Wetenschap vordert vaak niet door een enkele briljante flits van inzicht, maar door een langzame, repetitieve cyclus van gissen, testen en leren van fouten. Een onderzoeker stelt een idee voor, bouwt een instrument om het te testen, ziet waar het faalt, en verfijnt vervolgens het idee op basis van die specifieke mislukkingen. Dit is de wetenschappelijke methode, een proces dat de menselijke ontdekking al eeuwenlang aandrijft. Lange tijd waren computers uitstekend in het verwerken van getallen of het volgen van strikte instructies, maar ze hadden moeite om deze menselijke vorm van redeneren na te bootsen. Ze konden miljoenen willekeurige variaties proberen om een betere oplossing te vinden, een methode die bekend staat als evolutionaire zoektocht, maar ze misten vaak het vermogen om te begrijpen waarom een specifieke poging mislukte of om hun hele aanpak te veranderen wanneer ze vastliepen. De vraag die onderzoekers zich hebben gesteld, is of een computerprogramma geleerd kan worden om te denken als een wetenschapper: hypothesen vormen, deze testen en leren van de resultaten, net zoals een mens dat zou doen.

Een recente studie met de titel "The Little Scientist" beantwoordt deze vraag met een volmondig ja. De onderzoekers bouwden een systeem waarbij een kunstmatige intelligentie-agent optreedt als een wetenschapper, werkend binnen een digitale laboratoriumomgeving om complexe biologische problemen op te lossen. In plaats van blindelings miljoenen willekeurige codeveranderingen uit te proberen, volgt deze agent een strikt, stapsgewijs proces: het vormt een hypothese over hoe een oplossing verbeterd kan worden, schrijft de code om dat idee te testen, voert de test uit en vergelijkt vervolgens het resultaat zorgvuldig met de oorspronkelijke voorspelling. Als het resultaat slechter is dan verwacht, verwerpt de agent de poging niet zomaar; het analyseert de specifieke redenen voor de mislukking om een nieuwe, betere hypothese te vormen. Wanneer de agent vastloopt in een lokale lus van kleine verbeteringen, stapt er een tweede, gespecialiseerde agent in om een compleet nieuwe manier van denken over het probleem voor te stellen, waardoor het systeem wordt gedwongen om uit zijn sleur te breken en nieuw gebied te verkennen.

De onderzoekers testten dit systeem op twee zeer verschillende uitdagingen in de biologie. De eerste was het vinden van verborgen patronen in DNA-sequenties, een taak die cruciaal is voor het begrijpen van hoe genen worden gereguleerd. De tweede was het voorspellen van hoe veranderingen in de structuur van een eiwit de functie ervan zouden beïnvloeden, een probleem dat essentieel is voor de ontwikkeling van medicijnen en het begrijpen van ziekten. In beide gevallen kreeg het systeem alleen de ruwe data en de regels van het spel, zonder voorafgaande kennis van de beste bestaande oplossingen. Het resultaat was de ontdekking van twee nieuwe methoden die de huidige state-of-the-art tools van menselijke experts overtroffen. Voor de DNA-patuurtaak bedacht het systeem een nieuw algoritme vanaf nul dat niet alleen nauwkeuriger was, maar ook elf keer sneller dan de standaardtool die vandaag de dag door wetenschappers wordt gebruikt. Voor de eiwitvoorspellingsopgave ontdekte het een geavanceerde strategie voor het combineren van de voorspellingen van verschillende bestaande modellen, waarmee het een nauwkeurigheidsniveau bereikte dat bovenop een wereldwijde ranglijst van meer dan negentig concurrerende modellen stond.

