विज्ञान अक्सर किसी एक शानदार अंतर्दृष्टि के बजाय, अनुमान लगाने, परीक्षण करने और गलतियों से सीखने के एक धीमे, दोहराव वाले चक्र के माध्यम से आगे बढ़ता है। एक शोधकर्ता एक विचार प्रस्तावित करता है, उसे परखने के लिए एक उपकरण बनाता है, देखता है कि वह कहाँ विफल होता है, और फिर उन विशिष्ट विफलताओं के आधार पर विचार को परिष्कृत करता है। यह वैज्ञानिक पद्धति है, एक ऐसी प्रक्रिया जिसने सदियों से मानव खोज को प्रेरित किया है। लंबे समय तक, कंप्यूटर संख्याओं को प्रोसेस करने या सख्त निर्देशों का पालन करने में उत्कृष्ट रहे हैं, लेकिन उन्हें इस मानवीय तर्क चक्र की नकल करने में संघर्ष करना पड़ा है। वे एक बेहतर समाधान खोजने के लिए लाखों यादृच्छिक विविधताओं (random variations) को आजमा सकते थे, जिसे 'इवोल्यूशनरी सर्च' (evolutionশীল खोज) के रूप में जाना जाता है, लेकिन उनमें अक्सर यह समझने की क्षमता की कमी थी कि एक विशिष्ट प्रयास क्यों विफल हुआ या जब वे फंस गए तो अपना पूरा दृष्टिकोण कैसे बदलें। शोधकर्ता यह सवाल पूछ रहे थे कि क्या एक कंप्यूटर प्रोग्राम को एक वैज्ञानिक की तरह सोचना सिखाया जा सकता है, यानी परिकल्पना बनाना, उनका परीक्षण करना और परिणामों से सीखना, ठीक वैसे ही जैसे एक मनुष्य करता है।

एक हालिया अध्ययन जिसका शीर्षक "द लिटिल साइंटिस्ट" (The Little Scientist) है, इस प्रश्न का उत्तर एक जोरदार 'हाँ' के साथ देता है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जहाँ एक आर्टिफिशियल इंटेलिजेंस एजेंट एक वैज्ञानिक के रूप में कार्य करता है, जो जटिल जैविक समस्याओं को हल करने के लिए एक डिजिटल प्रयोगशाला के भीतर काम करता है। कोड के लाखों यादृच्छिक परिवर्तनों को अंधे होकर आज़माने के बजाय, यह एजेंट एक सख्त, चरण-दर-चरण प्रक्रिया का पालन करता है: यह समाधान को बेहतर बनाने के बारे में एक परिकल्पना बनाता है, उस विचार का परीक्षण करने के लिए कोड लिखता है, परीक्षण चलाता है, और फिर अपने मूल अनुमान की तुलना परिणाम से सावधानीपूर्वक करता है। यदि परिणाम अपेक्षा से खराब है, तो एजेंट केवल उस प्रयास को खारिज नहीं करता है; वह एक नई, बेहतर परिकल्पना बनाने के लिए विफलता के विशिष्ट कारणों का विश्लेषण करता है। जब एजेंट छोटे सुधारों के एक स्थानीय लूप (local loop) में फंस जाता है, तो एक दूसरा, विशेष एजेंट हस्तक्षेप करता है ताकि समस्या के बारे में सोचने का एक बिल्कुल नया तरीका सुझा सके, जिससे सिस्टम को अपने पुराने ढर्रे से बाहर निकलने और नए क्षेत्र तलाशने के लिए मजबूर किया जा सके।

शोधकर्ताओं ने इस प्रणाली का परीक्षण जीव विज्ञान की दो बहुत अलग चुनौतियों पर किया। पहला था डीएनए अनुक्रमों (DNA sequences) में छिपे हुए पैटर्न खोजना, जो यह समझने के लिए एक महत्वपूर्ण कार्य है कि जीन कैसे नियंत्रित होते हैं। दूसरा था यह भविष्यवाणी करना कि प्रोटीन की संरचना में बदलाव उसके कार्य को कैसे प्रभावित करेगा, जो दवा विकास और बीमारियों को समझने के लिए अत्यंत महत्वपूर्ण है। दोनों मामलों में, सिस्टम को केवल कच्चा डेटा और खेल के नियम दिए गए थे, बिना किसी पूर्व ज्ञान के कि सर्वोत्तम मौजूदा समाधान क्या हैं। परिणाम स्वरूप, दो नई विधियों की खोज हुई जो मानव विशेषज्ञों द्वारा उपयोग किए जाने वाले वर्तमान अत्याधुनिक उपकरणों (state-of-the-art tools) से बेहतर थीं। डीएनए पैटर्न कार्य के लिए, सिस्टम ने शून्य से एक नया एल्गोरिदम बनाया जो न केवल अधिक सटीक था बल्कि वर्तमान में वैज्ञानिकों द्वारा उपयोग किए जाने वाले मानक उपकरण की तुलना में ग्यारह गुना तेज़ भी था। प्रोटीन भविष्यवाणी कार्य के लिए, इसने कई मौजूदा मॉडलों के भविष्यवाणियों को संयोजित करने की एक परिष्कृत रणनीति खोजी, जिससे सटीकता का एक ऐसा स्तर प्राप्त हुआ जिसने नब्बे से अधिक प्रतिस्पर्धी मॉडलों वाले वैश्विक लीडरबोर्ड को भी पीछे छोड़ दिया।

