“മനുഷ്യബുദ്ധി വർദ്ധിപ്പിക്കുന്നതിലൂടെ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഒരു പുതിയ നവോത്ഥാനത്തിന് കാരണമായേക്കാം, ഒരുപക്ഷേ ജ്ഞാനോദയത്തിന്റെ ഒരു പുതിയ ഘട്ടം,” ആധുനിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (എഐ) ഗോഡ്ഫാദർമാരിൽ ഒരാളായ യാൻ ലെകൺ ഈ വർഷം ആദ്യം നിർദ്ദേശിച്ചു. നിലവിലുള്ള ചില ശാസ്ത്രീയ പ്രക്രിയകളെ വേഗത്തിലും കാര്യക്ഷമവുമാക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് ഇതിനകം കഴിയും, പക്ഷേ ശാസ്ത്രം ചെയ്യുന്ന രീതിയിൽ മാറ്റം വരുത്തുന്നതിലൂടെ കൂടുതൽ ചെയ്യാൻ കഴിയുമോ?

ഇത്തരം മാറ്റങ്ങള് മുമ്പും ഉണ്ടായിട്ടുണ്ട്. പതിനേഴാം നൂറ്റാണ്ടിൽ ശാസ്ത്രീയ രീതിയുടെ ആവിർഭാവത്തോടെ, ഗവേഷകർ പരീക്ഷണാത്മക നിരീക്ഷണങ്ങളെയും അവയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ സിദ്ധാന്തങ്ങളെയും പുരാതനതയുടെ ജ്ഞാനത്തേക്കാൾ വിശ്വസിച്ചു. ഈ പ്രക്രിയയെ നിർണായകമായി, ശാസ്ത്ര ജേണലുകളുടെ വരവ് പിന്തുണച്ചു, ഇത് ഗവേഷകരെ അവരുടെ കണ്ടെത്തലുകൾ പങ്കിടാൻ അനുവദിച്ചു, മുൻഗണന അവകാശപ്പെടാനും മറ്റുള്ളവരെ അവരുടെ ഫലങ്ങൾ പകർത്താനും കെട്ടിപ്പടുക്കാനും പ്രോത്സാഹിപ്പിക്കാനും. ജേണലുകൾ അറിവിന്റെ പങ്കിട്ട ശരീരത്തിന് ചുറ്റും ഒരു അന്താരാഷ്ട്ര ശാസ്ത്ര സമൂഹത്തെ സൃഷ്ടിച്ചു, ഇത് ഇന്ന് ശാസ്ത്ര വിപ്ലവം എന്നറിയപ്പെടുന്ന കണ്ടെത്തലുകളുടെ കുതിച്ചുചാട്ടത്തിന് കാരണമായി.

പത്തൊൻപതാം നൂറ്റാണ്ടിന്റെ അവസാനത്തിൽ ഗവേഷണ ലബോറട്ടറികൾ സ്ഥാപിച്ചതോടെ കൂടുതൽ പരിവർത്തനം ആരംഭിച്ചു- ആശയങ്ങൾ, ആളുകൾ, വസ്തുക്കൾ എന്നിവ വ്യാവസായിക തലത്തിൽ സംയോജിപ്പിക്കാൻ കഴിയുന്ന നവീകരണ ഫാക്ടറികൾ. ഇത് രാസവസ്തുക്കളും അർദ്ധചാലകങ്ങളും മുതൽ ഫാർമസ്യൂട്ടിക്കൽസ് വരെ കൂടുതൽ നവീകരണത്തിലേക്ക് നയിച്ചു. ഈ മാറ്റങ്ങൾ ശാസ്ത്രീയ ഉൽപാദനക്ഷമത വർദ്ധിപ്പിക്കുക മാത്രമല്ല ചെയ്തത്. അവർ ശാസ്ത്രത്തെ തന്നെ രൂപാന്തരപ്പെടുത്തി, ഗവേഷണത്തിന്റെയും കണ്ടെത്തലിന്റെയും പുതിയ മേഖലകൾ തുറന്നു. പുതിയ ഫലങ്ങൾ സൃഷ്ടിക്കുക മാത്രമല്ല, പുതിയ ഫലങ്ങൾ സൃഷ്ടിക്കുന്നതിനുള്ള പുതിയ മാർഗങ്ങളും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് എങ്ങനെ സമാനമായ എന്തെങ്കിലും ചെയ്യാൻ കഴിയും?

