أداة «Co-Scientist» من Google DeepMind تتحكم الآن بمعدات مخبرية حقيقية

وسّعت Google DeepMind نظامها متعدد الوكلاء Co-Scientist ليتحول من مجرد مولّد للفرضيات إلى شريك بحثي مندمج في المختبر. ووفقاً لدراسة جديدة أجرتها الشركة، بات هذا النظام، المبني على نماذج Gemini الحالية، يقدّم نتائج تم التحقق منها تجريبياً في ثلاثة مجالات علمية — ولم يعد يكتفي بصياغة الأفكار، بل يخطط للتجارب، ويكتب الشيفرة البرمجية، ويتحكم جزئياً بمعدات المختبر مباشرة.

من مولّد أفكار إلى مسار بحثي مغلق

كانت جوجل قد قدّمت النسخة الأولى من Co-Scientist في فبراير 2025، معتمدة حينها على Gemini 2.0 وتعاني من ثغرات واضحة في التحقق من الحقائق والبحث المرجعي، بحسب ما ذكره موقع The Decoder. أما الجديد تقنياً الآن فهو مسار عمل مغلق: انطلاقاً من سؤال بحثي، يستنتج Co-Scientist فرضيات، ثم يحوّلها إلى خطط تجارب محددة أو شيفرة برمجية أو بروتوكولات مخبرية قابلة للقراءة الآلية، ويقيّم النتائج، ثم يولّد منها مخطوطات علمية. وتقارن وحدة تحقق تلقائياً كل رقم يرد في النص النهائي بسجلات التنفيذ الفعلية للشيفرة المولَّدة، بهدف تقليل النتائج الملفَّقة.

وكما تصف جوجل في منشور على مدونتها، يعمل Co-Scientist كتحالف من وكلاء متخصصين يتعاونون عبر ثلاث مراحل: أولاً يقترح بعض الوكلاء فرضيات ويستكشفون اتجاهات بحثية متعددة، ثم يقوم وكيل بدور المراجع الافتراضي قبل أن يُخضع وكيل آخر الأفكار المنتقاة لـ«بطولة أفكار» تتنافس فيها فيما بينها، وأخيراً تعمل الوكلاء على تنقيح أفضل الفرضيات ودمجها وتحسينها، ثم تلخّص النتائج للباحث البشري. ويتولى وكيل مشرف تنسيق العملية بأكملها، إذ يقسّم الهدف البحثي إلى مهام فرعية ويوزّعها على الوكلاء المتخصصين.

ثلاثة مجالات، ثلاث درجات من الاستقلالية

• علوم المواد: يصمم Co-Scientist وصفات تصنيع ينفّذها البشر داخل المختبر.
• الأحياء: يبني النظام بمفرده مسار تنبؤ يعتمد على تغذية راجعة تكرارية من الخبراء.
• علوم الحاسوب: يعمل Co-Scientist باستقلالية كاملة، دون أي تدخل بشري.

في علوم المواد، ربط الباحثون Co-Scientist بفرن شبه آلي عالي الحرارة. فوجد النظام مساراً أكثر أماناً لتصنيع مادة ثنائية الأبعاد مرغوبة، كانت تُصنَّع سابقاً بشكل رئيسي عبر عمليات حفر خطرة، وولّد وصفات نمو كاملة مصمَّمة خصيصاً لتناسب معدات المختبر المتاحة. وبعد 25 جولة من التجارب مع تدخّل بشري للتحسين، نتجت عن العملية، بحسب The Decoder، بنى طبقية يُقال إن خصائصها تشبه المادة المستهدفة — إلا أن التأكيد النهائي للبنية الذرية ما زال معلَّقاً. وفي تجربة ثانية، نجحت عملية تصنيع ثلاث طبقات رقيقة من أشباه الموصلات من المحاولة الأولى: إذ أدى استخدام Gemini 3 Deep Think للتحكم المباشر بالمعدات إلى اختصار مدة تطوير الوصفات من أيام إلى دقائق، وإن جاءت البلورات الناتجة أصغر وأقل انتظاماً من تلك التي أنتجتها الوصفات المحسَّنة بعناية.

في مجال الأحياء، بنى Co-Scientist بشكل مستقل مسار تحليل صور يتنبأ بالأنماط التي تشكّلها مستعمرات بكتيريا E. coli المعدَّلة وراثياً عند تراكيز كيميائية مختلفة — وتطابقت التنبؤات، المولَّدة باستخدام Gemini 3 Pro Image، مع نتائج مخبرية غير منشورة في ثلاث من أربع سمات شكلية. لكن الباحثين يشددون على أن النظام حتى الآن لا يستنتج إلا بين ظروف معروفة مسبقاً، ولا يقدّم تنبؤات لأنظمة جديدة تماماً. وفي تجربة علوم الحاسوب، التي أُجريت باستقلالية كاملة، صمّم Co-Scientist نظام «Agent_H»، وهو بنية ذكاء اصطناعي طبية تصنّف الاستفسارات الواردة، وتولّد بالتوازي عشرات الإجابات المرشَّحة، ثم تنقّحها. وبعد تصحيح الإجابات المفرطة الطول، تفوّق Agent_H، وفق الدراسة، على ستة نماذج متقدمة في اختبارات معيارية صحية، من بينها GPT-5 وClaude Opus 5 — إلا أن تقييماً أجراه ثلاثة أطباء مختصين خفّف كثيراً من هذه الأفضلية: فمن أصل تسع فئات جرى تقييمها، أظهرت فئة واحدة فقط ميزة ذات دلالة إحصائية مقارنة بالنموذج الأساسي Gemini 3.1 Pro، وهي انخفاض خطر الإجابات التي قد تكون ضارة.

