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

आधुनिक प्रयोगशाला में, एक नए प्रकार के सहायक का उदय हो रहा है, जो पिपेट नहीं बल्कि बातचीत करता है। ये कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ हैं जिन्हें "सह-वैज्ञानिकों" के रूप में कार्य करने के लिए डिज़ाइन किया गया है—स्वायत्त एजेंट जो एक जैविक अनुक्रम (biological sequence) को पढ़ सकते हैं, यह तय कर सकते हैं कि किन डिजिटल उपकरणों का उपयोग करना है, और एक जटिल प्रश्न का उत्तर जोड़ने के लिए उन्हें संयोजित कर सकते हैं। वे एक बड़े लक्ष्य को छोटे चरणों में तोड़कर, अपने काम की जाँच करके और अपने मार्ग को परिष्कृत करके कार्य करते हैं, ठीक वैसे ही जैसे एक मानव शोधकर्ता एक परिकल्पना से निष्कर्ष की ओर बढ़ता है। हालाँकि, इन प्रणालियों को बनाने में एक कठिन विकल्प शामिल है। एक मार्ग विशाल, लचीले भाषा मॉडलों (language models) पर निर्भर करता है जो अनिश्चितता के बीच तर्क कर सकते हैं लेकिन वे महंगे, धीमे और कभी-कभी असंगत होते हैं। दूसरा मार्ग शास्त्रीय, सीखे हुए नीतियों (learned policies) का उपयोग करता है—ऐसी प्रणालियाँ जिन्हें नियमों के एक सख्त सेट का पालन करने के लिए परीक्षण और त्रुटि के माध्यम से प्रशिक्षित किया जाता है। ये सस्ती, तेज़ और पूरी तरह से सुसंगत हैं, लेकिन इनमें अपने सोचने के तरीके को समझाने या नई स्थितियों के अनुकूल होने की क्षमता नहीं है। जैसे-जैसे वैज्ञानिक इन उपकरणों को विभिन्न संस्थानों और कंप्यूटर नेटवर्कों में तैनात करना शुरू कर रहे हैं, एक महत्वपूर्ण प्रश्न उठता है: क्या इन एजेंटों के जुड़ने का तरीका या उनके द्वारा उपयोग किया जाने वाला विशिष्ट मस्तिष्क अधिक महत्वपूर्ण है या उनके द्वारा अपनाई जाने वाली रणनीति?

पैसिफिक नॉर्थवेस्ट नेशनल लैबोरेटरी के शोधकर्ताओं की एक टीम ने एक नियंत्रित वातावरण में इन विभिन्न दृष्टिकोणों को परखकर इसका उत्तर देने का प्रयास किया। उन्होंने जीव विज्ञान के एक नियमित लेकिन महत्वपूर्ण कार्य पर ध्यान केंद्रित किया: प्रोटीन का लक्षण वर्णन (characterizing proteins)। एक प्रोटीन वह अणु है जो जीवित कोशिकाओं के भीतर विशिष्ट कार्य करता है, और इसकी कार्यक्षमता अक्सर इसके निर्माण खंडों (building blocks) के अनुक्रम द्वारा निर्धारित होती है। शोधकर्ताओं ने अपने AI एजेंटों को एक प्रोटीन अनुक्रम को देखने और डिजिटल उपकरणों की एक श्रृंखला के माध्यम से उसे रूट करके उसके कार्य की भविष्यवाणी करने के लिए कहा, जैसे कि डेटाबेस जो अनुक्रमों की तुलना करते हैं या 3D संरचनाओं की भविष्यवाणी करने वाला सॉफ़्टवेयर। उन्होंने एजेंटों का परीक्षण दो अलग-अलग नेटवर्क सेटअप के तहत किया: एक सरल, एकल-सर्वर सेटअप जहाँ सभी उपकरण पास में थे, और एक अधिक जटिल, फेडरेटेड सेटअप जहाँ उपकरण विभिन्न सर्वरों पर बिखरे हुए थे, जो इस बात की नकल करते हैं कि वास्तविक दुनिया की वैज्ञानिक प्रयोगशालाएँ सीमाओं के पार डेटा कैसे साझा करती हैं।

अध्ययन ने दो मुख्य प्रकार के एजेंटों की तुलना की। पहले प्रकार के मॉडल ने एक शक्तिशाली भाषा मॉडल का उपयोग किया, जो मूल रूप से एक परिष्कृत चैटबॉट है, ताकि यह तय किया जा सके कि अगला उपकरण कौन सा उपयोग करना है। इन मॉडलों को उनके तर्क को निर्देशित करने के लिए सरल निर्देश या विस्तृत, विशेषज्ञ-स्तरीय प्रॉम्प्ट दिए गए थे। दूसरे प्रकार के मॉडल ने एक शास्त्रीय सुदृढीकरण शिक्षण (reinforcement learning) एजेंट का उपयोग किया, जो प्राकृतिक भाषा तर्क के बिना, सही उत्तर तक पहुँचने के सबसे कुशल पथ को सीखने के लिए हजारों अभ्यास दौरों के माध्यम से प्रशिक्षित एक सिस्टम है। शोधकर्ताओं ने इन प्रयोगों को सैकड़ों बार चलाया, यह मापते हुए कि एजेंट कितनी बार सही उत्तर प्राप्त करते हैं, इसमें कितना समय लगता है, इसकी लागत कितनी है, और क्या एजेंट एक ही प्रश्न पूछे जाने पर हर बार समान उत्तर देते हैं।

