From Traditional Scientists to Agentic AI Research: Unequivocal Diagram-as-Code in Scientific Publications

لطالما اعتمد العلم على لغتين لمشاركة اكتشافاته: الكلمة المكتوبة والصورة. قد يصف الباحث عملية بيولوجية معقدة في فقرة نصية، أو يوضحها بمخطط يظهر كيفية تفاعل الأجزاء المختلفة للخلية. ولعقود من الزمن، خدمت هذه الأساليب القراء البشر بشكل جيد، مما سمح للعلماء بالبناء على أعمال بعضهم البعض. ومع ذلك، فإن كلًا من اللغة والصور يحملان عيبًا خفيًا: كونهما عرضة للتأويل. يمكن قراءة الجملة بطرق مختلفة قليلاً بناءً على خلفية القارئ، ويمكن فهم الرسم بطرق متباينة بناءً على كيفية تفسير المشاهد للأشكال والأسهم. هذا الغموض يمكن إدارته بالنسبة للبشر، ولكنه يخلق مشكلة كبيرة لأنظمة الذكاء الاصطناนิ الجديدة المصممة لقراءة الأدبيات العلمية وإجراء الاكتشافات بمفردها. فهذه الأنظمة، المعروفة باسم "وكلاء الذكاء الاصطناعي" (AI agents)، تحتاج إلى معلومات دقيقة وغير غامضة، لا تترك مجالاً للتخمين. فإذا أخطأ وكيل ذكاء اصطناعي في تفسير مخطط أو وصف، فقد يرتكب أخطاءً تمتد آثارها عبر عمله، مما يؤدي إلى استنتاجات خاطئة.

في دراسة حديثة، اقترح الباحثان ميلا جلافاشكي ولازار فيليكي من جامعة نوفي ساد في صربيا حلاً لهذه المشكلة. حيث يقترحان أن تتضمن الأوراق العلمية "المخططات ككود" (diagrams-as-code). فبدلاً من مجرد رفع ملف صورة ثابت، سيقدم المؤلفون الكود الفعلي المستخدم لإنشاء تلك الصورة. يعمل هذا الكود كمجموعة تعليمات رياضية صارمة تخبر الكمبيوتر بالضبط كيفية رسم كل خط وشكل واتصال. ولأن الكود هو لغة منطق وليس فنًا، فإنه يزيل التخمين. فعندما يقرأ الكمبيوتر الكود، فإنه يرى الهيكل ذاته الذي قصده المؤلف تمامًا، دون أي اختلاف في المعنى. اختبر الباحثون هذه الفكرة من خلال أخذ ثلاثة أنواع شائعة من المحتوى العلمي حول فشل القلب — الأوصاف النصية للأسباب، وشروحات الآليات البيولوجية، والمسارات السريرية لرعاية المرضى — وتحويلها إلى تنسيق الكود هذا. ووجدوا أن هذا النهج فعال، مما يخلق جسراً يسمح لكل من العلماء البشر ووكلاء الذكاء الاصطناعي بفهم العمليات العلمية بوضوح تام.

بدأ الباحثون بالنظر في كيفية مشاركة المعلومات العلمية حاليًا. وقد لاحظوا أنه بينما تسمح اللغة الطبيعية بتنوع لا نهائي في التعبير، فإنها تسمح أيضًا بتنوع لا نهائي في التفسير. قد يكتب عالم أن حالة قلبية ناتجة عن ارتفاع ضغط الدم، بينما يصفها آخر بأنها نتيجة لتلف الصمام. كلاهما صحيح، لكن الصياغة المحددة قد تؤدي بالذكاء الاصطناعي إلى تفويت الرابط بين الاثنين. وبالمثل، قد يظهر مخطط بصري أسهمًا تربط بين أجزاء مختلفة من النظام، ولكن بدون تعريف صارم، قد لا يعرف الذكاء الاصطناعي ما إذا كانت تلك الأسهم تمثل سببًا، أو أثرًا جانبيًا، أو مجرد ارتباط بسيط. إن الهدف من تطوير الذكاء الاصطناعي الحديث هو إنشاء أنظمة يمكنها إجراء اكتشافات علمية بشكل مستقل، والعمل كباحثين مستقلين يمكنهم قراءة آلاف الأوراق وتوليف معرفة جديدة. ولتحقيق ذلك، يحتاج هؤلاء الوكلاء من الذكاء الاصطناعي إلى تمرير المعلومات لبعضهم البعض بدقة مثالية. فإذا سلم أحد الوكلاء مهمة إلى آخر بناءً على مخطط تم فهمه بشكل خاطئ، فإن سلسلة البحث بأكملها قد تفشل.

