4. ਸਿੱਖਣਾ ਅਤੇ ਦੁਹਰਾਉਣਾ: ਏਆਈ ਮਾਡਲ ਨਵੇਂ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਅਧਿਐਨ ਦੇ ਅਧੀਨ ਵਸਤੂ ਬਾਰੇ ਆਪਣੀ ਅੰਦਰੂਨੀ “ਸਮਝ” ਨੂੰ ਅਪਡੇਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਨਵੀਂ ਸਮਝ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਗਲੀ ਧਾਰਨਾ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ 7x24 ਘੰਟੇ ਨਿਰੰਤਰ ਖੁਦਮੁਖਤਿਆਰ ਖੋਜ ਨੂੰ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ।

ਲਿਵਰਪੂਲ ਯੂਨੀਵਰਸਿਟੀ ਦਾ “ਰੋਬੋਟ ਰਸਾਇਣ ਵਿਗਿਆਨੀ” ਇੱਕ ਸਫਲ ਮਾਮਲਾ ਹੈ। ਇਸ ਸਿਸਟਮ ਨੇ 10 ਵੇਰੀਏਬਲਾਂ ਵਾਲੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਪਦੰਡ ਥਾਂ ਦੀ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਖੋਜ ਕੀਤੀ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਹਾਈਡ੍ਰੋਜਨ ਦੇ ਫੋਟੋਕੈਟਾਲਿਟਿਕ ਉਤਪਾਦਨ ਲਈ ਇੱਕ ਕੁਸ਼ਲ ਉਤਪ੍ਰੇਰਕ ਦੀ ਖੋਜ ਕੀਤੀ, ਜਿਸਦੀ ਕੁਸ਼ਲਤਾ ਸ਼ੁਰੂਆਤੀ ਕੋਸ਼ਿਸ਼ਾਂ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਵੱਧ ਹੈ।

ਇਹ ਬੰਦ ਲੂਪ ਮਾਡਲ “ਵਿਗਿਆਨ ਚੱਕਰ ਦਾ ਸੰਕੁਚਨ“ ਲਿਆਉਂਦਾ ਹੈ। ਸ਼ਾਸਤਰੀ ਮਾਡਲ ਦੇ ਤਹਿਤ, ਇੱਕ ਪੂਰੇ “ਧਾਰਨਾ-ਪ੍ਰਯੋਗ-ਪ੍ਰਮਾਣਿਕਤਾ” ਚੱਕਰ ਨੂੰ ਇੱਕ ਡਾਕਟਰੇਟ ਦੇ ਵਿਦਿਆਰਥੀ ਨੂੰ ਕਈ ਸਾਲ ਲੱਗ ਸਕਦੇ ਹਨ। ਅਤੇ “ਸਵੈ-ਸੰਚਾਲਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ” ਇਸ ਚੱਕਰ ਨੂੰ ਸਾਲਾਂ ਜਾਂ ਮਹੀਨਿਆਂ ਤੋਂ ਘਟਾ ਕੇ ਦਿਨਾਂ ਜਾਂ ਘੰਟਿਆਂ ਤੱਕ ਕਰ ਦਿੰਦੀ ਹੈ। ਦੁਹਰਾਉਣ ਦੀ ਗਤੀ ਵਿੱਚ ਇਹ ਆਕਾਰ ਦਾ ਵਾਧਾ “ਪ੍ਰਯੋਗ” ਦੀ ਆਪਣੀ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ। ਪ੍ਰਯੋਗ ਹੁਣ ਮਨੁੱਖੀ ਵਿਗਿਆਨੀਆਂ ਦੁਆਰਾ ਡਿਜ਼ਾਈਨ ਕੀਤੀ ਗਈ, ਅਲੱਗ-ਥਲੱਗ, ਇਕੋ ਘਟਨਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਏਆਈ ਦੁਆਰਾ ਅਗ