इस उपलब्धि को जो बात विशेष रूप से उल्लेखनीय बनाती है, वह है इस प्रक्रिया की दक्षता। संपूर्ण अनुसंधान कार्यक्रम, जिसमें परिकल्पना और परीक्षण के हजारों पुनरावृत्ति (iterations) शामिल थे, एक एकल मानक कंप्यूटर सर्वर पर चलाया गया था, जिसमें किसी विशेष, महंगे ग्राफिक्स हार्डवेयर की आवश्यकता नहीं पड़ी। अन्य हालिया स्वचालित खोज प्रयासों की तुलना में, जो अक्सर कंप्यूटरों के विशाल, वितरित नेटवर्क की आवश्यकता रखते हैं, इस सिस्टम ने अपेक्षाकृत कम कंप्यूटिंग शक्ति का उपयोग किया। शोधकर्ताओं ने पाया कि एआई को अपने तर्क को समझाने और विशिष्ट विफलताओं से सीखने के लिए मजबूर करके, सिस्टम को समाधान खोजने के लिए यादृच्छिक परीक्षण और त्रुटि (trial and error) पर निर्भर करने वाले तरीकों की तुलना में बहुत कम प्रयासों की आवश्यकता पड़ी। यह सुझाव देता है कि मशीनों को केवल 'अनुमान और जांच' करने के बजाय वैज्ञानिक पद्धति का पालन करना सिखाना, भविष्य में खोज को स्वचालित करने का एक बहुत अधिक शक्तिशाली तरीका हो सकता है।

यह प्रणाली, जिसे लेखक "द लिटिल साइंटिस्ट" कहते हैं, दो अलग-अलग भूमिकाओं के बीच साझेदारी के माध्यम से संचालित होती है। पहला "साइंटिस्ट" (वैज्ञानिक) एजेंट है, जो प्राथमिक शोधकर्ता के रूप में कार्य करता है। यह कोड लिखता है, प्रयोग चलाता है, और अपने विचारों और परिणामों का विस्तृत लॉग रखता है। दूसरा "कुन" (Kuhn) एजेंट है, जिसका नाम एक प्रसिद्ध वैज्ञानिक दार्शनिक के नाम पर रखा गया है, जिन्होंने वर्णन किया था कि कैसे वैज्ञानिक प्रगति के लिए कभी-कभी दृष्टिकोण में आमूलचूल परिवर्तन की आवश्यकता होती है। जब वैज्ञानिक एजेंट प्रगति करना बंद कर देता है और फंस जाता है, तो कुन एजेंट हस्तक्षेप करता है। वह विफलताओं के इतिहास को देखता है और समस्या को फ्रेम करने का एक बिल्कुल नया तरीका सुझाता है, जो अक्सर विज्ञान के किसी अन्य क्षेत्र से प्रेरणा लेता है। यह सिस्टम को अपने वर्तमान पथ को छोड़ने और एक मौलिक रूप से भिन्न दृष्टिकोण अपनाने के लिए मजबूर करता है, ठीक वैसे ही जैसे एक मानव वैज्ञानिक जो यह महसूस करता है कि उसका वर्तमान सिद्धांत त्रुटिपूर्ण है और एक नए दृष्टिकोण के साथ फिर से शुरुआत करने का निर्णय लेता है।