“സാഹിത്യ അധിഷ്ഠിത കണ്ടെത്തൽ” (എൽബിഡി) ആണ് ഒരു നല്ല സമീപനം, അതിന്റെ പേര് സൂചിപ്പിക്കുന്നത് പോലെ, ശാസ്ത്രീയ സാഹിത്യം വിശകലനം ചെയ്ത് പുതിയ കണ്ടെത്തലുകൾ നടത്താൻ ലക്ഷ്യമിടുന്നു. 1980 കളിൽ ചിക്കാഗോ സർവകലാശാലയിലെ ഡോൺ സ്വാൻസൺ നിർമ്മിച്ച ആദ്യത്തെ എൽബിഡി സിസ്റ്റം മെഡിക്കൽ ജേണലുകളുടെ ഡാറ്റാബേസായ മെഡ്ലൈനിൽ നൂതന കണക്ഷനുകൾ തേടി. ആദ്യകാല വിജയത്തിൽ, ഇത് രണ്ട് വ്യത്യസ്ത നിരീക്ഷണങ്ങൾ ഒരുമിച്ചു ചേർത്തു – ഒരു രക്തചംക്രമണ തകരാറായ റെയ്നോഡിന്റെ രോഗം രക്ത വിസ്കോസിറ്റിയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്നും മത്സ്യ എണ്ണ രക്ത വിസ്കോസിറ്റി കുറയ്ക്കുന്നുവെന്നും – അതിനാൽ മത്സ്യ എണ്ണ ഉപയോഗപ്രദമായ ചികിത്സയായിരിക്കാമെന്ന് നിർദ്ദേശിച്ചു. ഈ സിദ്ധാന്തം പിന്നീട് പരീക്ഷണാത്മകമായി പരിശോധിച്ചു.

ഞങ്ങൾ ബാറ്ററി ചാർജ് ചെയ്യുന്നു

എന്നാൽ ഡോ.സ്വാൻസന്റെ എൽബിഡി സംവിധാനം അക്കാലത്ത് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കമ്മ്യൂണിറ്റിക്ക് പുറത്ത് പിടിക്കുന്നതിൽ പരാജയപ്പെട്ടു. ഇന്ന് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങൾ സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗിൽ കൂടുതൽ കഴിവുള്ളവയായി മാറിയിരിക്കുന്നു, കൂടാതെ ചവയ്ക്കാൻ ശാസ്ത്രീയ സാഹിത്യത്തിന്റെ വളരെ വലിയ ശേഖരമുണ്ട്. എൽബിഡി ശൈലിയിലുള്ള സമീപനങ്ങളോടുള്ള താൽപ്പര്യം ഇപ്പോൾ മറ്റ് മേഖലകളിൽ, പ്രത്യേകിച്ച് മെറ്റീരിയൽസ് സയൻസ് വളരുന്നു.

ഉദാഹരണത്തിന്, 2019 ൽ, അമേരിക്കയിലെ ലോറൻസ് ബെർക്ക്ലി നാഷണൽ ലബോറട്ടറിയിലെ വാഹെ ഷിറ്റോയന്റെ നേതൃത്വത്തിലുള്ള ഒരു കൂട്ടം ഗവേഷകർ മെറ്റീരിയൽസ്-സയൻസ് പേപ്പറുകളുടെ അമൂർത്തങ്ങൾ വിശകലനം ചെയ്യുന്നതിനും വിവിധ വസ്തുക്കളുടെ ഗുണങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ “വേഡ് എംബഡിംഗ്സ്” എന്നറിയപ്പെടുന്ന ഗണിത പ്രാതിനിധ്യങ്ങളിലേക്ക് വേർതിരിച്ചെടുക്കുന്നതിനും മേൽനോട്ടമില്ലാത്ത പഠനം എന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാങ്കേതികവിദ്യ ഉപയോഗിച്ചു. ഇവ ആശയങ്ങളെ ഒരു മൾട്ടി-ഡയമെൻഷണൽ സ്പേസിലേക്ക് കൊണ്ടുവരുന്നു, അവിടെ സമാന ആശയങ്ങൾ ഒരുമിച്ച് കൂട്ടിച്ചേർക്കപ്പെടുന്നു. അങ്ങനെ സിസ്റ്റം ഒരു “രാസ അവബോധം” നേടി, ഉദാഹരണത്തിന്, മറ്റൊരു മെറ്റീരിയലിന് സമാനമായ ഗുണങ്ങളുള്ള വസ്തുക്കൾ നിർദ്ദേശിക്കാൻ കഴിയും. തെർമോ ഇലക്ട്രിക് ഗുണങ്ങളുള്ള വസ്തുക്കൾ (താപനില വ്യത്യാസം ഒരു വൈദ്യുത വോൾട്ടേജാക്കി മാറ്റാനുള്ള കഴിവ്, തിരിച്ചും) നിർദ്ദേശിക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനോട് ആവശ്യപ്പെട്ടു. ഏറ്റവും പ്രതീക്ഷ നൽകുന്ന പത്ത് കാൻഡിഡേറ്റ് മെറ്റീരിയലുകൾ തിരഞ്ഞെടുത്തു, പരീക്ഷണാത്മക പരിശോധനയിൽ പത്തും അസാധാരണമാംവിധം ശക്തമായ തെർമോഇലക്ട്രിക് ഗുണങ്ങൾ പ്രദർശിപ്പിക്കുന്നുവെന്ന് കണ്ടെത്തി.

