ابزار جدید FutureHouse بر پایه هوش مصنوعی برای کشف زیست‌شناسی معرفی شد

سازمان غیرانتفاعی FutureHouse که با حمایت اریک اشمیت (Eric Schmidt) تأسیس شده و هدف آن ساخت یک «دانشمند هوش مصنوعی» (AI scientist) در دهه آینده است، ابزار جدیدی را معرفی کرده که ادعا می‌کند می‌تواند به «کشف مبتنی بر داده» (data-driven discovery) در زیست‌شناسی کمک کند. این ابزار جدید تنها یک هفته پس از راه‌اندازی رابط برنامه‌نویسی (API) و پلتفرم FutureHouse عرضه می‌شود.

این ابزار که «فینچ» (Finch) نام دارد، داده‌های زیست‌شناسی (biology data) (عمدتاً به شکل مقالات پژوهشی (research papers)) و یک دستور (prompt) را دریافت می‌کند (مانند: «چه چیزی درباره محرک‌های مولکولی متاستاز سرطان می‌دانید؟») و سپس کدی را اجرا کرده، اشکال (generating figures) تولید می‌کند و نتایج را بررسی (inspecting the results) می‌کند. سم رودریگز (Sam Rodriques)، هم‌بنیان‌گذار و مدیرعامل FutureHouse، در مجموعه‌ای از پست‌ها در شبکه اجتماعی X (توییتر سابق)، این ابزار را با یک «دانشجوی سال اول کارشناسی ارشد» (first-year grad student) مقایسه کرد.

رودریگز نوشت: «اینکه بتوان همه این کارها را در چند دقیقه انجام داد، یک ابرقدرت است. فینچ واقعاً به یافته‌های جالب توجهی منجر می‌شود... برای پروژه‌های داخلی خودمان، متوجه شدیم که بسیار عالی است.»

پیشنهاد FutureHouse، مانند بسیاری از استارت‌آپ‌ها و غول‌های فناوری، این است که فینچ و سایر ابزارهای هوش مصنوعی روزی گام‌هایی از فرآیند علمی (scientific process) را خودکار خواهند کرد.

در مقاله‌ای در اوایل سال جاری، سم آلتمن (Sam Altman)، مدیرعامل OpenAI، گفت که ابزارهای هوش مصنوعی «فوق‌هوشمند» (superintelligent) می‌توانند «کشف و نوآوری علمی» (scientific discovery and innovation) را به‌شدت تسریع کنند. به طور مشابه، مدیرعامل Anthropic که همین هفته برنامه «هوش مصنوعی برای علم» (AI for science) را راه‌اندازی کرد، جسورانه پیش‌بینی کرده که هوش مصنوعی می‌تواند به کشف درمان برای اکثر سرطان‌ها کمک کند.

با این حال، شواهد کافی وجود ندارد. بسیاری از پژوهشگران، هوش مصنوعی امروزی را برای هدایت فرآیند علمی چندان مفید نمی‌دانند. نکته قابل توجه اینکه، FutureHouse هنوز با ابزارهای هوش مصنوعی خود به یک پیشرفت علمی یا کشف جدیدی دست نیافته است.

زیست‌شناسی، به‌ویژه در زمینه کشف دارو (drug discovery)، هدف جذابی برای شرکت‌های هوش مصنوعی است. طبق برآورد Precedence Research، ارزش این بازار در سال ۲۰۲۴ میلادی ۶۵.۸۸ میلیارد دلار بود و می‌تواند تا سال ۲۰۳۴ میلادی به ۱۶۰.31 میلیارد دلار برسد.

اگرچه موفقیت‌هایی نیز به دست آمده است، اما هوش مصنوعی راه‌حل جادویی فوری در آزمایشگاه ارائه نکرده است. چندین شرکت که از هوش مصنوعی برای کشف دارو استفاده می‌کنند، از جمله Exscientia و BenevolentAI، در سال‌های اخیر شکست‌های آزمایش‌های بالینی (clinical trial failures) قابل توجهی داشته‌اند. در همین حال، دقت سیستم‌های پیشرو هوش مصنوعی برای کشف دارو، مانند AlphaFold 3 از گوگل دیپ‌مایند (Google DeepMind)، معمولاً دامنه گسترده‌ای از تفاوت را نشان می‌دهد.

رودریگز گفت که فینچ نیز به طور مشابه «اشتباهات احمقانه» (silly mistakes) مرتکب می‌شود - به همین دلیل است که FutureHouse در حال استخدام بیوانفورماتیک‌دانان (bioinformaticians) و زیست‌شناسان محاسباتی (computational biologists) برای کمک به ارزیابی دقت و قابلیت اطمینان آن و آموزش آن در حالی که در نسخه بتای بسته (closed beta) قرار دارد، است.