डीएनए पैटर्न खोज चुनौती में, सिस्टम को डीएनए के उन छोटे अनुक्रमों को खोजने का कार्य दिया गया था जो ट्रांसक्रिप्शन फैक्टर्स नामक प्रोटीनों के लिए बाइंडिंग साइट के रूप में कार्य करते हैं। ये साइट्स जीन को चालू और बंद करने के लिए महत्वपूर्ण हैं, लेकिन इन्हें खोजना कठिन है क्योंकि पैटर्न सूक्ष्म हो सकते हैं और उनकी लंबाई भिन्न हो सकती है। सिस्टम ने एक बुनियादी दृष्टिकोण के साथ शुरुआत की और, कुछ हफ्तों के दौरान, अपने तरीके में निरंतर सुधार किया। इसने खोजा कि यह देखना कि पैटर्न विभिन्न डीएनए नमूनों में कितनी बार और कितनी निरंतरता के साथ दिखाई देते हैं, पिछले तरीकों की तुलना में अधिक प्रभावी है। इसके द्वारा निर्मित अंतिम एल्गोरिदम, जिसे शोधकर्ताओं ने DALE नाम दिया, मौजूदा सर्वोत्तम उपकरणों की तुलना में अधिक सटीकता के साथ इन पैटर्नों की पहचान करने में सक्षम था। इसने यह कार्य काफी तेज़ी से किया, जहाँ पुराने उपकरणों को मिनट या घंटे लगते थे, वहीं इसने डेटा को सेकंडों में संसाधित किया। सिस्टम ने इन विशिष्ट रणनीतियों के बारे में बताए बिना ही इसे हासिल किया; इसने परिकल्पना और परीक्षण के चक्र के माध्यम से इसे पूरी तरह से स्वयं खोजा।

दूसरी चुनौती में यह भविष्यवाणी करना शामिल था कि प्रोटीन में उत्परिवर्तन (mutations) उनके फिटनेस, या उनके कार्य करने की क्षमता को कैसे प्रभावित करेंगे। यह एक जटिल समस्या है क्योंकि प्रोटीन निर्माण खंडों (building blocks) की लंबी श्रृंखलाओं से बने होते हैं, और एक ब्लॉक को बदलने से भी अप्रत्याशित प्रभाव पड़ सकते हैं। सिस्टम को पांच अलग-अलग मौजूदा मॉडलों से भविष्यवाणियां दी गईं और उन्हें एक बेहतर एकल भविष्यवाणी में संयोजित करने के लिए कहा गया। परिणामों का केवल औसत निकालने के बजाय, सिस्टम ने 'डेल्टा वी' (Delta V) नामक एक रणनीति विकसित की। इसने सीखा कि प्रत्येक मॉडल की भविष्यवाणी के भार (weight) को इस आधार पर समायोजित कैसे किया जाए कि वह मॉडल कितना आश्वस्त है और विशिष्ट उत्परिवर्तन ने प्रोटीन की संरचना को कैसे प्रभावित किया है। इसने प्रोटीन के आस-पास के हिस्सों के बीच सूचना साझा करने का एक तरीका भी विकसित किया, यह समझते हुए कि यदि कोई मॉडल एक हिस्से के बारे में गलत है, तो वह पड़ोसी हिस्सों के बारे में भी गलत होने की संभावना है। इस दृष्टिकोण ने सिस्टम को एक प्रमुख वैश्विक बेंचमार्क पर अन्य सभी मॉडलों को पछाड़ने में सक्षम बनाया, जिससे इसने दूसरे सबसे अच्छे मॉडल को भी बड़े अंतर से पीछे छोड़ दिया।

"द लिटिल साइंटिस्ट" की सफलता इस बात को रेखांकित करती है कि हम कृत्रिम बुद्धिमत्ता (AI) का उपयोग कैसे कर सकते हैं। एआई को केवल निर्देशों को निष्पादित करने या डेटा में पैटर्न खोजने वाले उपकरण के रूप में देखने के बजाय, यह दृष्टिकोण एआई को एक कनिष्ठ शोधकर्ता (junior researcher) के रूप में देखता है। इसे तर्क करने, गलतियाँ करने और उन गलतियों से सीखने की स्वतंत्रता दी गई है। शोधकर्ताओं ने पाया कि सिस्टम की स्पष्ट भविष्यवाणियां करने और फिर उन्हें वास्तविक परिणामों के साथ मिलाने की क्षमता ही उसकी सफलता की कुंजी थी। जब सिस्टम ने भविष्यवाणी की कि एक परिवर्तन परिणाम में सुधार करेगा लेकिन ऐसा नहीं हुआ, तो उसने केवल आगे बढ़ने के बजाय, यह समझने के लिए विश्लेषण किया कि क्या गलत हुआ। विफलता से सीखने की यह प्रक्रिया—केवल उसे खारिज करने के बजाय—सिस्टम को समस्या की गहरी समझ बनाने की अनुमति देती है जो यादृच्छिक खोज विधियों से प्राप्त नहीं की जा सकती थी।

