غالبًا ما يتقدم العلم ليس من خلال ومضة واحدة من البصيرة العبقرية، بل عبر دورة بطيئة ومتكررة من التخمين، والاختبار، والتعلم من الأخطاء. يقترح الباحث فكرة، فيبني أداة لاختبارها، ويرى أين فشلت، ثم يقوم بتنقيح الفكرة بناءً على تلك الإخفاقات المحددة. هذه هي الطريقة العلمية، وهي عملية دفعت عجلة الاكتشاف البشري لقرون. لفترة طويلة، كانت الحواسيب ممتازة في معالجة الأرقام أو اتباع تعليمات صارمة، لكنها كافحت لمحاكاة هذه الدورة البشرية من التفكير المنطقي. كان بإمكانها تجربة ملايين الاختلافات العشوائية لإيجاد حل أفضل، وهي طريقة تُعرف باسم "البحث التطوري"، لكنها غالبًا ما افتقرت إلى القدرة على فهم لماذا فشلت محاولة معينة أو تغيير نهجها بالكامل عندما تتعثر. السؤال الذي طرحه الباحثون هو ما إذا كان يمكن تعليم برنامج حاسوبي أن يفكر مثل عالم، فيصيغ فرضيات، ويختبرها، ويتعلم من النتائج تمامًا كما يفعل البشر.

أجابت دراسة حديثة بعنوان "العالم الصغير" (The Little Scientist) على هذا السؤال بنعم مدوية. فقد بنى الباحثون نظامًا يعمل فيه وكيل ذكاء اصطناعي كعالم، يعمل داخل مختبر رقمي لحل مشكلات بيولوجية معقدة. وبدلاً من تجربة ملايين التغييرات العشوائية في الكود البرمجي بشكل أعمى، يتبع هذا الوكيل عملية صارمة وخطوة بخطوة: يصيغ فرضية حول كيفية تحسين الحل، ويكتب الكود لاختبار تلك الفكرة، ويجري الاختبار، ثم يقارن النتيجة بعناية بتوقعه الأصلي. وإذا كانت النتيجة أسوأ مما كان متوقعًا، فلا يكتفي الوكيل بالتخلص من المحاولة فحسب؛ بل يحلل الأسباب المحددة للفشل لصياغة فرضية جديدة وأفضل. وعندما يعلق الوكيل في حلقة مفرغة من التحسينات الصغيرة، يتدخل وكيل ثانٍ متخصص لاقتراح طريقة تفكير جديدة تمامًا في المشكلة، مما يجبر النظام على الخروج من رتابته واستكشاف آفاق جديدة.

اختبر الباحثون هذا النظام في تحديين مختلفين تمامًا في علم الأحياء. كان الأول هو إيجاد أنماط خفية في تسلسلات الحمض النووي (DNA)، وهي مهمة حاسمة لفهم كيفية تنظيم الجينات. والثاني كان التنبؤ بكيفية تأثير التغييرات في بنية البروتين على وظيفته، وهي مشكلة حيوية لتطوير الأدوية وفهم الأمراض. في كلتا الحالتين، مُنح النظام البيانات الخام فقط وقواعد اللعبة، دون أي معرفة مسبقة بأفضل الحلول الموجودة. وكانت النتيجة اكتشاف طريقتين جديدتين تفوقت على الأدوات الحالية الأكثر تطورًا التي يستخدمها الخبراء البشريون. فبالنسبة لمهمة نمط الحمض النووي، ابتكر النظام خوارزمية جديدة من الصفر لم تكن أكثر دقة فحسب، بل كانت أسرع بـ 11 مرة من الأداة القياسية التي يستخدمها العلماء اليوم. وبالنسبة لمهمة التنبؤ بالبروتين، اكتشف استراتيجية متطورة لدمج تنبؤات عدة نماذج موجودة، محققًا مستوى من الدقة يتصدر قائمة عالمية تضم أكثر من تسعين نموذجًا منافسًا.

