AI எழுச்சி: அறிவியல் மாற்றங்கள்

செயற்கை நுண்ணறிவு (AI) அறிவியல் ஆராய்ச்சியின் நிலப்பரப்பை மாற்றியமைத்து வருகிறது. இது விஞ்ஞானிகளுக்கான கருவிகளில் படிப்படியான முன்னேற்றம் மட்டுமல்ல, ஒரு புரட்சிகர கருவியால் இயக்கப்படும் ஆழமான மாற்றமாகும். இது அறிவியல் முறை மற்றும் முழு ஆராய்ச்சி சுற்றுச்சூழல் அமைப்பையும் மாற்றியமைக்கிறது. அறிவியல் புரட்சிக்கு ஒப்பான ஒரு புதிய அறிவியல் முன்னுதாரணத்தின் பிறப்பை நாம் கண்டு வருகிறோம்.

AI இன் இரட்டை திறன்கள் - முன்கணிப்பு திறன் மற்றும் உருவாக்கும் திறன் - இந்த மாற்றத்தின் முக்கிய இயக்கிகள். இந்த இரட்டை சக்தி கருத்தியல் முதல் இறுதி கண்டுபிடிப்பு வரையிலான ஒவ்வொரு ஆராய்ச்சி கட்டத்திலும் AI ஐ பங்கேற்க அனுமதிக்கிறது.

பாரம்பரிய முன்னுதாரணம்: கருதுகோள்கள் மற்றும் பொய்மைப்படுத்தலின் உலகம்

உன்னதமான சுழற்சி: "கருதுகோள்-பரிசோதனை-சரிபார்ப்பு"

பாரம்பரியமாக, அறிவியல் முன்னேற்றம் ஒரு தெளிவான மற்றும் சக்திவாய்ந்த தர்க்கரீதியான சுழற்சியான "கருதுகோள்-பரிசோதனை-சரிபார்ப்பு" என்பதைப் பின்பற்றுகிறது. விஞ்ஞானிகள் முதலில் தற்போதைய அறிவு மற்றும் அவதானங்களின் அடிப்படையில் ஒரு குறிப்பிட்ட, சோதிக்கக்கூடிய கருதுகோளை உருவாக்குகிறார்கள். பின்னர், அவர்கள் இந்தக் கருதுகோளைச் சோதிக்க கடுமையான பரிசோதனைகளை வடிவமைத்து நடத்துகிறார்கள். இறுதியாக, சேகரிக்கப்பட்ட அனுபவ தரவுகளின் அடிப்படையில், கருதுகோள் உறுதிப்படுத்தப்படுகிறது, மாற்றியமைக்கப்படுகிறது அல்லது முற்றிலும் நிராகரிக்கப்படுகிறது. இந்த செயல்முறை பல நூற்றாண்டுகளாக அறிவியல் அறிவின் வளர்ச்சிக்கு அடிப்படையாக உள்ளது.

தத்துவ அடித்தளம்: போப்பரின் பொய்மைவாதம்

இந்த உன்னதமான மாதிரியின் தத்துவ மையமானது பெரும்பாலும் தத்துவஞானி கார்ல் போப்பரின் பொய்மைவாதக் கோட்பாட்டால் நிறுவப்பட்டது.

• எல்லை நிர்ணயிக்கும் பிரச்சினை: ஒரு கருதுகோள் உண்மையானது என்று நிரூபிக்கப்படுவதை விட, அதை தவறானது என்று நிரூபிக்க முடியுமா என்பதில்தான் அறிவியல் அல்லாதவைகளான போலி அறிவியலில் இருந்து அறிவியலை வேறுபடுத்துவதற்கான திறவுகோல் உள்ளது என்று போப்பர் ஒரு முக்கிய கருத்தை முன்வைத்தார். ஒரு அறிவியல் கோட்பாடு அனுபவப்பூர்வமாக மறுக்கக்கூடிய கணிப்புகளைச் சொல்ல வேண்டும். "அனைத்து அன்னங்களும் வெள்ளை" என்பது ஒரு பிரபலமான எடுத்துக்காட்டு, நாம் எத்தனை வெள்ளை அன்னங்களைப் பார்த்தாலும், அதை இறுதியாக உறுதிப்படுத்த முடியாது, ஆனால் ஒரு கருப்பு அன்னத்தைப் பார்த்தவுடன், அதை முற்றிலுமாக தவறென்று நிரூபிக்க முடியும். எனவே, தவறென்று நிரூபிக்கக்கூடியது ஒரு அறிவியல் கோட்பாட்டின் இன்றியமையாத பண்பாக மாறும்.
• கண்டுபிடிப்பின் தர்க்கம்: இதன் அடிப்படையில், போப்பர் அறிவியல் முன்னேற்றத்தை ஒருபோதும் முடிவடையாத சுழற்சியாக சித்தரிக்கிறார்: "சிக்கல்-யூகம்-மறுப்பு-புதிய சிக்கல்…" அறிவியல் என்பது உண்மைகளை நிலையாகக் குவிக்கும் செயல் அல்ல, ஆனால் தவறுகளைத் தொடர்ந்து அகற்றுவதன் மூலம் உண்மையை நெருங்கும் நிகழ்வு.

விமர்சனம் மற்றும் பரிணாமம்

நிச்சயமாக, தூய போப்பர் மாதிரி ஒரு இலட்சியச் சித்திரம். பின்னர் வந்த அறிவியல் தத்துவஞானிகளான தாமஸ் குன் மற்றும் இம்ரே லாகடோஸ் ஆகியோர் அதை நிறைவு செய்து திருத்தினர். குன் "முன்னுதாரணம்" மற்றும் "வழக்கமான அறிவியல்" ஆகியவற்றின் கருத்தை அறிமுகப்படுத்தினார். பெரும்பாலான நேரங்களில் விஞ்ஞானிகள் ஒரு நிலையான தத்துவார்த்த கட்டமைப்பிற்குள் சிக்கல்களைத் தீர்ப்பதாகவும், விளக்கமுடியாத "விதிவிலக்குகள்" குவிந்து அறிவியல் புரட்சியைத் தூண்டும் வரை அந்த முன்னுதாரணத்தை பராமரிக்க முனைகிறார்கள் என்றும் அவர் சுட்டிக்காட்டினார். Λάκατος ஒரு முக்கிய கோட்பாடு பல "பாதுகாப்பு பெல்ட் போன்ற" துணை அனுமானங்களால் சூழப்பட்டுள்ளது என்று வாதிட்டார், இது மையக் கோட்பாட்டை தவறானது என்று நிரூபிப்பதை மிகவும் சிக்கலாக்குகிறது. இந்த கோட்பாடுகள் இணைந்து பாரம்பரிய அறிவியல் ஆராய்ச்சி முறையின் ஒரு சிக்கலான மற்றும் வரலாற்றுக்கு ஏற்ற சித்திரத்தை வரைகின்றன.

