يمكن لأنظمة الذكاء الاصطناعي المتقدمة أن تُحدث تحولاً في أبحاث علم الأحياء واكتشاف الأدوية من خلال التنقل عبر مساحات بحث هائلة. فعلى سبيل المثال، يمتد بروتين واحد مكون من 100 حمض أميني على 20100 تسلسل ممكن على الأقل، وهو ما يستدعي استكشافاً ديناميكياً متعدد المرشحين. وتتطلع رؤية غوغل طويلة الأمد إلى أن يتمكن وكلاء الذكاء الاصطناعي ليس فقط من ابتكار الفرضيات وتحليلها، بل أيضاً من إجراء التجارب المخبرية، والتعلم من نتائجها، وتحسين أنفسهم، كل ذلك بقيادة الوكالة العلمية البشرية.
يتطلب تحقيق هذه الرؤية حل تحديين مترابطين. أولاً، لا تزال النماذج المتقدمة غير قادرة على الاستدلال بموثوقية حول الهندسة ثلاثية الأبعاد والحالة الفيزيائية، وهو ما يعقّد أتمتة الروبوتات المناولة للسوائل التي تنقل الكواشف وتتتبع الأحجام وتنفذ بروتوكولات البيولوجيا الجزيئية. ثانياً، بينما يتقدم توليد الفرضيات والتصميم داخل الحاسوب بسرعة، لم تواكب التجارب المخبرية الرطبة في العالم الواقعي هذا التقدم، مما يجعل القراءات التجريبية عنق الزجاجة أكثر من أي وقت مضى.
ولمعالجة التحدي الأول، يقدم الفريق إطار عمل البنية التحتية المتحققة لمختبرات الاكتشاف (VERID). وVERID هو توأم رقمي دلالي لمحطة العمل المختبرية: نموذج ثلاثي الأبعاد حي ومتعدد الحالات يتتبع كل شيء، من هندسة الذراع الروبوتية إلى أحجام الآبار الفردية وهويات الكواشف ومخزون رؤوس الماصات. ومبني على إطار PyLabRobot مفتوح المصدر، ويوفر تتبعاً مباشراً للحالة ثلاثية الأبعاد، وتشغيلات افتراضية سريعة، وفحوصات أمان للأجهزة، وسجلات متزامنة للفيديو والإجراءات.
في دراسات الحالة، رصد الفيديو المتزامن تطبقاً غير متساوٍ للصبغة ناتجاً عن التوزيع قريباً جداً من قاع البئر، فحسّن الوكيل استراتيجية الخلط. وعندما رفض المحاكي عملية سحب بثماني قنوات لا تتسع لها حوض ضيق، أعاد الوكيل التخطيط وصمم تشخيصاً عاملياً مستهدفاً. وفي حملة لعب ذاتي مغلقة الحلقة، حسّن وكيل دقته بأكثر من خمسة أضعاف بتحديد القطع الأثرية البصرية والسائلة الخاصة به.
المصدر: Google AI Blog · لخّصه HeadlinesBriefing