ഗവേഷകർ അവരുടെ സിസ്റ്റം വീണ്ടും പരിശീലിപ്പിക്കുകയും സമീപ വർഷങ്ങളിൽ നിന്നുള്ള പ്രബന്ധങ്ങൾ ഒഴിവാക്കുകയും പിന്നീടുള്ള വർഷങ്ങളിൽ ഏത് പുതിയ തെർമോഇലക്ട്രിക് വസ്തുക്കൾ കണ്ടെത്തുമെന്ന് പ്രവചിക്കാൻ ആവശ്യപ്പെടുകയും ചെയ്തു. യാദൃശ്ചികമായി മാത്രം പ്രതീക്ഷിക്കുന്നതിനേക്കാൾ അത്തരം കണ്ടെത്തലുകൾ പ്രവചിക്കുന്നതിൽ സിസ്റ്റം എട്ട് മടങ്ങ് കൃത്യത പുലർത്തി. “ഫോട്ടോവോൾട്ടായിക്” പോലുള്ള മറ്റ് പദങ്ങൾ ഉപയോഗിച്ച് കൃത്യമായ കണ്ടെത്തൽ പ്രവചനങ്ങളും നടത്താൻ ഇതിന് കഴിയും. “അത്തരം ഭാഷാ അധിഷ്ഠിത അനുമാന രീതികൾക്ക് പ്രകൃതി-ഭാഷാ പ്രോസസ്സിംഗും ശാസ്ത്രവും തമ്മിലുള്ള കവലയിൽ തികച്ചും പുതിയ ഗവേഷണ മേഖലയായി മാറാൻ കഴിയും” എന്ന് ഗവേഷകർ നിഗമനം ചെയ്തു.

ചിക്കാഗോ സർവകലാശാലയിലെ സാമൂഹ്യശാസ്ത്രജ്ഞരായ ജംഷിദ് സൗരതി, ജെയിംസ് ഇവാൻസ് എന്നിവരുടെ നേച്ചർ ഹ്യൂമൻ ബിഹേവിയറിൽ ഈ വർഷം പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധം ഈ സമീപനത്തെ ഒരു പുതിയ രീതിയിൽ വിപുലീകരിക്കുന്നു. എൽബിഡി സംവിധാനങ്ങൾ പ്രബന്ധങ്ങൾക്കുള്ളിലെ ആശയങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും അവയുടെ രചയിതാക്കളെ അവഗണിക്കുകയും ചെയ്യുന്നു എന്ന നിരീക്ഷണത്തിൽ നിന്നാണ് ഇത് ആരംഭിക്കുന്നത്. അതിനാൽ ഇവ രണ്ടും കണക്കിലെടുക്കാൻ അവർ ഒരു എൽബിഡി സംവിധാനം പരിശീലിപ്പിച്ചു. ഡോ.ഷിറ്റോയന്റെ ടീം നിർമ്മിച്ചതിനേക്കാൾ മെറ്റീരിയൽ സയൻസിലെ പുതിയ കണ്ടെത്തലുകൾ പ്രവചിക്കുന്നതിൽ ഫലമായുള്ള സംവിധാനം ഇരട്ടി മികച്ചതായിരുന്നു, കൂടാതെ യഥാർത്ഥ കണ്ടെത്തലുകളെ 40% ത്തിലധികം കൃത്യതയോടെ പ്രവചിക്കാനും കഴിഞ്ഞു. എന്നാൽ ഗവേഷകർ ഒരു പടി കൂടി മുന്നോട്ട് പോയി. ജനക്കൂട്ടത്തെ പിന്തുടരുകയും ഗവേഷകർ പുതിയ കണ്ടെത്തലുകൾ എവിടെ നടത്തുമെന്ന് പ്രവചിക്കുകയും ചെയ്യുന്നതിനുപകരം, ആൾക്കൂട്ടത്തെ ഒഴിവാക്കാനും ശാസ്ത്രീയമായി വിശ്വസനീയവും എന്നാൽ സാധാരണ ഗതിയിൽ സമീപഭാവിയിൽ കണ്ടെത്താൻ സാധ്യതയില്ലാത്തതുമായ “അന്യഗ്രഹ” സിദ്ധാന്തങ്ങൾ തിരിച്ചറിയാനും അവർ അവരുടെ മാതൃകയോട് ആവശ്യപ്പെട്ടു. അതിനാൽ, ഈ സിസ്റ്റത്തിന് സമീപകാല കണ്ടെത്തലുകളെ ത്വരിതപ്പെടുത്താനും പുതിയ കണ്ടെത്തലുകൾ കാത്തിരിക്കുന്ന “അന്ധമായ സ്ഥലങ്ങൾ” അന്വേഷിക്കാനും കഴിയുമെന്ന് ഗവേഷകർ വാദിക്കുന്നു.

