HypoForge: A Self-Improving Multi-Agent Framework for Automated Hypothesis Generation and Testing via Scientific Skill Learning
يُعد HypoForge إطار عمل متعدد الوكلاء ذاتي التحسين يعمل على أتمتة الاكتشاف العلمي من خلال توظيف استراتيجيات تعلم محددة لكل مرحلة — وهي آلية توليد واختبار (مولد-مميز) تنافسية لتوليد الفرضيات، وتعلم المهارات القائم على النتائج لاختبار الفرضيات — لتمكين التحسين المستمر دون الحاجة إلى ضبط النماذج التأسيسية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لطالما كان العلم حواراً بين الفضول والأدلة. يلاحظ الباحث نمطاً في العالم، ويتساءل عن سبب حدوثه، ثم يقترح تفسيراً يسمى الفرضية. هذه الفكرة ليست مجرد تخمين؛ بل هي ادعاء محدد حول كيفية عمل الطبيعة يمكن اختباره. ويبدأ العمل الحقيقي عندما يصمم العلماء تجارب لمعرفة ما إذا كانت الفكرة ستصمد أمام الواقع. فإذا دعمت البيانات الادعاء، تكتسب الفكرة قوة؛ وإذا خالفتها البيانات، يتم التخلص من الفكرة أو تغييرها. إن هذه الدورة من الاقتراح والاختبار هي محرك الاكتشاف، لكنها أيضاً عملية بطيئة وصعبة تتطلب سنوات من التدريب لإتقان فن طرح الأسئلة الصحيحة وبناء الاختبارات المناسبة.
لعقود من الزمن، استُخدمت الحواسيب لمعالجة الأرقام وتشغيل عمليات المحاكاة، لكنها كافحت للمشاركة في الجزء الإبداعي من هذا الحوار. وقد منحت التطورات الأخيرة في الذكاء الاصطناعي الآلات القدرة على قراءة كميات هائلة من النصوص وتوليد لغة تشبه لغة البشر، مما أدى إلى الأمل في إمكانية جعلها تعمل كعلماء مستقلين. ومع ذلك، فإن معظم هذه الأنظمة تعمل مثل الطلاب الذين يحفظون فصلاً واحداً من كتاب مدرسي ثم يحاولون حل كل مشكلة جديدة باستخدام تلك المعرفة الثابتة فقط. يمكنها توليد فرضية أو إجراء اختبار، لكنها لا تستطيع التعلم من أخطائها لتصبح أفضل في المرة التالية؛ فهي تفتقر إلى القدرة على تراكم الخبرات، مما يعني أنها تبدأ من الصفر في كل مرة تواجه فيها سؤالاً علمياً جديداً، مكررةً نفس الأخطاء ومفتقدةً لنفس الرؤى.
لقد عالج فريق من الباحثين هذا القصور عبر إنشاء نظام جديد يسمى "HypoForge"، المصمم لمساعدة الذكاء الاصطناعي على تعلم وتحسين استدلاله العلمي بمرور الوقت. بُني النظام على ملاحظة أن توليد الفرضية واختبارها هما مهمتان مختلفتان تماماً تتطلبان أنواعاً مختلفة من التعلم. فعندما تقترح الآلة فكرة جديدة، غالباً لا توجد طريقة فورية لمعرفة ما إذا كانت صحيحة أم خاطئة؛ إذ قد لا تُعرف الإجابة لسنوات. في هذه المرحلة، لا يمكن للنظام الاعتماد على إشارة بسيطة تفيد بالصواب أو الخطأ، وبدلاً من ذلك، منح الباحثون النظام وسيلة لنقد عمله من خلال مقارنة العديد من الأفكار المختلفة ببعضها البعض، مما صقل قدرته على رصد أي التفسيرات هي الأكثر معقولية وسلامة من الناحية العلمية.