இருப்பினும், போப்பரின் இலட்சிய மாதிரியாக இருந்தாலும், குன்னின் வரலாற்று கண்ணோட்டமாக இருந்தாலும், அவற்றின் பொதுவான அடிப்படை என்னவென்றால், இந்த செயல்முறை மனிதனின் அறிவாற்றல் திறன்களால் கட்டுப்படுத்தப்படுகிறது. நாம் முன்வைக்கக்கூடிய கருதுகோள்கள், நமது அறிவின் எல்லைகள், கற்பனை மற்றும் உயர் பரிமாண சிக்கலான தகவல்களை செயலாக்கும் திறன் ஆகியவற்றால் கட்டுப்படுத்தப்படுகின்றன. "சிக்கல்-யூகம்" என்ற முக்கியமான படி, மனிதனை மையமாகக் கொண்ட ஒரு அறிவாற்றல் தடையாக உள்ளது. விஞ்ஞான முன்னேற்றங்கள் பெரும்பாலும் விஞ்ஞானிகளின் உள்ளுணர்வு, உத்வேகம் அல்லது தற்செயலான அதிர்ஷ்டத்தை நம்பியுள்ளன. இந்த அடிப்படை வரம்புதான் AI இன் இடையூறு விளைவிக்கும் பாத்திரத்திற்கு அடிகோலியது, இந்த அறிதிறன் தடையை AI நேரடியாக உடைக்கிறது. AI மனித மனதை மீறியும் மிக விரிவான, சிக்கலான கருதுகோள் இடத்தை ஆராய முடியும், எனவே மனிதனுக்குத் தெளிவாகத் தெரியாத புதிய முறைகளை அடையாளம் காண உதவுகிறது.

புதிய முறையின் தோற்றம்: நான்காவது முன்னுதாரணம்

நான்காவது முன்னுதாரணத்தின் வரையறை: தரவு சார்ந்த அறிவியல் கண்டுபிடிப்பு

தகவல் தொழில்நுட்பத்தின் வளர்ச்சியுடன், அறிவியல் ஆராய்ச்சிக்கான ஒரு புதிய முறை பிறந்தது. ட்யூரிங் விருது வென்ற ஜிம் கிரே இதை "நான்காவது முன்னுதாரணம்" என்று பெயரிட்டார். அதாவது "தரவு சார்ந்த அறிவியல் கண்டுபிடிப்பு". இந்த முன்னுதாரணம் அறிவியலின் வரலாற்றில் முதல் மூன்று முன்னுதாரணங்களுடன் வேறுபடுகிறது. அவை முதல் முன்னுதாரணம் (அனுபவம் மற்றும் அவதானிப்பு அறிவியல்), இரண்டாவது முன்னுதாரணம் (கோட்பாட்டு அறிவியல்) மற்றும் மூன்றாவது முன்னுதாரணம் (கணக்கீட்டு மற்றும் உருவகப்படுத்துதல் அறிவியல்). நான்காவது முன்னுதாரணத்துக்கு நிறைய தரவு தேவை மற்றும் அறிவியல் கண்டுபிடிப்பு செயல்முறையின் மையத்தில் அதை வைக்கிறது, கோட்பாடு, பரிசோதனை மற்றும் உருவகப்படுத்துதல் ஆகியவற்றை ஒருங்கிணைக்கிறது.

"கருதுகோள் இயக்கத்திலிருந்து" "தரவு இயக்கம்" வரை

இந்த மாற்றத்தின் அடிப்படைக் காரணம், தற்போதுள்ள அனுமானங்களை சரிபார்க்கத் தரவுகளைச் சேகரிப்பதை விட ஆராய்ச்சிகள் தரவுகளை ஆராய்ந்து புதிய கருதுகோள்களை உருவாக்குவதே. கூகிள் இயக்குனர் பீட்டர் நார்விக் கூறியது போல், "எல்லா மாதிரிகளும் தவறானவை, ஆனால் நீங்கள் மாதிரி இல்லாமல் அதிக வெற்றியைப் பெறலாம்". இது அறிவியல் ஆராய்ச்சி முன்கூட்டியே இருந்த அனுமானங்களைச் சார்ந்திருப்பதைக் குறைத்துவிட்டு, மனிதனால் தெரிந்துகொள்ள முடியாத மறைந்திருக்கும் முறைகள், தொடர்புகள் மற்றும் விதிகளைத் தரவுகளில் இருந்து கண்டறிய இயந்திர கற்றல் போன்ற தொழில்நுட்பங்களைப் பயன்படுத்துகிறது.

கிரேவின் கூற்றுப்படி, தரவு சார்ந்த அறிவியலுக்கு மூன்று தூண்கள் உள்ளன:

1. தரவு சேகரிப்பு: மரபணு வரிசைமுறைகள், அதிக ஆற்றல் துகள் மோதுவிகள், ரேடியோ தொலைநோக்கிகள் போன்ற மேம்பட்ட கருவிகள் மூலம் முன்னெப்போதாத அளவில் அறிவியல் தரவைப் பிடிக்கிறது.
2. தரவு மேலாண்மை:இந்த பெரிய தரவுத் தொகுப்புகளை சேமிக்கவும், நிர்வகிக்கவும், குறியிடவும், பகிரவும் வலுவான உள்கட்டமைப்பை உருவாக்குதல். இது நீண்ட காலத்திற்கும் பொதுக்கும் அணுகக்கூடியதாக இருக்க வேண்டும் என கிரே கருதினார்.
3. தரவு பகுப்பாய்வு: தரவை ஆராய்ந்து அறிவையும் ஊக்கத்தையும் பிரித்தெடுக்க மேம்பட்ட அல்காரிதம்கள் மற்றும் காட்சி கருவிகளைப் பயன்படுத்துதல்.

AI for Science: ஐந்தாவது முன்னுதாரணத்தின் விடியலா?