അന്വേഷിക്കാൻ പുതിയ സിദ്ധാന്തങ്ങൾ നിർദ്ദേശിക്കുന്നതിനൊപ്പം, രചയിതാവിനെ കണക്കിലെടുക്കുന്ന എൽബിഡി സംവിധാനങ്ങൾക്ക് പരസ്പരം അറിയാത്ത സഹകാരികളെ നിർദ്ദേശിക്കാനും കഴിയും. വ്യത്യസ്ത മേഖലകളിൽ പ്രവർത്തിക്കുന്ന ശാസ്ത്രജ്ഞരെ തിരിച്ചറിയുമ്പോൾ ഈ സമീപനം പ്രത്യേകിച്ചും ഫലപ്രദമാണ്, ഗവേഷണത്തിന്റെ പൂരക മേഖലകളെ ബന്ധിപ്പിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മധ്യസ്ഥത വഹിക്കുമ്പോൾ ക്രോസ് ഡിസിപ്ലിനറി ഗവേഷണ സഹകരണങ്ങൾ “അപൂർവങ്ങളിൽ നിന്ന് കൂടുതൽ സാധാരണമായി മാറും” എന്ന് സതേൺ കാലിഫോർണിയ സർവകലാശാലയിലെ കമ്പ്യൂട്ടർ സയന്റിസ്റ്റ് യോലാൻഡ ഗിൽ പറയുന്നു. പട്ടികകൾ, ചാർട്ടുകൾ, ജീൻ സീക്വൻസുകൾ, പ്രോഗ്രാമിംഗ് കോഡ് തുടങ്ങിയ ഡാറ്റ എന്നിവ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന തരത്തിൽ എൽബിഡി സംവിധാനങ്ങൾ വിപുലീകരിക്കുമ്പോൾ, അവ കൂടുതൽ കഴിവുള്ളവയാകും. ഭാവിയിൽ, പുതിയ ശാസ്ത്ര പ്രബന്ധങ്ങളുടെ പ്രളയം നിരീക്ഷിക്കുന്നതിനും പ്രസക്തമായ ഫലങ്ങൾ ഉയർത്തിക്കാട്ടുന്നതിനും ഗവേഷണത്തിനായി നൂതന സിദ്ധാന്തങ്ങൾ നിർദ്ദേശിക്കുന്നതിനും ഒരു ശാസ്ത്രീയ മാച്ച് മേക്കിംഗ് സേവനം പോലുള്ള ഗവേഷണ പങ്കാളികളുമായി അവയെ ബന്ധിപ്പിക്കുന്നതിനും ഗവേഷകർ അത്തരം സംവിധാനങ്ങളെ ആശ്രയിച്ചേക്കാം. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണങ്ങൾക്ക് ശാസ്ത്രീയ പ്രസിദ്ധീകരണത്തിന്റെ നിലവിലുള്ളതും നൂറ്റാണ്ടുകൾ പഴക്കമുള്ളതുമായ അടിസ്ഥാന സൗകര്യങ്ങൾ വിപുലീകരിക്കാനും പരിവർത്തനം ചെയ്യാനും കഴിയും.