Wat dit succes bijzonder opmerkelijk maakt, is de efficiëntie van het proces. Het gehele onderzoeksprogramma, dat duizenden iteraties van hypothese en testen omvatte, werd uitgevoerd op één enkele standaard computerserver zonder de noodzaak van gespecialiseerde, dure grafische hardware. Het systeem verbruikte een relatief kleine hoeveelheid rekenkracht vergeleken met andere recente pogingen tot geautomatiseerde ontdekking, die vaak enorme, gedistribueerde netwerken van computers vereisen. De onderzoekers ontdekten dat door de AI te dwingen haar redenering uit te leggen en te leren van specifieke fouten, het systeem veel minder pogingen nodig had om een oplossing te vinden dan methoden die vertrouwen op willekeurige trial-and-error. Dit suggereert dat het aanleren van de wetenschappelijke methode aan machines — in plaats van ze alleen maar te laten gissen en controleren — een veel krachtigere manier kan zijn om ontdekking te automatiseren in de toekomst.

Het systeem, dat de auteur "The Little Scientist" noemt, werkt door een partnerschap tussen twee verschillende rollen. De eerste is de "Scientist"-agent, die optreedt als de primaire onderzoeker. Deze schrijft code, voert experimenten uit en houdt een gedetailleerd logboek bij van gedachten en resultaten. De tweede is de "Kuhn"-agent, vernoemd naar een beroemde wetenschapsfilosoof die beschreef hoe wetenschappelijke vooruitgang soms een radicale verschuiving in perspectief vereist. Wanneer de Scientist-agent geen vooruitgang meer boekt en vastloopt, grijpt de Kuhn-agent in. Deze bekijkt de geschiedenis van de mislukkingen en stelt een compleet nieuwe manier voor om het probleem te kaderen, waarbij vaak inspiratie wordt gehaald uit een ander wetenschappelijk vakgebied. Dit dwingt het systeem om het huidige pad te verlaten en een fundamenteel andere aanpak te proberen, net zoals een menselijke wetenschapper die beseft dat de huidige theorie gebrekkig is en besluit opnieuw te beginnen met een nieuw perspectief.

In de uitdaging rond de ontdekking van DNA-patronen kreeg het systeem de taak om korte DNA-sequenties te vinden die fungeren als bindingsplaatsen voor eiwitten genaoms transcriptiefactoren. Deze locaties zijn cruciaal voor het aan- en uitzetten van genen, maar het vinden ervan is moeilijk omdat de patronen subtiel kunnen zijn en variëren in lengte. Het systeem begon met een basisbenadering en verbeterde zijn methode iteratief gedurende een periode van enkele weken. Het ontdekte dat kijken naar patronen op basis van hoe vaak ze voorkomen en hoe consistent ze voorkomen over verschillende DNA-monsters effectiever was dan eerdere methoden. Het uiteindelijke algoritme dat het produceerde, dat de onderzoekers DALE noemden, was in staat deze patronen met grotere nauwkeurigheid te identificeren dan de beste bestaande tools. Het deed dit terwijl het aanzienlijk sneller draaide; het verwerkte de data in seconden waar oudere tools minuten of uren over deden. Het systeem bereikte dit zonder dat het over deze specifieke strategieën werd ingelicht; het ontdekte ze volledig zelfstandig door de cyclus van hypothese en testen.

De tweede uitdaging betrof het voorspellen van hoe mutaties in eiwitten hun fitness zouden beïnvloeden, oftewel hoe goed ze functioneren. Dit is een complex probleem omdat eiwitten zijn opgebouwd uit lange ketens van bouwstenen, en het veranderen van zelfs maar één blokje onvoorspelbare effecten kan hebben. Het systeem kreeg voorspellingen van vijf verschillende bestaande modellen en de opdracht om deze te combineren tot één betere voorspelling. In plaats van simpelweg de resultaten te middelen, ontwikkelde het systeem een strategie genaamd Delta V. Het leerde de weging van de voorspelling van elk model aan te passen op basis van hoe zelfverzekerd dat model was en hoe de specifieke mutatie de structuur van het eiwit beïnvloedde. Het ontwikkelde ook een manier om informatie te delen tussen nabijgelegen delen van het eiwit, waarbij het besefte dat als een model fout zat over één deel, het waarschijnlijk ook fout zat over de naburige delen. Deze aanpak stelde het systeem in staat om alle andere modellen op een belangrijke wereldwijde benchmark te verslaan, waarbij het het op één na beste model met een aanzienlijke marge overtrof.