தற்போதைய தலைமுறை AI தொழில்நுட்பம் நான்காவது உதாரணத்தின் ஆழமான பரிணாமத்தை நோக்கித் தள்ளுவதற்கு வழிவகுக்கும். குறிப்பாக செயற்கை நுண்ணறிவு ஐந்தாவது உதாரணத்தை உருவாக்க முடியும் என எதிர்பார்க்கப்படுகிறது. நான்காவது உதாரணம் தகவல்களைத் தரவுகளிலிருந்து பிரித்தெடுப்பதில் கவனம் செலுத்துகிறது. அதே நேரத்தில் AI இயக்கப்படும் புதிய உதாரணம் தரவுகளிலிருந்து புதிய அறிவு, நிறுவனங்கள் மற்றும் அனுமானங்களை உருவாக்குவதில் கவனம் செலுத்துகிறது. இது 'தரவு அடர்த்தியான கண்டுபிடிப்புகளிலிருந்து' ' தரவு உருவாக்கும் கண்டுபிடிப்புகளுக்கான' மாற்றம் ஆகும்.

நான்காவது முன்னுதாரணத்தின் இயந்திரமாக AI: முன்கணிப்பிலிருந்து உருவாக்கம் வரை

AI பொருட்கள், உயிரியல் போன்ற துறைகளில் சக்திவாய்ந்த முன்கணிப்பு மற்றும் உருவாக்குதல் திறன்களைக் காட்டுகிறது. இது நான்காவது முன்னுதாரணத்தை முதிர்ச்சியடையச் செய்யக்கூடிய முக்கிய கருவியாக இருக்கிறது.

வழக்கு ஆய்வு: உயிரியல் அறிவியலின் புரட்சி

• புரத மடிப்பு புதிர் உடைப்பு: உயிரியல் துறையில் 50 ஆண்டுகால சவாலான புரத மடிப்பு சிக்கலை கூகிள் டீப்மைண்ட் உருவாக்கிய AI மாதிரி ஆல்பாஃபோல்ட் தீர்த்தது. AI தோன்றுவதற்கு முன்பு, ஒரு புரதத்தின் கட்டமைப்பை சோதனை ரீதியாக பகுப்பாய்வு செய்ய பல ஆண்டுகள் மற்றும் அதிக செலவு ஏற்பட்டது. இப்போது, ஆல்பாஃபோல்ட் அமினோ அமில வரிசையின் அடிப்படையில் சில நிமிடங்களில் அதன் மூன்று பரிமாண கட்டமைப்பை சோதனை துல்லியத்துடன் கணிக்க முடியும்.
• அளவு மற்றும் ஜனநாயகமயமாக்கல்: ஆல்பாஃபோல்ட்டின் முன்னேற்றங்கள் இங்கு நிற்கவில்லை. டீப்மைண்ட் அவர்களின் கணிப்புகளிலிருந்து 200 மில்லியனுக்கும் அதிகமான புரத கட்டமைப்புகளை இலவசமாக வெளியிட்டது. இது ஒரு பெரிய தரவுத்தளத்தை உருவாக்கி, உலகளவில் தொடர்புடைய துறைகளில் ஆராய்ச்சியை பெரிதும் ஊக்குவித்தது. இது கொரோனா வைரஸ் தடுப்பூசியின் வளர்ச்சியிலிருந்து பிளாஸ்டிக் சிதைக்கும் நொதியின் வடிவமைப்பு வரை பல்வேறு கண்டுபிடிப்புகளை துரிதப்படுத்தியுள்ளது.
• முன்கணிப்பிலிருந்து உருவாக்கம் வரை: இந்தப் புரட்சியின் அடுத்த கட்டம் உருவாக்கக்கூடிய AI ஐப் பயன்படுத்தி புரோட்டீன்களை புதிதாக வடிவமைப்பதாகும். 2024 ஆம் ஆண்டுக்கான நோபல் பரிசு பெற்ற டேவிட் பேக்கரின் ஆராய்ச்சி ஒரு சிறந்த உதாரணமாகும். விஞ்ஞானிகள் புதிய செயல்பாடுகளைக் கொண்ட இயற்கையில் இல்லாத புரதங்களை உருவாக்க AI ஐப் பயன்படுத்துகின்றனர். இது புதிய மருந்துகளை உருவாக்கவும், திறமையான வினையூக்கிகளை வடிவமைக்கவும், புதிய உயிரியல் பொருட்களை உருவாக்கவும் வரம்பற்ற சாத்தியக்கூறுகளைத் திறக்கிறது. ஆல்பாஃபோல்ட் 3 இன் சமீபத்திய பதிப்பு புரதங்கள், DNA, RNA மற்றும் சிறிய மூலக்கூறுகளுடன் இடைவினை புரிய மாதிரியாக்கம் செய்ய முடியும். இது மருந்து கண்டுபிடிப்புகளுக்கு ஈடு இணையற்ற மதிப்பு வாய்ந்தது.

வழக்கு ஆய்வு: புதிய பொருட்களின் விரைவான உருவாக்கம்

• பாரம்பரிய ஆராய்ச்சியில் உள்ள சிக்கல்கள்: உயிரியலைப் போலவே, புதிய பொருட்களின் கண்டுபிடிப்பு பாரம்பரியமாக “சோதனை மற்றும் பிழை" முறையை நம்பி மெதுவான மற்றும் விலை உயர்ந்த செயல்முறையாகும். அணு ஏற்பாடு, நுண் அமைப்பு மற்றும் பொருளின் மொத்த பண்புகளுக்கு இடையே சிக்கலான தொடர்புகளை ஏற்படுத்துவதன் மூலம் AI இந்த நிலையை முற்றிலும் மாற்றியமைக்கிறது.