ഞങ്ങൾ ഊർജ്ജം നിറഞ്ഞവരാണ്

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിച്ച് ജേണലിനെ സൂപ്പർചാർജ് ചെയ്യുമെന്ന് എൽബിഡി വാഗ്ദാനം ചെയ്യുകയാണെങ്കിൽ, “റോബോട്ട് ശാസ്ത്രജ്ഞർ” അല്ലെങ്കിൽ “സെൽഫ് ഡ്രൈവിംഗ് ലാബുകൾ” ലബോറട്ടറിക്കും ഇത് ചെയ്യുമെന്ന് വാഗ്ദാനം ചെയ്യുന്നു. ഈ മെഷീനുകൾ ഡ്രഗ് സ്ക്രീനിംഗ് പ്ലാറ്റ്ഫോമുകൾ പോലുള്ള ലബോറട്ടറി ഓട്ടോമേഷന്റെ നിലവിലുള്ള രൂപങ്ങൾക്കപ്പുറത്തേക്ക് പോകുന്നു. പകരം, ഡാറ്റ, ഗവേഷണ പ്രബന്ധങ്ങൾ, പേറ്റന്റുകൾ എന്നിവയുടെ രൂപത്തിൽ ഗവേഷണത്തിന്റെ ഒരു പ്രത്യേക മേഖലയെക്കുറിച്ചുള്ള പശ്ചാത്തല അറിവ് അവർക്ക് നൽകുന്നു. തുടർന്ന് അവർ അനുമാനങ്ങൾ രൂപപ്പെടുത്തുന്നതിനും റോബോട്ടുകൾ ഉപയോഗിച്ച് പരീക്ഷണങ്ങൾ നടത്തുന്നതിനും ഫലങ്ങൾ വിലയിരുത്തുന്നതിനും അവരുടെ അനുമാനങ്ങൾ പരിഷ്കരിക്കുന്നതിനും ചക്രം ആവർത്തിക്കുന്നതിനും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുന്നു. 2009 ൽ വെയിൽസിലെ അബെറിസ്റ്റ്വിത്ത് സർവകലാശാലയിൽ നിർമ്മിച്ച ആദം എന്ന യന്ത്രം യീസ്റ്റ് മെറ്റബോളിസത്തിലെ ജീനുകളും എൻസൈമുകളും തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ച് പരീക്ഷണങ്ങൾ നടത്തി.

ആദാമിന്റെ പിൻഗാമിയായ ഹവ്വാ മരുന്ന് കണ്ടെത്തൽ പരീക്ഷണങ്ങൾ നടത്തുകയും കൂടുതൽ സങ്കീർണ്ണമായ സോഫ്റ്റ്വെയർ കൈവശം വയ്ക്കുകയും ചെയ്യുന്നു. പരീക്ഷണങ്ങൾ ആസൂത്രണം ചെയ്യുകയും വിശകലനം ചെയ്യുകയും ചെയ്യുമ്പോൾ, രാസഘടനകളെ ബയോളജിക്കൽ ഇഫക്റ്റുകളുമായി ബന്ധിപ്പിക്കുന്ന ഗണിത മാതൃകകളായ “ക്വാണ്ടിറ്റേറ്റീവ് സ്ട്രക്ചർ ആക്റ്റിവിറ്റി റിലേഷൻഷിപ്പുകൾ” (ക്യുഎസ്എആർ) സൃഷ്ടിക്കാൻ ഇത് മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ടൂത്ത് പേസ്റ്റിൽ ഉപയോഗിക്കുന്ന ആന്റിമൈക്രോബയൽ സംയുക്തമായ ട്രൈക്ലോസാൻ മലേറിയ ഉണ്ടാക്കുന്ന പരാന്നഭോജികളിൽ ഒരു അവശ്യ സംവിധാനത്തെ തടയാൻ കഴിയുമെന്ന് ഹവ്വ കണ്ടെത്തി.

ആദാമിനെ സൃഷ്ടിച്ച കേംബ്രിഡ്ജ് സർവകലാശാലയിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷകനായ റോസ് കിംഗ്, ചെസ്സും ഗോയും കളിക്കാൻ നിർമ്മിച്ച ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങളുമായി ഭാവിയിലെ റോബോട്ട് ശാസ്ത്രജ്ഞർ തമ്മിലുള്ള സാദൃശ്യം വരയ്ക്കുന്നു. യന്ത്രങ്ങൾ ഒരിക്കൽ മികച്ച മനുഷ്യ കളിക്കാരെ തോൽപ്പിക്കാനുള്ള സാധ്യത പതിറ്റാണ്ടുകൾ അകലെയാണെന്ന് തോന്നി, പക്ഷേ സാങ്കേതികവിദ്യ പ്രതീക്ഷിച്ചതിലും വേഗത്തിൽ മെച്ചപ്പെട്ടു. മാത്രമല്ല, മനുഷ്യ കളിക്കാർ പരിഗണിക്കാത്ത ഗെയിമുകൾക്കായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ തന്ത്രങ്ങൾ വികസിപ്പിച്ചു. റോബോട്ട് ശാസ്ത്രജ്ഞർ കൂടുതൽ കഴിവുള്ളവരാകുമ്പോൾ സമാനമായ എന്തെങ്കിലും സംഭവിക്കാം. “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് ഒരു പൂർണ്ണ പരികൽപ്പന ഇടം പര്യവേക്ഷണം ചെയ്യാനും ഇടം വിപുലീകരിക്കാനും കഴിയുമെങ്കിൽ, മനുഷ്യർ പരികൽപ്പന ഇടത്തിന്റെ ചെറിയ പ്രദേശങ്ങൾ മാത്രമേ പര്യവേക്ഷണം ചെയ്യുന്നുള്ളൂവെന്ന് ഇത് കാണിക്കുന്നു, ഒരുപക്ഷേ അവരുടെ സ്വന്തം ശാസ്ത്രീയ പക്ഷപാതത്തിന്റെ ഫലമായി,” ഡോ.