إن ما يجعل هذا الإنجاز لافتًا للنظر بشكل خاص هو كفاءة العملية. فقد تم تشغيل برنامج البحث بأكمله، والذي تضمن آلاف التكرارات من الفرضيات والاختبارات، على خادم حاسوبي قياسي واحد دون الحاجة إلى أجهزة رسوميات (graphics hardware) متخصصة وباهظة الثمن. واستهلك النظام قدرًا صغيرًا نسبيًا من قوة الحوسبة مقارنة بالمحاولات الأخيرة في مجال الاكتشاف الآلي، والتي تتطلب غالبًا شبكات موزعة ضخمة من الحواسيب. ووجد الباحثون أنه من خلال إجبار الذكاء الاصطناعي على شرح منطقه والتعلم من الإخفاقات المحددة، احتاج النظام إلى محاولات أقل بكثير لإيجاد الحل مقارنة بالأساليب التي تعتمد على التخمين والتحقق العشوائي. وهذا يشير إلى أن تعليم الآلات اتباع المنهج العلمي — بدلاً من مجرد تركها تخمن وتتحقق — قد يكون وسيلة أكثر قوة لأتمتة الاكتشاف في المستقبل.

يعمل النظام، الذي يسميه المؤلف "العالم الصغير"، من خلال شراكة بين دورين متميزين. الأول هو وكيل "العالم"، الذي يعمل كباحث رئيسي؛ حيث يكتب الكود، ويجري التجارب، ويحتفظ بسجل مفصل لأفكاره ونتائجه. والثاني هو وكيل "كون" (Kuhn)، المسمى على اسم فيلسوف علم شهير وصف كيف يتطلب التقدم العلمي أحيانًا تحولًا جذريًا في المنظور. فعندما يتوقف وكيل "العالم" عن إحراز تقدم ويتعثر، يتدخل وكيل "كون". ينظر إلى تاريخ الإخفاقات ويقترح طريقة جديدة تمامًا لإعادة صياغة المشكلة، مستلهمًا في كثير من الأحيان من مجال علمي مختلف. وهذا يجبر النظام على التخلي عن مساره الحالي وتجربة نهج مختلف جوهريًا، تمامًا مثل العالم البشري الذي يدرك أن نظريته الحالية معيبة ويقرر البدء من جديد بمنظور جديد.

في تحدي اكتشاف أنماط الحمض النووي، كُلف النظام بإيجاد تسلسلات قصيرة من الحمض النووي تعمل كمواقع ارتباط لعوامل نسخ بروتينية. هذه المواقع حاسمة لتشغيل الجينات وإيقافها، لكن العثور عليها صعب لأن الأنماط يمكن أن تكون دقيقة وتتفاوت في الطول. بدأ النظام بنهج أساسي، وعلى مدار بضعة أسابيع، قام بتحسين طريقته بشكل تكراري. واكتشف أن البحث عن الأنماط بناءً على مدى تكرار ظهورها ومدى اتساق ظهورها عبر عينات مختلفة من الحمض النووي كان أكثر فعالية من الطرق السابقة. الخوارزمية النهائية التي أنتجها، والتي سماها الباحثون DALE، كانت قادرة على تحديد هذه الأنماط بدقة أكبر من أفضل الأدوات الموجودة، وفعلت ذلك بسرعة أكبر بكثير، حيث عالجت البيانات في ثوانٍ بينما كانت الأدوات القديمة تستغرق دقائق أو ساعات. حقق النظام ذلك دون أن يُخبر بالاستراتيجيات المحددة؛ فقد اكتشفها بمفرده تمامًا من خلال دورة الفرضية والاختبار.

تضمن التحدي الثاني التنبؤ بكيفية تأثير الطفرات في البروتينات على لياقتها، أو مدى جودة أدائها. هذه مشكلة معقدة لأن البروتينات مكونة من سلاسل طويلة من الوحدات البنائية، وتغيير وحدة واحدة حتى يمكن أن يؤدي إلى آثار غير متوقعة. مُنح النظام تنبؤات من خمسة نماذج موجودة ومُطلب بدمجها في تنبؤ واحد أفضل. وبدلاً من مجرد حساب متوسط النتائج، طور النظام استراتيجية تسمى Delta V. تعلم تعديل وزن تنبؤ كل نموذج بناءً على مدى ثقة ذلك النموذج وكيف أثرت الطفرة المحددة على بنية البروتين. كما طور طريقة لمشاركة المعلومات بين الأجزاء المتقاربة من البروتين، مدركًا أنه إذا أخطأ نموذج ما في جزء معين، فمن المرجح أن يخطئ في الأجزاء المجاورة أيضًا. سمح هذا النهج للنظام بالتفوق على جميع النماذج الأخرى في اختبار معياري عالمي كبير، متفوقًا على ثاني أفضل نموذج بفارق كبير.