• AI இயங்கும் முன்கணிப்பு மற்றும் வடிவமைப்பு:

  • கூகிளின் GNoME: DeepMind இன் GNoME (பொருட்களின் ஆய்வுக்கான வரைபட நெட்வொர்க்குகள்) தளம் கிராஃப் நியூரல் நெட்வொர்க் தொழில்நுட்பத்தைப் பயன்படுத்தி 2.2 மில்லியன் சாத்தியமான புதிய கனிம படிகப் பொருட்களின் ஸ்திரத்தன்மையைக் கணித்துள்ளது. இந்த ஆய்வில், AI வெப்ப இயக்கவியல் நிலையான தன்மையுடன் சுமார் 380,000 புதிய பொருட்களைக் கண்டறிந்துள்ளது. இந்த த்கைளவை பேட்டரிகள், கடத்திகள் போன்ற துறைகளில் பயன்படுத்த முடியும். இது மனித விஞ்ஞானிகளின் கடந்த 800 ஆண்டுகால ஆராய்ச்சிக்குச் சமம்.
  • மைக்ரோசாஃப்டின் MatterGen: மைக்ரோசாப்ட் ரிசர்ச் உருவாக்கிய ஜெனரேட்டிவ் AI கருவி MatterGen, ஆராய்ச்சியாளர்கள் நிர்ணயித்த இலக்கு பண்புகளின் அடிப்படையில் (கடத்துத்திறன், காந்தத்தன்மை போன்றவை) புதிய பொருள் கட்டமைப்பு வேட்பாளர்களை உருவாக்க முடியும். இந்த கருவி உருவகப்படுத்துதல் தளமான MatterSim உடன் இணைந்து, இந்த சாத்தியமான பொருட்களின் சாத்தியக்கூறுகளை விரைவாகச் சரிபார்க்க முடியும். இதன் மூலம் "வடிவமைப்பு-திரையிடல்" ஆராய்ச்சி மற்றும் மேம்பாட்டு சுழற்சியை பெரிதும் குறைக்கிறது.

• ஒத்திசைவான உறவு: AI க்கும் பொருள் அறிவியலுக்கும் இடையே ஒரு ஒத்திசைவான உறவு உருவாகிறது என்பது குறிப்பிடத்தக்கது. புதிய பொருட்களைக் கண்டுபிடிப்பதன் மூலம் AI க்கு சிறந்த கணினி வன்பொருள் வழங்க முடியும், மேலும் சக்திவாய்ந்த AI புதிய பொருட்களின் ஆராய்ச்சி மற்றும் மேம்பாட்டு செயல்முறையை துரிதப்படுத்த முடியும்.

இந்த வழக்குகள் ஒரு ஆழமான மாற்றத்தை வெளிப்படுத்துகின்றன: அறிவியல் ஆராய்ச்சி இயற்கையைக் கண்டுபிடிப்பதிலிருந்து (discovering what is)எதிர்காலத்தை வடிவமைப்பதை (designing what can be) நோக்கி நகர்கிறது. பாரம்பரிய விஞ்ஞானிகளின் பங்கு இயற்கையில் இருக்கும் பொருள் மற்றும் விதிகளைத் தேடி சித்தரிக்கும் ஆய்வாளர்களைப் போன்றது. மேலும் உருவாக்கும் AI இன் தோற்றம், விஞ்ஞானிகளை பெருகிய முறையில் "உருவாக்குபவர்களாக" மாற்றுகிறது. "ஒரு குறிப்பிட்ட புற்றுநோய் செல் இலக்குடன் பிணைக்கக்கூடிய புரதம்" அல்லது "அதிக வெப்ப கடத்துத்திறன் மற்றும் காப்பு இரண்டையும் வழங்கும் பொருள்" போன்ற குறிப்பிட்ட செயல்படும் தேவைகளின் அடிப்படையில், AI ஐப் பயன்படுத்தி இந்தத் தேவைகளைப் பூர்த்தி செய்யும் புதிய பொருட்களை வடிவமைக்கின்றன. இது அடிப்படை அறிவியல் மற்றும் பயன்பாட்டு பொறியியலுக்கு இடையிலான எல்லைகளை மங்கலாக்குவது மட்டுமல்லாமல், எதிர்கால மருந்து மேம்பாடு, உற்பத்தி மற்றும் சமூக நெறிமுறைகள் சார்ந்தே புதிய கேள்விகளை எழுப்புகிறது.

ஆராய்ச்சி செயல்முறையை மறுசீரமைத்தல்: தானியங்கி மற்றும் மூடிய வளைய ஆய்வகங்கள்

AI ஒரு பெரிய அறிவியல் முன்னுதாரணத்தை மாற்றுவது மட்டுமல்லாமல் ஆராய்ச்சிப் பணியின் ஒவ்வொரு சிறிய பகுதியையும் மாற்றியமைத்து, தன்னியக்க, மூடிய வளைய “தன்னியக்க ஆய்வகங்கள்” உருவாவதற்கு ஊக்கம் அளிக்கிறது.

AI இயங்கும் கருதுகோள் உருவாக்கம்

புதிய மற்றும் மதிப்புமிக்க அறிவியல் கருதுகோள்களை உருவாக்குவது மனிதனின் உச்சகட்ட படைப்பாகக் கருதப்படுகிறது. ஆயினும், AI இப்பகுதியில் முக்கியப் பங்கு வகிக்கத் தொடங்கியுள்ளது. மில்லியன் கணக்கான அறிவியல் ஆவணங்கள், காப்புரிமைகள் மற்றும் சோதனை தரவுத்தளங்களை ஸ்கேன் செய்வதன் மூலம் AI அமைப்புக்கள் புதிய அறிவியல் கருதுகோள்களை முன்வைக்கின்றது. காரணம் மனித ஆராய்ச்சியாளர்கள் அறிவின் வரம்பு அல்லது அறிவாற்றல் தடைகள் காரணமாக தெளிவான தொடர்புகளைக் கவனிக்கத் தவறிவிடுவார்கள்.