റോബോട്ട് ശാസ്ത്രജ്ഞർക്ക് ശാസ്ത്രത്തെ മറ്റൊരു രീതിയിൽ പരിവർത്തനം ചെയ്യാൻ കഴിയും: ശാസ്ത്രീയ സംരംഭത്തെ ബാധിക്കുന്ന ചില പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ സഹായിക്കുന്നതിലൂടെ. അതിലൊന്ന് ശാസ്ത്രം വിവിധ നടപടികളിലൂടെ കുറഞ്ഞ ഉൽപാദനക്ഷമത കൈവരിക്കുകയും അറിവിന്റെ അതിരുകൾ മുന്നോട്ട് കൊണ്ടുപോകുന്നത് കൂടുതൽ കഠിനവും ചെലവേറിയതുമായിത്തീരുകയും ചെയ്യുന്നു എന്നതാണ്. ഇത് എന്തുകൊണ്ടായിരിക്കാം എന്നതിന് നിരവധി സിദ്ധാന്തങ്ങളുണ്ട്: ഏറ്റവും എളുപ്പമുള്ള കണ്ടെത്തലുകൾ ഇതിനകം നടത്തിയിരിക്കാം, ഉദാഹരണത്തിന്, ശാസ്ത്രജ്ഞർക്ക് അതിർത്തിയിലെത്താൻ ഇപ്പോൾ കൂടുതൽ പരിശീലനം ആവശ്യമാണ്. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അധിഷ്ഠിത സംവിധാനങ്ങൾക്ക് മനുഷ്യരേക്കാൾ വേഗത്തിലും വിലകുറഞ്ഞും കൃത്യതയോടെയും ലബോറട്ടറി ജോലികൾ ചെയ്യുന്നതിലൂടെ സഹായിക്കാൻ കഴിയും. മനുഷ്യരിൽ നിന്ന് വ്യത്യസ്തമായി, റോബോട്ടുകൾക്ക് മുഴുവൻ സമയവും പ്രവർത്തിക്കാൻ കഴിയും. കമ്പ്യൂട്ടറുകളും റോബോട്ടുകളും ജ്യോതിശാസ്ത്രത്തിൽ വലിയ തോതിലുള്ള പ്രോജക്റ്റുകൾ പ്രാപ്തമാക്കിയതുപോലെ (വലിയ ആകാശ സർവേകൾ അല്ലെങ്കിൽ എക്സോപ്ലാനറ്റുകൾക്കായി ഓട്ടോമേറ്റഡ് തിരയൽ പോലുള്ളവ), റോബോട്ട് ശാസ്ത്രജ്ഞർക്ക് സിസ്റ്റം ബയോളജിയിലെ വലിയ പ്രശ്നങ്ങൾ കൈകാര്യം ചെയ്യാൻ കഴിയും. “അത് ചെയ്യാൻ ഞങ്ങൾക്ക് സമൂലമായ പുതിയ ശാസ്ത്രം ആവശ്യമില്ല, ഞങ്ങൾ ധാരാളം ശാസ്ത്രം ചെയ്യേണ്ടതുണ്ട്,” ഡോക്ടർ കിംഗ് പറയുന്നു.

ഓട്ടോമേഷൻ മറ്റൊരു പ്രശ്നം പരിഹരിക്കാനും സഹായിച്ചേക്കാം: പുനരുൽപാദന പ്രതിസന്ധി. സിദ്ധാന്തത്തിൽ, ശാസ്ത്രജ്ഞർ അവരുടെ ഫലങ്ങൾ പ്രസിദ്ധീകരിക്കുമ്പോൾ, മറ്റുള്ളവർക്ക് അവരുടെ ജോലി പകർത്താനും പരിശോധിക്കാനും കഴിയും. എന്നാൽ ആവർത്തനത്തിൽ മഹത്വം കുറവാണ്, ഇത് അപൂർവമാക്കുന്നു. അത് സംഭവിക്കുമ്പോൾ, പല ശ്രമങ്ങളും പരാജയപ്പെടുന്നു, യഥാർത്ഥ കൃതി അസാധുവാണെന്നോ വഞ്ചനാപരമാണെന്നോ സൂചിപ്പിക്കുന്നു. മറ്റുള്ളവരുടെ കൃതികൾ ആവർത്തിക്കാൻ ശാസ്ത്രജ്ഞർക്ക് വലിയ പ്രോത്സാഹനമില്ല, നിലവിലുള്ളവ പരിശോധിക്കാതെ പുതിയ ഫലങ്ങൾ പ്രസിദ്ധീകരിക്കാൻ അവർ സമ്മർദ്ദത്തിലാണ്. വീണ്ടും, മോളിക്യുലർ ബയോളജി പോലുള്ള ഗവേഷണത്തിന്റെ ചില മേഖലകളിൽ റോബോട്ട് ശാസ്ത്രജ്ഞർക്ക് സഹായിക്കാൻ കഴിയും.