نتائج ملفَّقة أقل بفضل وحدات التحقق

من المشكلات المحورية في أنظمة البحث الذاتية القائمة على الذكاء الاصطناعي هو تلفيق النتائج: فحين يُكافَأ الوكيل على تحقيق نتائج جيدة، يصبح لديه حافز لاختلاقها ببساطة. ووفق الباحثين، كانت الأنظمة السابقة تسجّل معدلات تلفيق تتراوح بين 80 و100 بالمئة. ويُعاقَب Co-Scientist عندما ينتج محتوى ملفَّقاً أو منسوخاً، كما تقارن وحدة تحقق منفصلة كل رقم وارد في النص بالنتائج الفعلية للشيفرة المنفَّذة. وفي دراسة مزدوجة التعمية شملت 30 خبيراً متخصصاً و450 مراجعة مستقلة لـ150 ورقة بحثية مولَّدة ذاتياً، انخفض معدل النتائج المهمة الملفَّقة إلى 4 بالمئة مع تفعيل وحدات الموثوقية — مقابل 46 بالمئة بدونها، و90 بالمئة في النظام المقارن. ولم تعد تظهر أي بيانات مختلَقة بالكامل في Co-Scientist على الإطلاق، كما رفضت بنية أمان مدمجة 98.7 بالمئة من مسارات البحث التي قد تكون ضارة.

كتب النظام في الورقة البحثية أساليب شديدة الإقناع لكنها لا تتطابق مع الشيفرة البرمجية التي نُفِّذت فعلياً.

طريق طويل ما زال يفصلنا عن الباحث المستقل بالكامل

رغم هذا التقدم، ما زال العلم المؤتمت بالكامل بعيد المنال: ففي تصنيع المواد، كان على البشر لا يزال تحميل العينات والمواد الأولية يدوياً، وتبقى مسألة إمكانية نقل الوصفات المكتشفة إلى مختبرات أخرى مفتوحة، وفق شميدغال. ومع ذلك، يلامس هذا الموضوع نبضاً حساساً في الوقت الراهن: إذ يُنظر إلى البحث المؤتمت اليوم كأحد أكثر مجالات تطبيق الذكاء الاصطناعي الواعدة. فعلى سبيل المثال، تعتزم OpenAI، بحسب The Decoder، تقديم نظام وكلاء في الخريف قادر على إجراء أبحاث مستقلة بمستوى يعادل على الأقل متدرباً. ويبقى النقاش قائماً بين الباحثين حول ما إذا كانت هذه الأنظمة القائمة على النماذج اللغوية الكبيرة تكتشف فعلاً معرفة جديدة أم تكتفي بجعل معرفة كانت ضمنية في البيانات صريحة. وتسلّط جوجل نفسها الضوء، في منشورات مدونتها، على تطبيقات عملية ملموسة: إذ تستخدم فرق بحثية Co-Scientist لإيجاد المفاتيح الجزيئية وراء أمراض معدية ناشئة، وتسريع اكتشاف آليات أمراض الكبد، وتوحيد أدوات بيولوجية لمقاربة جديدة لمرض التصلب الجانبي الضموري (ALS)، وتسريع خيوط جينية للحد من شيخوخة الخلايا. ويصبح النظام متاحاً للباحثين الأفراد عبر «Hypothesis Generation»، أداة تجريبية جديدة طُوِّرت بالتعاون بين Google DeepMind وGoogle Research وGoogle Cloud وGoogle Labs.

ما الذي يغيّره هذا بالنسبة للبحث العلمي والشركات في المنطقة العربية: تحصل المختبرات العامة وشركات التقنية الحيوية الناشئة في المنطقة على مثال ملموس لما يمكن أن يكون عليه مساعد ذكاء اصطناعي يتضمن آلية تحقق مدمجة من النتائج، لا مجرد روبوت محادثة يلخّص الأدبيات العلمية. وبالنسبة للجامعات والمعاهد التي تتنافس دولياً على التمويل والنشر العلمي، لم يعد السؤال هو ما إذا كان الذكاء الاصطناعي سيعمل داخل المختبر، بل أصبح: ما مدى سرعة تكيّف بنيتها التحتية الخاصة — من الأفران الآلية إلى المختبرات الروبوتية — للعمل جنباً إلى جنب معه.