PhenoAssistant: A Conversational Multi-Agent AI System for Automated Plant Phenotyping

تخيل عالماً لا يكتفي فيه العلماء بدراسة النباتات في المختبر، بل يمكنهم تحليلها بسهولة المحادثة، عبر طرح أسئلة مثل: "ما حجم أوراقك؟" أو "لماذا تتحولين إلى اللون الأصفر؟". هذا هو حلم التنميط الظاهري للنبات (plant phenotyping)، وهو مجال مخصص لقياس السمات الجسدية للمحاصيل لمساعدتنا على زراعة غذاء أفضل لكوكب جائع. لكن العائق هنا هو أن القيام بذلك بدقة يتطلب عادةً عقلاً فائق القدرة؛ إذ يتعين على العلماء كتابة أكواد معقدة، وتدريب نماذج الذكاء الاصطناعي، وربط عشرات الأدوات البرمجية معاً لمجرد عد الأوراق أو قياس ارتفاع الساق. الأمر يشبه محاولة خبز كعكة، ولكن عليك أولاً بناء الفرن، واختراع الدقيق، وكتابة كتاب الوصفات بنفسك. معظم باحثي النباتات هم علماء أحياء بارعون، وليسوا عباقرة في علوم الحاسوب، لذا فإن هذا الجبل التقني يقف عائقاً أمام تعمقهم في الاكتشافات المثيرة حقاً.

إليك PhenoAssistant، وهو نظام ذكاء اصطناعي جديد صُمم ليكون المساعد المنزلي الأمثل لعلماء النبات. فكر فيه كمساعد آلي ذكي ولبق يتحدث لغتك. بدلاً من كتابة الكود، يمكنك ببساطة أن تقول للروبوت: "مهلاً، انظر إلى هذه الصور لقمحي وأخبرني كم يبلغ طوله"، أو "أظهر لي رسماً بيانياً يوضح سرعة نمو طماطمي". PhenoAssistant لا يكتفي بالدردشة فحسب؛ بل يمتلك مجموعة أدوات متخصصة مخبأة في مئزره. يمكنه تحليل الصور لقياس الأشياء، ومعالجة الأرقام لإيجاد الأنماط، ورسم مخططات ملونة، وحتى تعليم نفسه حِيلاً جديدة إذا واجه نباتاً لم يره من قبل. تُظهر الورقة البحثية أن هذا النظام يمكنه التعامل مع مهام معقدة كانت تستغرق أياماً من البرمجة، محولاً إياها إلى مجرد محادثة بسيطة. ويشير ذلك إلى أنه من خلال خفض الحاجز التقني، يمكننا ترك المزيد من العلماء يركزون على علم الأحياء بدلاً من الأزرار، مما قد يسرع من تطوير محاصيل قادرة على الصمود أمام الطقس القاسي وإطعام سكان العالم المتزايدين.

سحر البستاني المتحدث

في عالم علوم النبات، يحاول الباحثون باستمرار فهم كيفية اختلاط الوراثة والبيئة لإنتاج النباتات التي نراها. إنهم بحاجة إلى قياس أشياء مثل حجم الورقة، وسُمك الساق، وسرعة النمو لتهجين محاصيل أفضل. ولكن حتى الآن، كان جعل هذه العملية تلقائية بمثابة كابوس من العقبات التقنية؛ فقد كنت بحاجة لمعرفة البرمجة، وكيفية تدريب نماذج الذكاء الاصطناعي، وكيفية ربط الأدوات البرمجية المختلفة ببعضها البعض. كان الأمر يشبه محاولة قيادة سيارة فورمولا 1 بدون رخصة أو خريطة.

قام مؤلفو هذه الورقة، وهم فريق من المهندسين وعلماء الأحياء من جامعات في جميع أنحاء المملكة المتحدة، ببناء PhenoAssistant لحل هذه المشكلة. لقد أنشأوا نظاماً "متعدد الوكلاء" (multi-agent). تخيل فريقاً من المتخصصين يعملون في مطبخ: أحدهم هو المدير (رئيس الطهاة)، والآخرون هم الأدوات (مساعدو الطهاة). عندما تعطي المدير مهمة باللغة الإنجليزية البسيطة، مثل "قِس مساحة الورقة لنباتات البطاطس هذه"، فإن المدير لا يحاول القيام بالمهمة بمفرده. بدلاً من ذلك، يقوم بتفكيك العمل؛ فقد يقول لـ "خبير الرؤية": "اذهب وانظر إلى هذه الصور وعدّ الأوراق"، ثم يخبر "عبقري الرياضيات": "خذ تلك الأرقام وارسم رسماً بيانياً".