മാഞ്ചസ്റ്റർ സർവകലാശാലയിലെ കാതറിൻ റോപ്പർ 2022 ൽ പ്രസിദ്ധീകരിച്ച ഒരു പഠനത്തിൽ സ്തനാർബുദത്തെക്കുറിച്ചുള്ള 12,000 ലധികം പ്രബന്ധങ്ങൾ വിശകലനം ചെയ്യുകയും ഈവ് റോബോട്ട് ഉപയോഗിച്ച് പരിശോധനയ്ക്കായി 74 ബയോമെഡിക്കൽ ഫലങ്ങൾ തിരഞ്ഞെടുക്കുകയും ചെയ്തു. ഓട്ടോമേഷന് “പുനരുൽപാദന പ്രതിസന്ധി ലഘൂകരിക്കാനുള്ള കഴിവുണ്ട്” എന്നും ഇത് “ആവർത്തിക്കുന്നതിനുള്ള സാമൂഹ്യശാസ്ത്രപരവും തൊഴിൽപരവുമായ തടസ്സങ്ങളെ പാർശ്വവത്കരിക്കുന്നു” എന്നും ഗവേഷകർ നിഗമനം ചെയ്തു. മുമ്പത്തെ ഫലങ്ങളുടെ പരിശോധനകൾ പ്രസിദ്ധീകരിക്കുന്നതിൽ യന്ത്രങ്ങൾക്ക് വിരോധമില്ല. മനുഷ്യ ശാസ്ത്രജ്ഞരിൽ നിന്ന് വ്യത്യസ്തമായി, നെഗറ്റീവ് ഫലങ്ങൾ പ്രസിദ്ധീകരിക്കുന്നതിൽ അവർ ലജ്ജിക്കുന്നില്ല, ഉദാഹരണത്തിന് ഒരു പ്രത്യേക തന്മാത്ര ഒരു നിശ്ചിത ലക്ഷ്യവുമായി ഇടപഴകുന്നതിൽ പരാജയപ്പെടുകയാണെങ്കിൽ. നെഗറ്റീവ് ഫലങ്ങൾ പ്രസിദ്ധീകരിക്കുന്നത് ഭാവി ഗവേഷകരോട് എന്തുചെയ്യരുതെന്ന് പറഞ്ഞുകൊണ്ട് പാഴായ ശ്രമം കുറയ്ക്കും. റോബോട്ട് ശാസ്ത്രജ്ഞർ അവരുടെ ജോലിയെക്കുറിച്ചുള്ള എല്ലാം വളരെ വിശദമായി വിശ്വസനീയമായി രേഖപ്പെടുത്തുന്നു, ഇത് (സിദ്ധാന്തത്തിൽ) അവരുടെ ഫലങ്ങളുടെ തുടർന്നുള്ള വിശകലനം സുഗമമാക്കുന്നു. “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കണ്ടുപിടുത്തങ്ങൾക്ക് ആ മേഖലകളിലെല്ലാം ശാസ്ത്രീയ സംരംഭം മെച്ചപ്പെടുത്താൻ കഴിയും,” ഡോ.

യാന്ത്രികമായി പ്രവർത്തിക്കുന്നുണ്ടോ?

