Microsoft Discovery؛ عامل‌های پژوهشی با مسیر قابل‌حکمرانی

مایکروسافت در Build ۲۰۲۶ اعلام کرد Microsoft Discovery برای همه سازمان‌ها عمومی شده و نسخه local app آن برای پژوهشگران در preview قرار گرفته است. این محصول قرار نیست فقط یک chatbot علمی باشد؛ هدفش کنار هم آوردن مدل‌ها، داده، شبیه‌سازی و گردش‌کارهای آزمایش در محیطی است که کنترل سازمانی و بازتولیدپذیری را جدی می‌گیرد.

#از پرسش تا آزمایش

پژوهش صنعتی معمولاً میان چند سامانه تقسیم می‌شود: مخزن مقاله، داده آزمایشگاهی، کد شبیه‌سازی، notebook، ابزار مدیریت پروژه و گاهی آزمایشگاه خودکار. اگر مدل فقط در یکی از این نقاط پاسخ دهد، بخش زیادی از کار دستی باقی می‌ماند. Microsoft Discovery با رویکرد workflow می‌خواهد عامل‌ها را به مراحل مختلف تحقیق وصل کند؛ از شکل دادن فرضیه تا مرور نتیجه و آماده کردن مرحله بعد.

در اعلامیه رسمی، مایکروسافت از کاربردهایی مانند یافتن راه‌حل برای شست‌وشوی مس، پژوهش نیمه‌رسانا و کشف دارو نام برد. این مثال‌ها نشان می‌دهند مخاطب محصول تیم‌های R&D است، نه کاربر عمومی. در چنین محیطی، کیفیت خروجی تنها با روان بودن متن سنجیده نمی‌شود؛ provenance داده، شرایط آزمایش و امکان بازگشت به تصمیم قبلی اهمیت بیشتری دارد.

#agentic memory و حاکمیت داده

عامل پژوهشی باید بتواند از نتایج قبلی استفاده کند، اما حافظه آن نباید به دفترچه‌ای مبهم تبدیل شود. هر یادداشت، فرضیه یا نتیجه باید منبع، زمان، نسخه ابزار و سطح اطمینان داشته باشد. Microsoft Discovery همچنین به اتصال داده‌های علمی سازمانی و governance اشاره می‌کند؛ این بخش برای شرکت‌هایی مهم است که نمی‌توانند داده محرمانه را به یک محیط آزمایشی عمومی بفرستند.

نسخه preview اپ محلی برای جامعه علمی، دسترسی را گسترده‌تر می‌کند، ولی وضعیت preview با GA یکسان نیست. تیمی که می‌خواهد وابستگی بلندمدت بسازد باید قرارداد دسترسی، تغییر API، محل پردازش داده و سیاست نگهداری log را بررسی کند. «عامل» نباید مجوز عبور از کنترل مالک داده باشد.

#معیار موفقیت

ارزش Discovery زمانی مشخص می‌شود که چرخه پژوهش کوتاه‌تر شود بدون اینکه مسیر علمی مبهم‌تر شود. یک pilot مناسب می‌تواند با یک مسئله محدود آغاز شود: ورودی‌ها ثبت شوند، فرضیه‌ها با نسخه مشخص تولید شوند، آزمایش‌ها در sandbox اجرا شوند و یک پژوهشگر نتیجه را تأیید کند. در این صورت، مایکروسافت یک لایه اجرایی به R&D اضافه می‌کند، نه اینکه قضاوت علمی را خودکار اعلام کند.

تفاوت مهم میان یک دستیار عمومی و چنین محیطی، مدیریت مسئولیت است. اگر عامل منبعی را انتخاب کند، پارامتری را تغییر دهد یا نتیجه آزمایش را خلاصه کند، تیم باید بتواند آن تصمیم را به artifact اصلی برگرداند. بدون این زنجیره، سرعت بیشتر ممکن است فقط خطا را سریع‌تر در چند پروژه پخش کند. بنابراین طراحی نقش‌ها، ثبت approval و محدودیت اتصال‌ها بخشی از قابلیت پژوهشی محصول است، نه تنظیم جانبی مدیر سیستم.