Het succes van The Little Scientist benadrukt een verschuiving in hoe we kunstmatige intelligentie kunnen gebruiken in de wetenschap. In plaats van AI te behandelen als een hulpmiddel dat simpelweg instructies uitvoert of patronen in data zoekt, behandelt deze aanpak de AI als een junior onderzoeker. Het krijgt de vrijheid om te redeneren, fouten te maken en van die fouten te leren op een gestructureerde manier. De onderzoekers ontdekten dat het vermogen van het systeem om expliciete voorspellingen te doen en deze vervolgens te verzoenen met de werkelijke resultaten, de sleutel tot succes was. Wanneer het systeem voorspelde dat een verandering de resultaten zou verbeteren maar dat niet gebeurde, ging het niet zomaar verder; het analyseerde de discrepantie om te begrijpen wat er misging. Dit proces van leren van falen, in plaats van het simpelweg te verwerpen, stelde het systeem in staat een diep begrip van het probleem op te bouwen dat willekeurige zoekmethoden niet konden bereiken.

De studie toonde ook aan dat deze aanpak met zeer beperkte middelen kan werken. Het volledige project werd uitgevoerd op één virtuele machine met standaard rekenkracht, tegen een totale kosten van minder dan vijfhonderd dollar. Dit staat in scherp contrast met andere recente systemen voor geautomatiseerde ontdekking die enorme computerclusters en miljoenen dollars aan rekenkosten vereisen. De onderzoekers suggereren dat de efficiëntie voortkomt uit de kwaliteit van de feedback die het systeem ontvangt. In plaats van alleen te horen "dit is goed" of "dit is slecht", kreeg het systeem gedetailleerde rapporten over precies welke delen van de test faalden en waarom. Dit stelde het in staat om gerichte verbeteringen aan te brengen in plaats van willekeurige gissingen te doen.

Hoewel de resultaten indrukwekkend zijn, merken de onderzoekers voorzichtig op dat er beperkingen zijn aan hun werk. Het systeem is getest op twee specifieke soorten biologische problemen waarbij de data goed georganiseerd is en de resultaten nauwkeurig gemeten kunnen worden. Het is nog niet duidelijk of deze aanpak zal werken bij problemen waarbij de data rommelig is, de evaluatie kostbaar is, of het antwoord niet gemakkelijk kwantificeerbaar is. De onderzoekers wijzen er ook op dat hun systeem de menselijke wetenschappers niet heeft vervangen, maar eerder naast hen heeft gewerkt. Een menselijke onderzoeker was nodig om het digitale laboratorium op te zetten, de regels te definiëren en de initiële data te leveren. De mens stapte ook op een gegeven moment in om het systeem van aanvullende databronnen te voorzien, wat het systeem een aanzienlijke sprong in prestaties opleverde. Dit suggereert dat de toekomst van wetenschappelijke ontdekking mogelijk ligt in een partnerschap waarbij mensen de strategische richting bepalen en de AI de snelle, onvermoeibare iteratie van experimenten afhandelt.

De bevindingen van deze studie bieden een blik op een toekomst waarin kunstmatige intelligentie meer kan dan alleen informatie verwerken; het kan actief deelnemen aan het creatieve proces van ontdekking. Door de wetenschappelijke methode na te bootsen, kunnen deze systemen complexe problemen verkennen op een manier die zowel efficiënt als effectief is. Ze kunnen nieuwe algoritmen en strategieën ontdekken die menselijke experts misschien niet hadden bedacht, en ze kunnen dat doen met een niveau van transparantie waardoor we precies kunnen begrijpen hoe ze tot hun conclusies zijn gekomen. Naarmate de technologie verbetert, kunnen we deze systemen toegepast zien worden op een breder scala aan wetenschappelijke uitdagingen, van het ontwerpen van nieuwe materialen tot het begrijpen van de complexiteit van het menselijk brein. The Little Scientist is niet alleen een hulpmiddel voor het oplossen van problemen; het is een demonstratie dat het proces van wetenschappelijke ontdekking zelf geautomatiseerd kan worden, wat de deur opent naar een nieuw tijdperk van versneld onderzoek.