பல AI முகவர்கள் (Agent) அடங்கிய "AI விஞ்ஞானி" அமைப்புகளைச் சில ஆராய்ச்சி குழுக்கள் உருவாக்கி வருகின்றன. இந்த அமைப்புக்களில், வெவ்வேறு AIகள் வெவ்வேறு பாத்திரங்களைச் செய்கின்றன. எடுத்துக்காட்டாக, "கருதுகோள் முகமை" ஆராய்ச்சி யோசனைகளை உருவாக்குவதற்கும் "ரீசனிங் முகமை" தரவு மற்றும் ஆவணங்களை பகுப்பாய்வு செய்து கருதுகோள்களை மதிப்பிடுவதற்கும் பொறுப்பாகும். அதேபோல், "கணினி முகமை" உருவகப்படுத்துதல் பரிசோதனைகளை இயக்குவதற்குப் பொறுப்பாகும். கேம்பிரிட்ஜ் பல்கலைக்கழகத்தின் ஆய்வு ஒரு நல்ல பிரதிநிதித்துவம் ஆகும். ஆராய்ச்சியாளர்கள் பெரிய மொழி மாதிரி GPT-4 ஐப் பயன்படுத்தி, ஏற்கனவே உள்ள புற்றுநோய் எதிர்ப்பு மருந்துகளைத் திரையிட்டு, புற்றுநோய் செல்களை திறம்பட தடுக்கும் என்பதை வெற்றிரகமாக ஸ்கிரீனிங் செய்தனர். AI இந்த கலவைகளை ஏராளமான ஆவணங்களில் மறைந்திருக்கும் முறைகளை ஆய்வு செய்து முன்வைத்தது. மேலும் பரிசோதனைகளில் உறுதிப்படுத்தப்பட்டது. AI மனித விஞ்ஞானிகளுக்கு அலுப்பு இல்லாமல் யோசனைகளைத் தரும் பார்ட்னராகச் செயல்படும் என்பதை இது காட்டுகிறது.

சோதனை வடிவமைப்பை மேம்படுத்துதல்

சோதனை வடிவமைப்பு (Design of Experiments, DoE) என்பது ஒரு செவ்வியல் புள்ளிவிவர முறையாகும். இது பல சோதனை மாறிகளை முறையாக மாற்றுவதன் மூலம் போதுமான பரிசோதனைகளைக் கொண்டு பரந்த அளவு மாறிகளை ஆய்வு செய்து சிறந்த செயல்பாட்டு நிலைமைகளைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது. AI தொழில்நுட்பம் இந்த செவ்வியல் முறைக்கு புதிய சக்தியை அளிக்கிறது. பாரம்பரிய DoE பொதுவாக முன்னரே திட்டமிடப்பட்ட புள்ளிவிவர திட்டத்தைப் பின்பற்றுகிறார்கள், அதே நேரத்தில், AI ஏற்கனவே உள்ள சோதனை முடிவுகளின் அடிப்படையில், அடுத்ததாக எந்த சோதனையை ஆய்வு செய்ய வேண்டும் என்பதை இயக்கவியல் மற்றும் விவேகத்துடன் தீர்மானிக்க செயல்படும் கற்றல் (Active Learning) போன்ற உத்திகளைப் பயன்படுத்த முடியும். இந்த தகவமைவு சோதனை உத்தி சிறந்த தீர்வுக்கு விரைவாக ஒன்றிணைந்து சோதனைத் திறனை பெரிதும் மேம்படுத்துகிறது.

“தற்சார்பு இயங்கும் ஆய்வகம்”: மூடிய வளையம்

AI இயங்கும் கருதுகோள்களை உருவாக்குதல், சோதனை வடிவமைப்பு மற்றும் தன்னியக்க சோதனைத் தளத்தை இணைத்து ஒரு புதிய முன்னுதாரணத்தை உருவாக்கலாம். அதுதான் - "தற்சார்பு-இயங்கும் ஆய்வகம்" (Self-Driving Lab).

இந்த ஆய்வகத்தின் இயக்கமானது ஒரு முழுமையான மூடிய வளைய அமைப்பை உருவாக்குகிறது:

1. உலர் ஆய்வகம் (Dry Lab): AI மாதிரி ("மூளை") இருக்கும் தரவை பகுப்பாய்வு செய்து ஒரு அறிவியல் கருதுகோளை உருவாக்குகிறது மேலும் அதற்கேற்ப சோதனை திட்டத்தை வடிவமைக்கிறது.
2. தானியங்கி தளம்: சோதனைத் திட்டம் ரோபோக்கள் இயக்கும் ஒரு தன்னியக்கத் தளத்திற்கு ("ஈரமான ஆய்வகம்" அல்லது "கைகள்") அனுப்பப்படுகிறது. அந்தத் தளம் தானாகவே இரசாயனத் தொகுப்பு, செல் வளர்ப்பு மற்றும் பிற சோதனை செயல்பாடுகளைச் செய்ய முடியும்.
3. தரவு திரும்புதல்: சோதனை செயல்பாட்டின் போது உருவாக்கப்பட்ட தரவு நிகழ்நேரத்தில் மற்றும் தானாகச் சேகரிக்கப்பட்டு AI மாதிரியில் திரும்ப அனுப்பப்படுகிறது.
4. கற்றல் மற்றும் மறு செய்கை: AI மாதிரி புதிய சோதனைத் தரவைப் பகுப்பாய்வு செய்து, ஆராய்ச்சி பொருளின் உட்புற "புரிதலைப்" புதுப்பிக்கிறது. பிறகு அதை அடிப்படையாகக் கொண்டு ஒரு புதிய கருதுகோளைத் உருவாக்கி சோதனை வடிவமைப்பை மறுபடியும் செய்கிறது. இதனால் 7x24 மணிநேர இடைவிடாத சுயாட்சி ஆய்வு சாத்தியமாகிறது.

“ரோபோ ரசாயன விஞ்ஞானி” லிவர்பூல் பல்கலைக்கழகத்தில் வெற்றிகரமாகச் செய்யப்பட்ட ஆய்வாகும். இந்த அமைப்பு 10 மாறிகளைக் கொண்ட சிக்கலைப் பராமீட்டர் பகுதியைத் தன்னிச்சையாக ஆராய்ந்து இறுதியில் ஒளி வினையூக்கியைப் பயன்படுத்தி ஹைட்ரஜனை உருவாக்கும் ஒரு திறமையான வினையூக்கியைக் கண்டுபிடித்தது. இது ஆரம்ப முயற்சியை விட பல மடங்கு திறன் கொண்டது.

