U laboratoriji se rezultat jednog ogleda često pretvara u početak sledećeg. Naučnik formuliše pretpostavku, bira način provere, analizira podatke i odlučuje šta dalje vredi ispitati. Istraživači su sada povezali delove tog kruga sa sistemom veštačke inteligencije i automatizovanom opremom. U radu sa pivskim kvascem, Saccharomyces cerevisiae, sistem je mogao da predlaže hipoteze, osmišljava eksperimente i tumači rezultate. Posebno je zanimljiva veza između računarskog zaključivanja i fizičkog ogleda: predlog nije ostajao samo u tekstu, već je ulazio u postupak kojim se mogla proveriti njegova vrednost. To daje mogućnost da se razgovara o dokazima, umesto da se uspeh procenjuje samo prema uverljivosti odgovora koji je program napisao.
Za takav rad potrebna je mnogo preciznija osnova od opšteg pitanja upućenog razgovornom programu. Sistem je dobijao naučne informacije o genomu i metabolizmu kvasca, kao i podatke iz prethodnih istraživanja. Veliki jezički modeli povezani su sa automatizovanim zaključivanjem i laboratorijskim postupcima. Rezultati ogleda zatim su mogli da utiču na dalje predloge, stvarajući zatvoren ciklus ispitivanja. Ovaj pristup otvara mogućnost sistematičnijeg pretraživanja velikog broja pitanja u ograničenom istraživačkom području. Koliko je koristan, zavisi od kvaliteta predloga, načina testiranja i pouzdanosti podataka koje dobija. Vredelo bi meriti i koliko često predloženi ogled zaista daje novu informaciju, uključujući rezultate koji osporavaju početnu pretpostavku.
Važno je razlikovati laboratorijsku automatizaciju od celovitog naučnog razumevanja. Uređaj može dosledno da pipetira i meri, a da ne prepozna zašto je šire pitanje važno. Računarski sistem može ponuditi smislen predlog, ali njegova vrednost zavisi od provere i pravilnog tumačenja. Zato su potrebni trag odluka, jasno zabeleženi uslovi i mogućnost da drugi istraživači ponove postupak. Posebno bi bilo korisno proveriti kako sistem reaguje kada ogled ne uspe, kada podaci protivreče očekivanju ili kada merenje sadrži grešku. Takve situacije predstavljaju svakodnevni deo istraživanja i dobar test njegove pouzdanosti. Evidencija svakog koraka omogućava da se greška potraži tamo gde je nastala, umesto da se ocenjuje samo konačni odgovor sistema.
Rad je predstavio Tehnološki univerzitet Čalmers u Švedskoj, a objavljen je u Journal of the Royal Society Interface. Autori naglašavaju da ljudski istraživači i dalje određuju prioritete, procenjuju širi značaj i nadziru rad. To je važna granica pri tumačenju izraza „AI naučnik“. Pokazani sistem razvijen je za određenu vrstu laboratorijskih istraživanja, pa njegov uspeh ne predstavlja dokaz jednakih sposobnosti u svim oblastima nauke. Za poređenje sa drugim načinima rada potrebni su jasni pokazatelji: vreme, troškovi, broj korisnih hipoteza i rezultat njihove nezavisne provere. Jasno postavljene granice zadatka pomažu da se demonstrirana sposobnost uporedi sa onim što laboratorija tek treba da postigne.
Najveći potencijal ovakve laboratorije mogao bi da bude u povezivanju mnogih manjih, ponovljivih koraka. Kada se jedan ciklus završi, sistem može predložiti sledeći prema novim podacima, dok čovek prati smisao čitavog istraživanja. Tako bi se više pažnje moglo posvetiti pitanjima koja zahtevaju širi pogled i drugačije iskustvo. Buduća vrednost meriće se otkrićima koja ostaju pouzdana kada ih drugi tim proveri, kao i time koliko je lako razumeti put do njih. Privlačan naziv zato prati vrlo konkretan zadatak: pretvoriti ideju u ogled, a rezultat u dobro obrazloženo sledeće pitanje. Pouzdana saradnja zahteva i da čovek može da razume zašto je određeni korak predložen i na kojim podacima se taj predlog zasniva.
S.B.
