Federation Is Nearly Free, Reasoning Is Not: Tradeoffs for AI Co-Scientists in Protein Characterization Workflows

في المختبر الحديث، يبرز نوع جديد من المساعدين، نوع لا يحمل ماصة مخبرية بل يحمل حواراً. هذه أنظمة ذكاء اصطناعي مصممة لتعمل كـ "علماء مشاركين"، وهي وكلاء مستقلون يمكنهم قراءة تسلسل بيولوجي، وتقرير أي الأدوات الرقمية سيستخدمونها، وتجميع إجابة لسؤال معقد. إنهم يعملون عبر تقسيم هدف كبير إلى خطوات أصغر، والتحقق من عملهم، وتحسين مسارهم، تماماً مثل الباحث البشري الذي ينتقل من الفرضية إلى الاستنتاج. ومع ذلك، فإن بناء هذه الأنظمة يتضمن خياراً صعباً. يعتمد أحد المسارين على نماذج لغوية ضخمة ومرنة يمكنها التفكير في حالات عدم اليقين ولكنها مكلفة وبطيئة وغير متسقة أحياناً. أما المسار الآخر فيستخدم سياسات كلاسيكية متعلمة—وهي أنظمة يتم تدريبها من خلال التجربة والخطأ لاتباع مجموعة صارمة من القواعد. هذه الأنظمة رخيصة وسريعة ومتسقة تماماً، لكنها تفتقر إلى القدرة على شرح تفكيرها أو التكيف مع المواقف الجديدة. وبينما يبدأ العلماء في نشر هذه الأدوات عبر مختلف المؤسسات والشبكات الحاسوبية، يبرز سؤال جوهري: هل الطريقة التي تتصل بها هذه الوكلاء أو "الدماغ" المحدد الذي يستخدمونه هو الأكثر أهمية، أم الاستراتيجية التي يتبعونها؟

لقد وضع فريق من الباحثين في المختبر الوطني لجنوب غرب المحيط الهادئ (Pacific Northwest National Laboratory) هدفاً للإجابة على ذلك من خلال وضع هذه الأساليب المختلفة تحت الاختبار في بيئة محكومة. لقد ركزوا على مهمة روتينية ولكنها حيوية في علم الأحياء: توصيف البروتينات. البروتين هو جزيء يؤدي وظائف محددة داخل الخلايا الحية، وغالباً ما تتحدد وظيفته من خلال تسلسل وحداته البنائية. طلب الباحثون من وكلاء الذكاء الاصطناعي لديهم النظر في تسلسل بروتيني والتنبؤ بوظيفته من خلال توجيهه عبر سلسلة من الأدوات الرقمية، مثل قواعد البيانات التي تقارن التسلسلات أو البرمجيات التي تتنبأ بالبنى ثلاثية الأبعاد. واختبروا الوكلاء تحت نظامين مختلفين للشبكة: إعداد بسيط بخادم واحد حيث تكون جميع الأدوات قريبة، وإعداد اتحادي (federated) أكثر تعقيداً حيث تتوزع الأدوات عبر خوادم مختلفة، مما يحاكي كيفية مشاركة المختبرات العلمية الحقيقية للبيانات عبر الحدود.

قارنت الدراسة بين نوعين رئيسيين من الوكلاء. النوع الأول استخدم نموذج لغة قوياً، وهو في الأساس "روبوت دردشة" متطور، ليقرر الأداة التالية التي سيستخدمها. تم تزويد هذه النماذج إما بتعليمات بسيطة أو بـ "مطالبات" (prompts) مفصلة على مستوى الخبراء لتوجيه تفكيرها. أما النوع الثاني فقد استخدم وكيل تعلم تعزيزي كلاسيكي، وهو نظام تم تدريبه عبر آلاف الجولات التدريبية لتعلم المسار الأكثر كفاءة للوصول إلى إجابة صحيحة دون أي استدلال باللغة الطبيعية. أجرى الباحثون هذه التجارب مئات المرات، وقاسوا عدد المرات التي حصل فيها الوكلاء على الإجابة الصحيحة، والوقت المستغرق، والتكلفة، وما إذا كان الوكلاء يقدمون الإجابة نفسها في كل مرة يُسألون فيها نفس السؤال.