இந்த மூடிய வளைய முறை "அறிவியல் சுழற்சியை சுருக்குகிறது". ஒரு கிளாசிக் முறையில், ஒரு முழுமையான "கருதுகோள்-பரிசோதனை-சரிபார்ப்பு" சுழற்சிக்கு ஒரு முனைவர் பட்ட மாணவனுக்கு பல ஆண்டுகள் ஆகலாம். ஆனால் "தற்சார்பு இயங்கும் ஆய்வகம்" இந்த சுழற்சியை சில வருடங்கள் அல்லது மாதங்களிலிருந்து சில நாட்கள் அல்லது மணிநேரங்களுக்குச் சுருக்குகிறது. இந்த மறு செய்கை வேகம் பரிசோதனையின் வரையறையையே மாற்றுகிறது. பரிசோதனை என்றல் அது இனி மனித விஞ்ஞானிகளால் திட்டமிடப்பட்ட, தனித்துவமான நிகழ்வு இல்லை. அது AI ஆல் உருவாக்கப்பட்ட, தொடர்ச்சியான தகவமைவு ஆய்வு செயல்முறையாகும். அப்படியானால், அறிவியல் முன்னேற்றத்தின் மதிப்பிடப்பட வேண்டிய மதிப்பு வெளியிடப்பட்ட ஆய்வுக் கட்டுரை அல்ல, மூடிய வளைய கற்றல் முறையின் கற்றல் விகிதமாக இருக்கும். இது அறிவியல் பங்களிப்புகளை எவ்வாறு மதிப்பிடுவது என்பதை மறுபரிசீலனை செய்ய நிர்பந்திக்கும்.

முறை சார்ந்த தாக்கம்: ஆராய்ச்சிச் சூழல் அமைப்பு மறுவடிவமைப்பு

AI இயங்கும் ஆராய்ச்சி புதிய திசைகளை உருவாக்குவது மட்டுமல்லாமல் முழு ஆராய்ச்சி சுற்றுச்சூழல் அமைப்பையும் மாற்றுகிறது. நிதி ஒதுக்கீடு, நிறுவன கட்டமைப்பு மற்றும் திறமை தேவை போன்ற முறை சார்ந்த தாக்கங்களை ஏற்படுத்துகிறது.

புவிசார் அரசியல் நிதி மற்றும் கார்ப்பரேட் அறிவியலின் எழுச்சி

• தேசிய அளவிலான திட்டங்கள்: உலகின் முக்கிய பொருளாதார வல்லரசு நாடுகள் "AI for Science" ஐ ஒரு முக்கியமான மூலோபாயமாக கருதுகின்றன. காரணம் இது தான் உலகளாவிய "போட்டி நன்மை" மற்றும் "தொழில்நுட்ப இறையாண்மையை" பராமரிக்க உதவுகிறது. அமெரிக்க தேசிய அறிவியல் அறக்கட்டளை (NSF) AI துறையில் ஆண்டுதோறும் 700 மில்லியன் டாலர்களுக்கும் அதிகமான முதலீடு செய்துள்ளது. மேலும் தேசிய செயற்கை நுண்ணறிவு நிறுவனம் போன்ற பெரிய திட்டங்களைத் தொடங்கியுள்ளது. ஐரோப்பிய ஒன்றியமும் ஒருங்கிணைந்த திட்டத்தை உருவாக்கியுள்ளது. இதன் நோக்கம் என்னவென்றால் AI அறிவியலில் நம்பிக்கையைப் பெற உதவுகிறது. அதே நேரத்தில், சீன ஆராய்ச்சி நிறுவனங்களும் மேம்பட்ட AI ஆராய்ச்சியை தீவிரமாக மேற்கொண்டு வருகின்றன.
• நிறுவனங்கள் மற்றும் கல்வி நிறுவனங்களுக்கிடையிலான பிளவு: இங்கு ஒரு முரண்பாடான நிலை உள்ளது. அதாவது GPT-4, Gemini போன்ற சக்திவாய்ந்த AI அடிப்படை மாதிரிகள் சில பெரிய நிறுவனங்களின் கட்டுப்பாட்டில் உள்ளன. இந்த மாதிரிகளுக்கு அதிகமான பிரத்யேகத் தரவும், மிகப்பெரிய கணினி வளமும் அதிகம் தேவை. இவ்வளவு பெரிய கட்டமைப்புகளை பெரும்பாலான கல்வி ஆராய்ச்சி குழுக்கள் தாக்குப் பிடிக்க முடியாது. இது கல்வி நிறுவனங்கள் AI ஆராய்ச்சி மூலம் நெருக்கடிக்குள்ளாகும் அபாயத்தை ஏற்படுத்துகிறது.
• தனியுரிம மாதிரிகள் மற்றும் திறந்த அறிவியல் முறைகளுக்கிடையிலான மோதல்: சில நிறுவனங்கள் திறந்த மூல மாதிரிகளை (Meta-வின் LLaMA தொடர் போன்றவை) தேர்வு செய்தாலும், சிறந்த செயல்திறன் மாதிரிகள் வணிக ரகசியமாகக் பாதுகாக்கப்படுகின்றன. ஆகையால், பொது நிதி பெறும் அறிவியல் ஆய்வுகள் தனியார் நிறுவனங்களின் உள்கட்டமைப்பை நம்பியுள்ளது. இது நீண்டகாலமாக, வெளிப்படையான மற்றும் மறுஉருவாக்கும் திறந்த அறிவியல் கொள்கைகளுக்கு முரணாக இருக்கிறது.
• நிதியின் அரசியல் நிச்சயமற்ற நிலை: ஆராய்ச்சி நிதி ஒதுக்கீடு அரசியல் சூழ்நிலையிலிருந்து முற்றிலும் விடுபட முடியாது. NSF புதிய அரசியல் வழிகாட்டுதல்களின் கீழ் 1500க்கும் மேற்பட்ட ஆராய்ச்சி நிதிகளை ரத்து செய்தது என சில அறிக்கைகள் வெளிப்படுத்துகின்றன. இதுபோன்ற அரசியல் கருத்து வேறுபாடுகள் AI உள்ளிட்ட அறிவியல் ஆராய்ச்சிக்கு நிச்சயமற்றத் தன்மையை ஏற்படுத்தலாம்.