لاختبار فكرتهم، اختار جلافاشكي وفيليكي ثلاثة أمثلة متميزة من مجال طب القلب، وهو دراسة القلب. المثال الأول كان فقرة تصف الطرق المختلفة التي يتطور بها فشل القلب، وتدرج أسبابًا مثل الإصابة الإقفارية، وزيادة الضغط، والأمراض الأيضية. والثاني كان تعريفًا لفشل القلب كمتلازمة سريرية، يوضح بالتفصيل كيف تؤدي المشكلات الهيكلية في القلب إلى أعراض. والثالث كان دليلاً خطوة بخوة للأطباء حول كيفية تقييم مريض يُشتبه في إصابته بفشل القلب، يغطي كل شيء من التاريخ الطبي إلى الفحص البدني. وإلى جانب هذه النصوص، استخدموا ثلاثة مخططات مقابلة تمثل هذه المفاهيم بصريًا. كانت هذه المدخلات بمثابة المادة الخام لتجربتهم.

استخدم الفريق بعد ذلك نسخة مجانية من نموذج لغوي كبير، وهو نوع من روبوتات الدردشة المدعومة بالذكاء الاصطناعي، لتحويل هذه المدخلات إلى كود. وطلبوا من الذكاء الاصطناعي توليد كود لأداتين مختلفتين لرسم المخططات، وهما Mermaid وD2، وهما برنامجان يحولان التعليمات النصية إلى رسوم بيانية مرئية. بالنسبة للأوصاف النصية، كان الأمر (Prompt) بسيطًا: "أنشئ كودًا لمخطط Mermaid لهذا النص". أما بالنسبة للصور الموجودة، فقد كان الأمر أكثر تحديدًا: "أنشئ كودًا لمخطط Mermaid لهذه الصورة. لا تضف أي شيء من عندك". أراد الباحثون معرفة ما إذا كان بإمكان الذكاء الاصطناعي النظر في فقرة نصية أو صورة ثابتة وترجمتها إلى مجموعة من التعليمات المنطقية التي يمكن لكمبيوتر آخر قراءتها.

أظهرت النتائج أن النهج كان قابلاً للتطبيق. فلكل وصف نصي وكل صورة اختبروها، نجح الذكاء الاصطناعي في توليد كود أنتج، عند تشغيله عبر محرر قياسي، مخططًا يطابق المعنى الأصلي. بالنسبة للنص المتعلق بالآليات المشتركة لفشل القلب، أنشأ الكود مخططًا انسيابيًا يوضح كيف تؤدي المسارات المختلفة إلى النتيجة نفسها. وبالنسبة للنص الذي يعرّف المرض، أنتج الكود مخططًا يربط بين الأسباب المختلفة والحالة المرضية. وبالنسبة للمسار السريري، رسم الكود الخطوات التي يجب أن يتخذها الطبيب، من الزيارة الأولى إلى الفحص البدني. كما قام الباحثون بتحويل الصور الثابتة الأصلية إلى كود من خلال توجيه الذكاء الاصطناعي لتوليد كود بناءً على الأشكال. وتمكن الذكاء الاصطناعي من إنتاج تعليمات برمجية أدت، عند معالجتها، إلى إعادة إنشاء الهيكل المرئي للآليات الجزيئية، والتسلسل المرضي الفسيولوجي، والمسار السريري.

بمجرد توليد الكود، لم يكتف الباحثون بقبوله بشكل أعمى. فقد تحققوا يدويًا من المخرجات في المحررات عبر الإنترنت لكل من Mermaid وD2. ووجدوا أنه بينما كان الذكاء الاصطناعي يضبط الهيكل العام بشكل صحيح، إلا أنه كان يحتاج أحيانًا إلى تعديلات طفيفة. على سبيل المثال، قد يلزم قلب اتجاه سهم، أو قد يلزم نقل اتصال بين كتلتين إلى مكان آخر ليعكس العلم بدقة. كانت هذه التعديلات الصغيرة ضرورية لضمان أن الكود يعكس التمثيل المقصود تمامًا. ومع ذلك، فإن حقيقة إمكانية توليد الهيكل الأساسي تلقائيًا كانت هي النتيجة الرئيسية. لقد عمل الكود كسجل غير متغير ودقيق للمعلومات، بينما كان المخطط المرئي مجرد وسيلة للبشر للتأكد من صحة الكود.