بمجرد أن يولد النظام مجموعة من الأفكار المرشحة، ينتقل إلى مرحلة الاختبار، حيث تتغير القواعد. هنا، يصمم النظام تجربة، ويكتب الكود الخاص بتشغيلها، وينفذها على بيانات حقيقية. ولأن نتائج هذه التجارب تكون معروفة، يتلقى النظام تغذية راجعة واقعية وحقيقية حول ما إذا كان تصميمه قد نجح وما إذا كان الكود الخاص به قد عمل بشكل صحيح. وجد الباحثون أنه من خلال معالجة هاتين المرحلتين بشكل منفصل، استطاع النظام تعلم مهارات محددة لكل منهما؛ فقد تعلم كيف يصبح ناقداً أفضل عند توليد الأفكار، ومهندساً أكثر دقة عند الاختبار. سمح هذا النهج للنظام باستخلاص نجاحاته وإخفاقاته السابقة في شكل "مهارات" قابلة لإعادة الاستخدام، تماماً مثل العالم البشري الذي يستوعب الدروس من الدراسات السابقة لتحسين عمله المستقبلي.
اختبر الباحثون هذا الإطار على مجموعة من المهام العلمية التي تتضمن بيانات من العالم الحقيقي، بدءاً من التنبؤ بالتفاعل على وسائل التواصل الاجتماعي وصولاً إلى تحليل الاستشهادات الطبية. وقارنوا نظامهم بأدوات ذكاء اصطناعي متقدمة أخرى تعتمد على تعليمات ثابتة أو سير عمل محدد. وأظهرت النتائج أن "HypoForge" تفوق باستمرار على الأنظمة الأخرى. ففي مهمة توليد الفرضيات، أنتج أفكاراً لم تكن أعلى جودة فحسب، بل غطت أيضاً نطاقاً أوسع من التفسيرات المحتملة مقارنة بمنافسيه. وفي مهمة اختبار تلك الأفكار، نجح في تصميم وتنفيذ تجارب أثبتت صحة الفرضيات الصحيحة بمعدل أعلى من الطرق الأخرى.
والأهم من ذلك، أظهرت الدراسة أن تحسن النظام جاء من قدرته على التعلم من الخبرة بدلاً من تغيير دماغه الأساسي. لم يكن النظام بحاجة إلى إعادة تدريب من الصفر أو إعطائه بيانات جديدة ليتعلم؛ بل قام ببساطة بصقل الإجراءات التي يستخدمها بناءً على التغذية الراجعة التي تلقاها. وعندما أزال الباحثون القدرة على التعلم من النتائج السابقة، انخفض أداء النظام بشكل كبير، مما أثبت أن تراكم الخبرة كان العامل الرئيسي. كما أظهر النظام قدرته على نقل هذه المهارات المتعلمة إلى مهام جديدة وغير مرئية، مما يشير إلى أنه يتعلم مبادئ عامة للاستدلال العلمي وليس مجرد حفظ إجابات محددة.
يشير هذا العمل إلى مسار واعد للمستقبل في مجال الذكاء الاصطناعي في العلوم. فبدلاً من بناء آلات سريعة فقط في اتباع التعليمات، يقوم الباحثون الآن بتطوير أنظمة يمكنها تطوير أساليبها الخاصة في التقصي. ومن خلال الفصل بين الفعل الإبداعي المتمثل في تخيل الاحتمالات، والفعل الصارم المتمثل في التحقق منها، ومن خلال السماح للنظام بتعلم مهارات متميزة لكل منهما، أظهر "HypoForge" أن الآلات يمكنها البدء في محاكة الطبيعة التراكمية للاكتشاف العلمي البشري. إن النظام لا يحل محل العالم، ولكنه يقدم نوعاً جديداً من الشريك الذي يمكنه أن يصبح أكثر ذكاءً مع كل تجربة يجريها، محولاً العملية البطيئة للخطأ والصواب إلى حلقة مستمرة من التحسين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.