كشفت النتائج عن تسلسل هرمي واضح للأهمية. لم يكن العامل الأكثر تأثيراً في النجاح هو إعداد الشبكة أو التعليمات المحددة المعطاة، بل كان الذكاء الكامن في النموذج نفسه. فعندما استخدم الوكلاء نموذج لغة من الفئة الأولى، حققوا معدل دقة يتراوح بين 92 إلى 94 بالمائة. وعندما استخدموا نموذجاً أصغر وأقل قدرة، انخفضت الدقة بشكل حاد لتصبح بين 40 و50 بالمائة. أما طريقة اتصال الأدوات عبر الشبكة فلم يكن لها أي تأثير تقريباً على الأداء؛ فسواء كان الوكلاء يعملون في غرفة واحدة أو عبر شبكة موزعة، ظلت معدلات نجاحهم متطابقة تقريباً. وهذا يشير إلى أن المسافة الفيزيائية أو الرقمية بين الأدوات ليست عائقاً كبيراً أمام الاكتشاف العلمي في هذا النوع من المهام.

لعل النتيجة الأكثر إثارة للاهتمام تتعلق بالمفاضلة بين المرونة والموثوقية. فبإمكان نماذج اللغة القوية تقديم نتائج عالية الجودة، لكنها مكلفة وغير متسقة. فحتى أفضل نموذج لغة أعطى إجابة مختلفة لنفس البروتين في حوالي 2 إلى 3 بالمائة من الحالات، وكانت تكلفة تشغيل هذه النماذج كبيرة، حيث تراوحت بين 63 سنتاً و93 سنتاً لكل بروتين. وفي المقابل، كان وكيل التعلم الكلاسيكي، الذي لا يملك القدرة على شرح استدلاله أو تكييف استراتيجيته، مثالياً في كل تجربة. لقد حقق دقة بنسبة 88 بالمائة، وهي نسبة تقترب من أفضل نموذج لغة، ولكنه فعل ذلك في حوالي 15 ثانية وبتكلفة صفرية. كما كان متسقاً تماماً، حيث لم يغير إجابته أبداً عند سؤاله عن نفس الشيء خمس مرات.

وجد الباحثون أن اختيار الاستراتيجية يعتمد كلياً على طبيعة العمل. فبالنسبة للمهام الروتينية حيث يمكن التحقق من الإجابة مقابل بيانات معروفة، مثل تحديد بروتين ذي وظيفة معروفة جيداً، فإن الوكيل الكلاسيكي الرخيص والسريع والمتسق تماماً هو الخيار الأفضل. فهو يقدم دقة تقارب حدود المعرفة الحالية دون التكلفة أو خطر الأخطاء العشوائية. ومع ذلك، بالنسبة للاكتشاف العلمي مفتوح النهايات حيث تكون الإجابة غير معروفة وتتطلب المرونة، يظل نموذج اللغة المكلف ضرورياً. وتشير الدراسة إلى أن قيمة مسارات الاستدلال التفصيلية التي توفرها نماذج اللغة تتناسب طردياً مع حداثة المهمة؛ فبالنسبة لاسترجاد الحقائق المعروفة ببساطة، يكون الاستدلال أقل قيمة من يقين السياسة الثابتة. في النهاية، يوفر هذا العمل دليلاً عملياً للعلماء الذين يبنون هذه الأنظمة: لا تفترضوا أن "دماغ" أكثر تعقيداً ومرونة هو دائماً الأفضل. فبالنسبة للعديد من سير العمل العلمي، فإن قاعدة بسيطة ومتعلمة ليست كافية فحسب، بل هي المسار الأكثر كفاءة للمضي قدماً.