يؤكد الباحثون أن هذه الطريقة لا تحل محل الحاجة إلى الإشراف البشري. فإذا قام الذكاء الاصطناعي بتوليد كود بناءً على "هلوسة" — وهي حقيقة كاذبة يبتدعها الذكاء الاصطناعي — فإن المخطط الناتج سيكون خاطئًا. ومع ذلك، فإن النظام الذي يقترحونه يتضمن فحصًا مدمجًا؛ فبما أن الكود قابل للقراءة من قبل البشر ويمكن معالجته فورًا، يمكن للعالم النظر إلى المخطط الناتج ورؤية ما إذا كان يطابق النص أو الصورة الأصلية على الفور. وإذا لم يكن كذلك، فيمكنه إصلاح الكود. تضمن هذه العملية دقة التمثيل النهائي. وتشير الدراسة إلى أنه في المستقبل، يمكن للأوراق العلمية أن تتضمن هذه المقاطع البرمجية بجانب النصوص والصور التقليدية. وهذا سيسمح لوكلاء الذكاء الاصطناعي بقراءة الورقة واستخراج المنطق الدقيق للبحث دون سوء تفسير الإشارات البصرية أو النصية.

تمتد آثار هذا العمل إلى ما وراء مجرد فشل القلب. يجادل الباحثون بأن هذا النهج يمكن تطبيقه على أي مجال علمي توصف فيه العمليات. سواء كان ذلك تدفق المواد الكيميائية في المختبر، أو خطوات علاج طبي، أو الروابط في نظام بيئي، فإن تمثيل هذه العمليات ككود سيجعلها مفهومة عالميًا. سيسمح ذلك لعالم بشري بتسليم مشروع إلى وكيل ذكاء اصطناعي، ومن ثم يقوم ذلك الوكيل بتمريره إلى وكيل آخر، مع ضمان بقاء معنى العمل دون تغيير في كل خطوة. يعمل الكود كمترجم عالمي، يجرد المعلومات من غموض اللغة الطبيعية وذاتية الصور الثابتة.

في نقاشهم، يقر المؤلفون بأن هذه الطريقة لها حدود. فهي لا يمكنها إلا تمثيل ما هو معروف بالفعل. فإذا كانت العملية العلمية تتضمن عناصر أو علاقات غير معروفة لم تُكتشف بعد، فلا يمكن سد تلك الفجوات بالكود. علاوة على ذلك، تعتمد جودة الكود على جودة الذكاء الاصطناعي الذي يولده. استخدام أوامر (prompts) أكثر تعقيدًا قد يؤدي إلى نتائج أفضل، لكن الباحثين أظهروا أنه حتى مع التعليمات البسيطة، يعمل النظام بشكل جيد بما يكفي ليكون مفيدًا. كما أشاروا إلى أنه بينما استخدموا Mermaid وD2، يمكن لأدوات أخرى مثل PlantUML أو Graphviz أن تؤدي نفس الغرض. الأداة المحددة تهم أقل من مفهوم وجود تمثيل قائم على الكود.

تخلص الدراسة إلى أن الوقت قد حان لتوحيد كيفية مشاركة المعلومات العلمية في عصر الذكاء الاصطناعي. ومن خلال اعتماد "المخططات ككود"، يمكن للمجتمع العلمي ضمان أن المعرفة التي ينتجونها ليست فقط قابلة للقراءة من قبل البشر، بل وقابلة للتنفيذ من قبل الآلات أيضًا. هذا التحول سيحول الأدبيات العلمية من مجموعة من الوثائق الثابتة إلى مورد ديناميكي قابل للقراءة آليًا. وسيتيح ذلك انتقالًا سلسًا للمعرفة بين الباحثين البشر ووكلاء الذكاء الاصطناعي، مما يمهد الطريق لمستقبل يمكن فيه لوكلاء الذكاء الاصطناعي التعاون مع العلماء لحل المشكلات المعقدة بمستوى من الدقة كان مستحيلاً في السابق. وقد أثبت الباحثون أن هذه ليست مجرد فكرة نظرية، بل هي واقع عملي يمكن تنفيذه اليوم باستخدام الأدوات المتاحة.