تستعرض الورقة هذا الأمر من خلال ثلاث قصص مثيرة، أو "دراسات حالة"، توضح كيفية عمل النظام في الواقع:

القصة 1: النبات سريع القراءة
اختبر الفريق PhenoAssistant على نبات Arabidopsis، وهو عشب صغير يُستخدم غالباً في المختبرات. أعطوا النظام مجموعة من 1,248 صورة لهذه النباتات وهي تنمو على مدار 26 يوماً. طلب المستخدم ببساطة: "أظهر لي كيف تنمو هذه الأنواع المختلفة من النباتات". وبدون أي معرفة مسبقة بالدراسة المحددة أو النباتات، استنتج PhenoAssistant أنه بحاجة لاستخدام "نموذج رؤية" خاص (نوع من الذكاء الاصطناعي الذي يرى الأشكال) لقص الأوراق من الخلفية. بعد ذلك، قام بحساب مساحة الورقة، وعدّ الأوراق، وحفظ البيانات. بعد ذلك، طلب المستخدم رسماً بيانياً يوضح سرعة النمو؛ فقام النظام برسم المخطط، وحلله لمعرفة أي النباتات تنمو بشكل أسرع، بل وأجرى اختباراً إحصائياً معقداً لإثبات أن الاختلافات حقيقية. وفي النهاية، راجع مكتبته الداخلية من الأوراق العلمية ليرى ما إذا كانت نتائجه تتطابق مع ما اكتشفه العلماء الآخرون من قبل. لقد فعل كل هذا بمجرد اتباع محادثة نصية.

القصة 2: محقق البطاطس
بعد ذلك، جربوا شيئاً مختلفاً: البطاطس. كان الهدف هو معرفة ما إذا كان قياس الكمبيوتر لحجم الورقة يتطابق مع الوزن الفعلي للأوراق المجففة. طُلب من النظام حساب "الارتباط" (Correlation) (مدى ارتباط شيئين ببعضهما). ولأن هذه الرياضيات المحددة لم تكن مدمجة في أدواته القياسية، تدخل وكيل "كاتب الكود" في Pheno-Assistant. قام بكتابة قطعة جديدة من الكود فوراً للقيام بالعملية الحسابية. والنتيجة؟ وجد أن قياسات الكمبيوتر كانت جيدة جداً، لكنها لم تكن مثالية مقارنة بالطريقة التقليدية المتمثلة في الوزن اليدوي. أظهر هذا قدرة النظام ليس فقط على اتباع الأوامر، بل على التفكير بشكل نقدي في البيانات وشرح حدودها.

القصة 3: المعلم ذاتي التعلم
جاءت الحركة الأكثر إثارة للإعجاب عندما طلبوا من النظام تحديد نقص العناصر الغذائية في القمح الشتوي. المشكلة؟ لم يكن لدى PhenoAssistant أداة لهذه المهمة المحددة في صندوق أدواته. وبدلاً من الاستسلام، تصرف النظام كمعلم متعاون؛ حيث قال للمستخدم: "ليس لدي نموذج لهذا بعد، ولكن إذا رفعت مجلداً من الصور المصنفة، يمكنني تعليم نفسي". قام المستخدم برفع البيانات، وقام PhenoAssistant تلقائياً بتجهيز الصور، وتدريب نموذج ذكاء اصطناعي جديد، واختباره، وحفظ النموذج الجديد للاستخدام المستقبلي. لقد انتقل من عدم معرفة أي شيء عن نقص عناصر القمح إلى امتلاك نموذج خبير يعمل، وكل ذلك عبر دردشة.

ما مدى كفاءته؟

لم يكتفِ المؤلفون باستعراض العروض التوضيحية الرائعة فحسب، بل أخضعوا PhenoAssistant لاختبار صارم. أعطوه 70 مهمة مختلفة، تراوحت بين اختيار الأداة المناسبة وتحليل البيانات.

• اختيار الأداة: عندما طُلب منه اختيار الأداة المناسبة لمهمة ما، نجح بنسبة 70%. وعندما فشل، كان ذلك عادةً بسبب سوء فهم وصف الأداة، مثل محاولة استخدام مسطرة مخصصة للأوراق لقياس سنبلة القمح.
• اختيار نموذج الرؤية: عندما طُلب منه تخمين نوع نموذج الرؤية المطلوب (مثل "هل أحتاج إلى مصنف أم مقطع؟")، أصاب بنسبة 98%. وهذا أمر ضخم لأنه يعني أن النظام يمكنه توجيه المستخدمين الذين لا يعرفون الكثير عن الذكاء الاصطناعي.
• تحليل البيانات: بالنسبة لمهام مثل إنشاء الرسوم البيانية أو حساب الإحصائيات، حقق نجاحاً بنسبة 100%.

تشير الورقة البحثية بحذر إلى أن هذا ليس عصا سحرية تحل كل شيء فوراً. فالنظام يحتاج أحياناً من المستخدم تقسيم الطلب الكبير والمعقد إلى خطوات أصغر، كما أنه يعتمد على القدرات الحالية للنماذج اللغوية الكبيرة (العقول التي تقف وراء الدردشة). ومع ذلك، تشير النتائج إلى أننا نتحرك نحو مستقبل حيث يمكن لعلماء النبات التركيز على علم الأحياء — "لماذا" و"كيف" حياة النبات — دون أن يعلقوا في "كيفية" البرمجة. ومن خلال تحويل تحليل البيانات المعقد إلى محادثة بسيطة، يخطو PhenoAssistant خطوة كبيرة نحو جعل الذكاء الاصطناعي المتقدم متاحاً للجميع، وليس لخبراء الحاسوب فقط.