எதிர்கால ஆய்வகம்: ஈரமான இடத்திலிருந்து விர்ச்சுவல் பகுதிக்கு

• உடல் ரீதியான இட அமைப்பின் மறுசீரமைப்பு: AI மற்றும் தானியங்காக்கம் ஆய்வகத்தின் உடல் வடிவத்தை மாற்றியமைக்கிறது. விரைவாக மாறிவரும் ஆராய்ச்சி செயல்முறைகளுக்கு ஏற்றவாறு கிடைக்கும் வசதியான "மாடுலர் ஆய்வக" வடிவமைப்புகள் பிரபலமடைந்து வருகின்றன. பாரம்பரியமாக, ஈரமான சோதனைப் பகுதிக்கும் (wet lab) தரவு பகுப்பாய்வு மற்றும் எழுத்து வேலை செய்யும் இடத்திற்கும் (write-up space) இடையே இருந்த பரப்பளவு விகிதம் தலைகீழாக மாறுகிறது. எழுத்துப் பணிக்கான இடத்திற்கு முக்கியத்துவம் அதிகரித்து வருகிறது.
• மெய்நிகர் ஆய்வகங்களின் எழுச்சி: பல ஆராய்ச்சி சூழ்நிலைகளில், இயற்பியல் ஆய்வகங்கள் மாதிரி ஆய்வகங்களால் மாற்றப்படுகின்றன.AI, எந்திரக் கற்றல் மற்றும் குவாண்டம் கணினி ஆகியவற்றின் உதவியுடன், ஆராய்ச்சியாளர்கள் மூலக்கூறுகள், பொருட்கள் மற்றும் உயிரியல் மாதிரிகளை மிகத் துல்லியமாகக் கணினியில் உருவகப்படுத்த முடியும். சோதனை குழாய்களில் பரிசோதனை செய்வதற்கு முன்பு வடிவமைப்பைச் சோதித்து மேம்படுத்தலாம். இது நிறைய நேரம் மற்றும் பணத்தை மிச்சப்படுத்துவது மட்டுமல்லாமல் சோதனை விலங்குகளைச் சார்ந்திருப்பதை குறைக்கிறது மற்றும் ஆராய்ச்சியில் ஒழுக்க முன்னேற்றத்தை ஊக்குவிக்கிறது.
• ஆய்வக நிர்வாகத்தின் தானியக்கம்: ஆய்வகத்தின் அன்றாட செயல்பாடுகளை AI மாற்றியமைத்து வருகிறது. AI இயங்கும் சரக்கு மேலாண்மை அமைப்புக்கள் சோதனைக் கருவிகளின் நுகர்வு விகிதத்தைக் கணிக்கவும், தானாக ஆர்டர் செய்யவும் உதவுகின்றன. மேலும் நுண்ணறிவு அட்டவணை கருவிகள் விலை உயர்ந்த உபகரணங்களைப் பயன்படுத்தலாம். உபகரணங்கள் செயலற்று இருப்பதையும், ஆராய்ச்சியாளர்கள் வரிசையில் காத்திருப்பதையும் குறைப்பதால் நிர்வாக வேலைகளிலிருந்து அவர்களை விடுவித்துவிடலாம்.

AI யுக விஞ்ஞானி: அடையாளத்தை மாற்றுதல்

• செயல் அலுவலரிலிருந்து கட்டளையிடுபவர் வரை: AI மற்றும் ரோபோக்கள் தரவு செயலாக்கம், சோதனை செயல்பாடுகளை அதிகமாக மேற்கொள்வதால் மனித விஞ்ஞானிகளின் முக்கிய பங்கு மாறுகிறது. அவர்கள் ஆராய்ச்சியில் வேலையாட்களாக இல்லாமல் ஒட்டுமொத்த ஆராய்ச்சித் திட்டத்தையும் செயல்படுத்தும் கட்டளையிடுபவர்களாக மாறுகிறார்கள். அவர்களின் முக்கியப் பொறுப்புகள் மாற்றியமைக்கப்படுகின்றன:
  • ஆழமான கேள்விகளை எழுப்புதல்: உயர் மட்ட ஆராய்ச்சி இலக்குகளை வரையறுக்கிறது. மேலும் AI ஐ ஆராய திசைகளை அமைக்க உதவுகிறது.
  • கண்காணிப்பு மற்றும் வழிநடத்தல்: ஆராய்ச்சி செயல்பாட்டின் போது முக்கியமான கருத்துகளை வழங்குதல். மேலும் திசையைத் திருத்துவதற்கு உதவுகிறது. இதனால் ஆராய்ச்சியாளர் AI க்கு ஒரு கண்காணியாக மற்றும் இணை ஓட்டுனராகச் செயல்படுகிறார்.
  • விமர்சன மதிப்பீடு: AI வெளியீட்டை கவனமாகப் புரிந்துகொண்டு நிறைய முடிவுகளிலிருந்து மதிப்புமிக்க கருதுகோள்களைத் திரையிட்டு இறுதியாக அதை மதிப்பீடு செய்ய உதவுகிறது.
• புதிய திறன்களுக்கான தேவை: AI மற்றும் தரவு கல்வியறிவு: தரவைப் படிக்க, செயலாக்க, பகுப்பாய்வு செய்து தகவல்தொடர்புகொள்ள வேண்டிய திறன் எதிர்கால அறிவியல் உலகில் முக்கியம். மேலும் தரவு எழுத்தறிவு என்பது AI எழுத்தறிவின் அடிப்படை. இதில் AI கருவிகள் எவ்வாறு வேலைசெய்கின்றன என்பதைப் புரிந்துகொள்வது, அவற்றை ஒழுக்கமான முறையில் பயன்படுத்துவது மற்றும் அதன் வெளியீட்டை விமர்சனமாக்குவது ஆகியவை அடங்கும். எதிர்கால விஞ்ஞானிகள் பிராம்ப்ட் இன்ஜினியரிங், அல்காரிதம் சிந்தனை மற்றும் தரவுச் சார்பு பற்றிய ஆழமான புரிதலைக் கொண்டிருக்க வேண்டும்.
• வளர்ந்து வரும் ஆராய்ச்சி குழு: ஆய்வகத்தின் பணியாளர் அமைப்பு மாறிக் கொண்டிருக்கிறது. பாரம்பரிய "முக்கிய ஆய்வாளர் (PI)-டாக்டர் பட்டதாரி-பட்டதாரி மாணவர்" அடுக்கு புதிய குழுவால் நிரப்பப்படுகிறது, அதாவது AI/இயந்திர கற்றல் பொறியாளர்கள், தரவு பொறியாளர்கள், தரவு கட்டடக் கலைஞர்கள் மற்றும் தரவு தனியுரிமை அலுவலர்கள் போன்றோர். வெவ்வேறு பணிகளுக்கான திறன் இணைப்பின் தேவை உள்ளது. தரவு விஞ்ஞானிகளுக்கு பொறியியல் திறன் தேவைப்படுகிறது. அதே நேரத்தில் பொறியாளர்களுக்கு ஆழமான அறிவு தேவைப்படுகிறது.