يسلط نجاح "العالم الصغير" الضوء على تحول في كيفية استخدامنا للذكاء الاصطنيائي في العلوم. فبدلاً من معاملة الذكاء الاصطناعي كأداة تنفذ التعليمات أو تبحث عن الأنماط في البيانات فحسب، فإن هذا النهج يعامل الذكاء الاصطناعي كباحث مبتدئ؛ حيث يُمنح الحرية في التفكير، وارتكاب الأخطاء، والتعلم من تلك الأخطاء بطريقة منظمة. وجد الباحثون أن قدرة النظام على صياغة تنبؤات صريحة ثم التوفيق بينها وبين النتائج الفعلية كانت مفتاح نجاحه. فعندما توقع النظام أن التغيير سيحسن النتيجة ولكن لم يحدث ذلك، لم يتجاوز الأمر فحسب، بل حلل التباين لفهم ما حدث خطأً. هذه العملية من التعلم من الفشل، بدلاً من مجرد التخلص منه، سمحت للنظام ببناء فهم عميق للمشكلة لم تستطع طرق البحث العشوائي تحقيقها.

كما أظهرت الدراسة أن هذا النهج يمكن أن يعمل بموارد محدودة للغاية. فقد تم تشغيل المشروع بأكمله على جهاز افتراضي واحد بقدرة حوسبية قياسية، بتكلفة تقل عن خمسمائة دولار إجمالاً. وهذا يتناقض بشدة مع أنظمة الاكتشاف الآلي الأخرى التي تتطلب مجموعات ضخمة من الحواسيب وتكاليف حوسبة بملايين الدولارات. ويشير الباحثون إلى أن الكفاءة تأتي من جودة التغذية الراجعة التي يتلقاها النظام؛ فبدلاً من مجرد إخباره بأن "هذا جيد" أو "هذا سيء"، تم تزويد النظام بتقارير مفصلة حول الأجزاء التي فشل فيها الاختبار ولماذا. سمح ذلك له بإجراء تحسينات مستهدفة بدلاً من التخمينات العشوائية.

وعلى الرغم من أن النتائج مثيرة للإعجاب، إلا أن الباحثين حذروا من قيود عملهم. فقد تم اختبار النظام في نوعين محددين من المشكلات البيولوجية حيث تكون البيانات منظمة جيدًا ويمكن قياس النتائج بدقة. وليس من الواضح بعد ما إذا كان هذا النهج سيعمل مع المشكلات التي تكون فيها البيانات غير منظمة، أو يكون التقييم مكلفًا، أو لا تكون الإجابة قابلة للقياس الكمي بسهولة. كما أشار الباحثون إلى أن نظامهم لم يحل محل العلماء البشر بل عمل بجانبهم؛ فقد كان هناك حاجة لباحث بشري لإعداد المختبر الرقمي، وتحديد القواعد، وتوفير البيانات الأولية. كما تدخل الإنسان في نقطة ما لتزويد النظام بمصادر بيانات إضافية، مما سمح له بتحقيق قفزة كبيرة في الأداء. وهذا يشير إلى أن مستقبل الاكتشاف العلمي قد يكمن في شراكة يوفر فيها البشر التوجه الاستراتيجي ويتولى فيها الذكاء الاصطناعي عمليات التكرار السريعة والدؤوبة للتجارب.

تقدم نتائج هذه الدراسة لمحة عن مستقبل يمكن للذكاء الاصطناعي فيه أن يفعل أكثر من مجرد معالجة المعلومات؛ إذ يمكنه المشاركة بنشاط في العملية الإبداعية للاكتشاف. ومن خلال محاكاة المنهج العلمي، يمكن لهذه الأنظمة استكشاف مشكلات معقدة بطرق تتسم بالكفاءة والفعالية في آن واحد. يمكنها اكتشاف خوارمايات واستراتيجيات جديدة قد لا يفكر فيها الخبراء البشريون، ويمكنها القيام بذلك بمستوى من الشفافية يسمح لنا بفهم كيفية وصولها إلى استنتاجاتها بالضبط. ومع تحسن التكنولوجيا، قد نرى هذه الأنظمة تُطبق على نطاق أوسع من التحديات العلمية، من تصميم مواد جديدة إلى فهم تعقيدات الدماغ البشري. إن "العالم الصغير" ليس مجرد أداة لحل المشكلات؛ بل هو برهان على أن عملية الاكتشاف العلمي نفسها يمكن أتمتتها، مما يفتح الباب أمام عصر جديد من الأبحاث المتسارعة.