Co‑Scientist؛ جلسه داوری چندعاملی برای ساخت فرضیه علمی

Co‑Scientist که Google DeepMind در ۱۹ مه ۲۰۲۶ معرفی کرد، یک مدل پاسخ‌گو نیست؛ مجموعه‌ای از عامل‌های تخصصی است که برای تولید، نقد و رتبه‌بندی فرضیه‌ها با هم کار می‌کنند. این سیستم با Gemini ساخته شده و در پژوهش‌های زیست‌پزشکی، علوم طبیعی و مهندسی آزمایش شده است. Google Labs نیز ابزار Hypothesis Generation را به‌صورت experimental برای پژوهشگران عرضه می‌کند تا همین ایده را در محیطی در دسترس‌تر بررسی کنند.

#ایده‌ها چگونه از فیلتر عبور می‌کنند؟

Co‑Scientist با عامل Generation آغاز می‌شود؛ این عامل بر اساس ادبیات و داده، مسیرهای اولیه را پیشنهاد می‌کند. Proximity Agent فرضیه‌ها را خوشه‌بندی می‌کند تا فضای جست‌وجو فقط به چند ایده مشابه محدود نشود. سپس Reflection Agent نقش داور انتقادی را دارد و Ranking Agent با یک «مسابقه ایده» زوج‌های مختلف را مقایسه می‌کند. Google از رتبه‌بندی Elo و تزریق دانش تازه برای ادامه جست‌وجو سخن می‌گوید.

معماری چندعاملی اینجا به‌خاطر اختلاف نقش‌ها مفید است، نه صرفاً به‌خاطر تعداد مدل‌ها. تولیدکننده به گسترش فضای ایده کمک می‌کند؛ منتقد به پیدا کردن نقص؛ رتبه‌بندی به انتخاب مسیر. اگر همه عامل‌ها یک دستور و یک معیار داشته باشند، چندعاملی بودن فقط هزینه و پیچیدگی اضافه خواهد کرد.

#از فرضیه تا آزمایش

DeepMind نمونه‌هایی مانند بازاستفاده از دارو برای فیبروز کبدی و یافتن سرنخ‌های ژنتیکی برای جوان‌سازی سلولی را گزارش کرده است. در این موارد، Co‑Scientist زمان مرور ادبیات و تحلیل مجموعه‌های screening را کوتاه می‌کند، اما فرضیه تولیدشده را به نتیجه علمی تبدیل نمی‌کند. آزمایشگاه باید ادعا را با پروتکل مستقل، کنترل مناسب و داده خام بررسی کند.

این نکته در گزارش‌های AI پژوهشی اغلب گم می‌شود. citation، جدول یا امتیاز رتبه‌بندی مسیر بررسی را بهتر می‌کند، ولی اعتبار علمی از تکرار و داده می‌آید. هر خروجی باید همراه با نسخه prompt، منابع استفاده‌شده و زمان تولید ثبت شود تا پژوهشگر بتواند بفهمد چرا یک مسیر برنده شده است.

#وضعیت دسترسی و مخاطب

Hypothesis Generation در آغاز به‌صورت آزمایشی و با ثبت علاقه پژوهشگران عرضه شد. نسخه enterprise نیز با چند شریک دارویی، کشاورزی و آزمایشگاه ملی در مرحله preview بررسی شده است. این همکاری‌ها نشان‌دهنده مرحله اعتبارسنجی‌اند و نباید با availability عمومی یکسان گرفته شوند.

Co‑Scientist برای تیمی مناسب است که مسئله روشن، داده قابل دسترس و متخصصی برای داوری دارد. مدل می‌تواند جلسه ایده‌پردازی را سریع‌تر و گسترده‌تر کند؛ تصمیم درباره اینکه کدام آزمایش ارزش انجام دارد، هنوز کار دانشمند است.