புதிய எல்லையை இயக்குதல்: சவால்கள், அபாயங்கள் மற்றும் மனித மேற்பார்வையின் அவசியம்

AI இயங்கும் அறிவியல் புதிய திசைகளை நோக்கி நகர்ந்தாலும் புதிய சவால்களும் அபாயங்களும் உள்ளன. கவனமாக கையாளாவிட்டால் இந்த சக்திவாய்ந்த தொழில்நுட்பம் அறிவியல் முன்னேற்றத்தை தவறாக வழிநடத்தலாம்.

“பிளாக் பாக்ஸ்” பிரச்சனை

• பிரச்சனை உள்ளது: நிறைய அதிகச் செயல்திறன் கொண்ட AI மாதிரிகள், குறிப்பாக ஆழமான கற்றல் அமைப்புகளானவை அவற்றின் உள் முடிவெடுக்கும் தர்க்கத்தைப் மனிதனுக்குப் புரியாதவாறு பிளாக் பாக்ஸ் போல் வைத்திருக்கின்றன. இது மிகவும் துல்லியமான கணிப்புகளை வழங்க முடிகிறது, ஆனால் அது ஏன் இப்படி முடிவெடுத்தது என்பதை விளக்க முடியவில்லை.
• அறிவியல் அபாயம்: இது காரண விளக்கங்களை நாடும் அறிவியல் மனநிலைக்கு எதிரானது. எந்த அறிவியல் அர்த்தமும் இல்லாத தரவுகளில் புள்ளியியல் தொடர்புகளைக் கண்டுபிடித்திருப்பதால் AI ஒரு முடிவை எடுக்கலாம். தன்னுடைய முடிவை நாம் நம்புவது மணலில் கோட்டைக் கட்டும் மாதிரிதான்.
• தீர்வு: இந்த சவாலை எதிர்கொள்ள விளக்கக்கூடிய AI (XAI) உதவும். புதிய தொழில்நுட்பங்களையும் முறைகளையும் உருவாக்குவதே XAI இன் குறிக்கோள். இது AI மாதிரிகளில் வெளிப்படையான முடிவுகளை எடுக்கவும், புரிந்து கொள்ளவும் வைக்கிறது. AI உண்மையான அறிவியல் கொள்கைகளைக் கற்றுக்கொண்டதா இல்லையா என்பதை மனித விஞ்ஞானிகள் சரிபார்க்க இது உதவுகிறது.

தப்பெண்ணத்தின் பேய்

• தப்பெண்ணம் என்றால் என்ன: AI மாதிரி தரவுகளிலிருந்து கற்றுக்கொள்கின்றது. பயிற்சிக்கு பயன்படுத்தப்படும் தரவு ஏற்கனவே வரலாற்று, சமூகப் சார்புகள் கொண்டிருந்தால், AI அவற்றை சரியாகப் பிரதிபலிக்கும். ஒருவேளை அதை பெரிதுபடுத்திக் காட்டப்படலாம்.
• அறிவியல் இடத்தில் ஒரு எடுத்துக்காட்டு: மருத்துவ ஆய்வில், AI மாதிரி குறிப்பிட்ட இனத்தைச் சேர்ந்த தரவுகளிலிருந்து பயிற்சி பெற்றிருந்தால் அது சில தருணங்களில் பிரதிநிதித்துவம் இல்லாமல் தவறான முடிவுகளை எடுக்கலாம்.
• கெட்ட ஃபீட்பேக் லூப்: சார்புடைய AI அமைப்புக்கள் ஒரு மோசமான சூழ்நிலையை உருவாக்க வாய்ப்புள்ளது. உதாரணமாக AI ஆராய்ச்சி திட்ட விண்ணப்பங்களை மதிப்பிடும் இடத்தில் சில ஆராய்ச்சி மையங்களுக்கு எதிராக தப்பெண்ணம் காட்டினால் அது விண்ணப்பங்களை நிராகரிக்கக்கூடும்.

மறுஉருவாக்கம் பிரச்சனை

• AI யின் மறுஉருவாக்கம் சவால்: AI ஆராய்ச்சி ஒரு "மறுஉருவாக்கம் நெருக்கடியை" எதிர்கொள்கிறது. மாதிரி சிக்கலானது, பயிற்சி தரவு தனித்துவமானது. வெளியிடப்பட்ட மாதிரி முடிவுகளை மீண்டும் உருவாக்குவது கடினம்.
• AI யின் நம்பகத்தன்மை: பெரிய மொழி மாதிரிகள் தவறான தகவல்களைத் தருகின்றன. மேலும் AI உருவாக்கும் உள்ளடக்கங்களை மனித நிபுணர்கள் சரிபார்க்கவேண்டும்.
• சோதனையின் சரிபார்ப்பு: அறிவியல் உண்மையைச் சோதிப்பதற்கு அனுபவ பூர்வமான உலகத்தை அணுகினால் மட்டுமே அது சாத்தியம். AI உதவியுடன் மருந்து கண்டுபிடிக்கும் ஆய்வில் நிறைய கணினி மாதிரிகள் இருந்தாலும் உயிரியல் சோதனை இல்லாததால் அதன் முடிவுகள் நம்பகத் தன்மை இல்லாமல் இருப்பதாக தெரிவிக்கப்பட்டுள்ளது. புதிய மாதிரியில் உள்ள பழைய வழிமுறைகளைச் சரிபார்க்கப்படாமல்விட்டால் புதிய மாடல்கள் அர்த்தமில்லாமல் போகும்.

அறிவாற்றல் சுருக்கம்

• ஆழ்ந்த கவலைகள்: விஞ்ஞானிகள் ஆராய்ச்சிக்கு நாள் நாள் AI களைச் சார்ந்திருந்தால் மனித படைப்பாற்றல், அறிவியல் உள்ளுணர்வு மற்றும் முக்கியமான சிந்தனைத் திறன் இல்லாமல் போகும் அபாயம் உள்ளது.
• தொடர்ந்து உதவுவது: ஒரு ஆராய்ச்சியாளர் அதிக நம்பிக்கை வைத்து ஆராய்ச்சியில் ஈடுபட்டால் அதை சிந்தனையை ஒப்படைப்பதுபோல் கவலைப்படுகிறார். திறமையாக முடிவுகளை எடுப்பது மட்டுமல்லாமல் பிரபஞ்சத்தைப் புரிந்துகொள்ளவும், மனநிறைவு அடையவும் அறிவியல் உதவுகிறது.