अध्ययन ने यह भी प्रदर्शित किया कि यह दृष्टिकोण बहुत सीमित संसाधनों के साथ काम कर सकता है। संपूर्ण परियोजना को मानक कंप्यूटिंग पावर के साथ एक एकल वर्चुअल मशीन पर चलाया गया था, जिसकी कुल लागत पाँच सौ डॉलर से कम थी। यह अन्य हालिया स्वचालित खोज प्रणालियों के बिल्कुल विपरीत है जिन्हें बड़े कंप्यूटर क्लस्टर और करोड़ों डॉलर की कंप्यूटिंग लागत की आवश्यकता होती है। शोधकर्ताओं का सुझाव है कि दक्षता इस तथ्य से आती है कि सिस्टम को किस प्रकार का फीडबैक मिलता है। केवल यह बताने के बजाय कि "यह अच्छा है" या "यह बुरा है", सिस्टम को इस पर विस्तृत रिपोर्ट दी गई कि परीक्षण का कौन सा हिस्सा क्यों विफल हुआ। इसने इसे यादृच्छिक अनुमान लगाने के बजाय लक्षित सुधार करने में सक्षम बनाया।

यद्यपि परिणाम प्रभावशाली हैं, शोधकर्ता अपने कार्य की सीमाओं को नोट करने में सावधानी बरतते हैं। सिस्टम का परीक्षण जैविक समस्याओं के दो विशिष्ट प्रकारों पर किया गया था जहाँ डेटा सुव्यवस्थित है और परिणामों को सटीक रूप से मापा जा सकता है। यह अभी स्पष्ट नहीं है कि क्या यह दृष्टिकोण उन समस्याओं के लिए काम करेगा जहाँ डेटा अव्यवस्थित है, मूल्यांकन महंगा है, या उत्तर आसानी से मापने योग्य नहीं है। शोधकर्ता यह भी बताते हैं कि उनके सिस्टम ने मानव वैज्ञानिकों की जगह नहीं ली बल्कि उनके साथ मिलकर काम किया। एक मानव शोधकर्ता की आवश्यकता डिजिटल प्रयोगशाला को सेटअप करने, नियमों को परिभाषित करने और प्रारंभिक डेटा प्रदान करने के लिए थी। एक मानव ने एक बिंदु पर सिस्टम को अतिरिक्त डेटा स्रोत प्रदान करने के लिए भी हस्तक्षेप किया, जिससे सिस्टम को प्रदर्शन में एक बड़ी छलांग लगाने में मदद मिली। यह सुझाव देता है कि वैज्ञानिक खोज का भविष्य एक ऐसी साझेदारी में हो सकता है जहाँ मनुष्य रणनीतिक दिशा प्रदान करते हैं और एआई प्रयोगों के तीव्र, अथक पुनरावृत्ति को संभालता है।

इस अध्ययन के निष्कर्ष इस बात की एक झलक देते हैं कि भविष्य में कृत्रिम बुद्धिमत्ता केवल जानकारी को प्रोसेस करने से कहीं अधिक क्या कर सकती है; यह खोज की रचनात्मक प्रक्रिया में सक्रिय रूप से भाग ले सकती है। वैज्ञानिक पद्धति की नकल करके, ये सिस्टम जटिल समस्याओं को ऐसे तरीकों से एक्सप्लोर कर सकते हैं जो कुशल और प्रभावी दोनों हैं। वे ऐसे नए एल्गोरिदम और रणनीतियों की खोज कर सकते हैं जो मानव विशेषज्ञों ने शायद न सोची हों, और वे ऐसा पारदर्शिता के स्तर के साथ कर सकते हैं जिससे हमें यह समझने में मदद मिले कि वे अपने निष्कर्षों तक कैसे पहुँचे। जैसे-जैसे तकनीक में सुधार होगा, हम इन प्रणालियों को विज्ञान की एक विस्तृत श्रृंखला में लागू होते देख सकते हैं, जैसे कि नई सामग्रियों का डिजाइन तैयार करना या मानव मस्तिष्क की जटिलताओं को समझना। "द लिटिल साइंटिस्ट" केवल समस्याओं को हल करने का एक उपकरण नहीं है; यह इस बात का प्रमाण है कि वैज्ञानिक खोज की प्रक्रिया को स्वयं स्वचालित किया जा सकता है, जो त्वरित अनुसंधान के एक नए युग के द्वार खोलता है।