परिणामों ने महत्व के एक स्पष्ट पदानुक्रम को प्रकट किया। सफलता को निर्धारित करने वाला सबसे महत्वपूर्ण कारक नेटवर्क सेटअप या दिए गए विशिष्ट निर्देश नहीं थे, बल्कि स्वयं मॉडल की अंतर्निहित बुद्धिमत्ता थी। जब एजेंटों ने शीर्ष-स्तरीय भाषा मॉडल का उपयोग किया, तो उन्होंने लगभग 92 से 94 प्रतिशत की सटीकता दर हासिल की। जब उन्होंने एक छोटे, कम सक्षम मॉडल का उपयोग किया, तो सटीकता गिरकर 40 से 50 प्रतिशत के बीच रह गई। उपकरणों को नेटवर्क में जोड़ने के तरीके का प्रदर्शन पर लगभग कोई प्रभाव नहीं पड़ा; चाहे एजेंट एक ही कमरे में काम कर रहे हों या एक वितरित नेटवर्क में, उनकी सफलता दर लगभग समान रही। यह सुझाव देता है कि इस प्रकार के कार्यों के लिए, उपकरणों के बीच की भौतिक या डिजिटल दूरी वैज्ञानिक खोज में एक बड़ी बाधा नहीं है।

शायद सबसे चौंकाने वाला निष्कर्ष लचीलेपन और विश्वसनीयता के बीच के व्यापार (trade-off) से संबंधित था। शक्तिशाली भाषा मॉडल उच्च गुणवत्ता वाले परिणाम दे सकते थे, लेकिन वे महंगे और असंगत थे। सबसे अच्छे भाषा मॉडल ने भी लगभग 2 से 3 प्रतिशत मामलों में एक ही प्रोटीन के लिए अलग उत्तर दिया, और इन मॉडलों को चलाने की लागत महत्वपूर्ण थी, जो लगभग 63 सेंट से 93 सेंट प्रति प्रोटीन तक थी। इसके विपरीत, शास्त्रीय शिक्षण एजेंट, जिसमें अपने तर्क को समझाने या अपनी रणनीति को अनुकूलित करने की कोई क्षमता नहीं थी, प्रत्येक परीक्षण में पूर्णतः सटीक था। इसने 88 प्रतिशत की सटीकता प्राप्त की, जो सर्वश्रेष्ठ भाषा मॉडल के लगभग बराबर थी, लेकिन इसने यह कार्य लगभग 15 सेकंड में और शून्य लागत पर किया। यह पूरी तरह से सुसंगत भी था, और एक ही प्रश्न को पांच बार पूछे जाने पर भी इसने कभी अपना उत्तर नहीं बदला।

शोधकर्ताओं ने पाया कि रणनीति का चुनाव पूरी तरह से कार्य की प्रकृति पर निर्भर करता है। उन नियमित कार्यों के लिए जहाँ उत्तर को ज्ञात डेटा के विरुद्ध सत्यापित किया जा सकता है, जैसे कि एक अच्छी तरह से ज्ञात कार्य वाले प्रोटीन की पहचान करना, सस्ता, तेज़ और पूरी तरह से सुसंगत शास्त्रीय एजेंट बेहतर विकल्प है। यह ज्ञात तथ्यों की रिकवरी के लिए निश्चित नीति की तुलना में तर्क की कम मूल्यवानता के साथ, ज्ञात डेटा के विरुद्ध सत्यापन योग्य सटीकता प्रदान करता है। हालाँकि, खुले वैज्ञानिक अन्वेषण के लिए जहाँ उत्तर अज्ञात है और लचीलेपन की आवश्यकता है, वहाँ महंगा भाषा मॉडल आवश्यक बना हुआ है। अध्ययन बताता है कि भाषा मॉडलों द्वारा प्रदान किए गए विस्तृत तर्क (reasoning traces) का मूल्य कार्य की नवीनता के साथ बढ़ता है। अंततः, यह कार्य इन प्रणालियों को बनाने वाले वैज्ञानिकों के लिए एक व्यावहारिक मार्गदर्शिका प्रदान करता है: यह न मानें कि एक अधिक जटिल, लचीला मस्तिष्क हमेशा बेहतर होता है। कई वैज्ञानिक वर्कफ़्लो के लिए, एक सरल, सीखा हुआ नियम न केवल पर्याप्त है, बल्कि आगे बढ़ने का सबसे कुशल मार्ग भी है।