തടസ്സങ്ങള് ധാരാളമുണ്ട്. മികച്ച ഹാർഡ്വെയറും സോഫ്റ്റ്വെയറും, ഇവ രണ്ടും തമ്മിലുള്ള അടുത്ത സംയോജനം എന്നിവയ്ക്കൊപ്പം, ലബോറട്ടറി-ഓട്ടോമേഷൻ സിസ്റ്റങ്ങൾ തമ്മിൽ കൂടുതൽ പരസ്പരപ്രവർത്തനക്ഷമതയും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളെ സെമാന്റിക് വിവരങ്ങൾ കൈമാറാനും വ്യാഖ്യാനിക്കാനും അനുവദിക്കുന്നതിന് പൊതുവായ മാനദണ്ഡങ്ങളും ആവശ്യമാണ്. ലബോറട്ടറി സാമ്പിളുകൾ ബാച്ചുകളായി പ്രോസസ്സ് ചെയ്യാൻ അനുവദിക്കുന്ന നൂറുകണക്കിന് ചെറിയ ടെസ്റ്റ് ട്യൂബുകൾ അടങ്ങിയ സ്റ്റാൻഡേർഡൈസ്ഡ് മൈക്രോ പ്ലേറ്റുകൾ അവതരിപ്പിച്ചത് ചിലതരം വിശകലനങ്ങൾക്ക് ഉൽപാദനക്ഷമത നൂറുകണക്കിന് മടങ്ങ് വർദ്ധിപ്പിച്ചു. ഇപ്പോൾ ഡാറ്റയ്ക്കും ഇത് സംഭവിക്കേണ്ടതുണ്ട് – ബയോളജി ലാബുകളിലെ മൈക്രോപ്ലേറ്റ് നിരകളിൽ നിന്നുള്ള ഡാറ്റയുടെ ഭൂരിഭാഗവും സ്പ്രെഡ്ഷീറ്റുകളിലോ പേപ്പറുകളിലെ പട്ടികകളിലോ അവസാനിക്കുന്നു, ഉദാഹരണത്തിന്, ഇത് മെഷീൻ വായിക്കാൻ കഴിയാത്തിടത്ത്.

ശാസ്ത്രജ്ഞർക്കിടയിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അധിഷ്ഠിത ഉപകരണങ്ങളുമായി പരിചയക്കുറവാണ് മറ്റൊരു തടസ്സം. ചില ഗവേഷകർ, മിക്ക തൊഴിലാളികളെയും പോലെ, ഓട്ടോമേഷൻ അവരുടെ ജോലിയെ ഭീഷണിപ്പെടുത്തുന്നുവെന്ന് ആശങ്കപ്പെടുന്നു. എന്നാൽ കാര്യങ്ങൾ മാറുകയാണ്, ഡോ. ഗിൽ പറയുന്നു. 2014 ൽ ശാസ്ത്രത്തിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനോടുള്ള മനോഭാവം സർവേ ചെയ്തപ്പോൾ, മിക്ക മേഖലകളിലും “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലുള്ള താൽപ്പര്യം താരതമ്യേന പരിമിതമാണെന്ന് തോന്നുന്നു” എന്ന് അവർ കണ്ടെത്തി. ശാസ്ത്രീയ ഗവേഷണത്തിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉൾപ്പെടുത്താനുള്ള മിക്ക ശ്രമങ്ങളും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷകരിൽ നിന്നാണ് വന്നത്, അവർ പലപ്പോഴും സംശയങ്ങളോ ശത്രുതയോ നേരിട്ടു. എന്നാൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ സ്വാധീനം ഇപ്പോൾ “അഗാധവും വ്യാപകവുമാണ്”, ഡോ. പല ശാസ്ത്രജ്ഞരും ഇപ്പോൾ “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സഹകാരികളെ സജീവമായി തിരയുന്നു” എന്ന് അവർ പറയുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ സാധ്യതകളുടെ അംഗീകാരം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്, പ്രത്യേകിച്ച് മെറ്റീരിയൽസ് സയൻസ്, മരുന്ന് കണ്ടെത്തൽ എന്നിവയിൽ, അവിടെ പ്രാക്ടീഷണർമാർ സ്വന്തമായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പവർ സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നു. “യന്ത്രങ്ങളെ മനുഷ്യരെപ്പോലെ ശാസ്ത്രത്തിൽ മികച്ചതാക്കാൻ ഞങ്ങൾക്ക് കഴിയുമെങ്കിൽ, അത് ഒരു സമൂലമായ ഇടവേളയായിരിക്കും, കാരണം നിങ്ങൾക്ക് അവയിൽ ധാരാളം ഉണ്ടാക്കാൻ കഴിയും,” ഡോ.

ശാസ്ത്രജ്ഞർ വിവരങ്ങൾ കണ്ടെത്തുകയും പരസ്പരം സൃഷ്ടികൾ നിർമ്മിക്കുകയും ചെയ്ത രീതിയെ ശാസ്ത്ര ജേണലുകൾ മാറ്റിമറിച്ചു. ഗവേഷണ ലബോറട്ടറികൾ വർദ്ധിപ്പിക്കുകയും വ്യാവസായിക പരീക്ഷണങ്ങൾ നടത്തുകയും ചെയ്തു. മുമ്പത്തെ ഈ രണ്ട് പരിവർത്തനങ്ങൾ വിപുലീകരിക്കുകയും സംയോജിപ്പിക്കുകയും ചെയ്യുന്നതിലൂടെ, ശാസ്ത്രം ചെയ്യുന്ന രീതിയെ മാറ്റാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് തീർച്ചയായും കഴിയും.