מבוא: האם המדע הגיע לקצו?
במאמר שפרסמו אריק שמידט (Eric Schmidt), מנכ"ל גוגל לשעבר, סוהאס מהש (Suhas Mahesh) ומיה לוין (Maya Levin), הם מנתחים את התפיסה לפיה המדע הגיע לקצו בעקבות פריצות הדרך של הבינה המלאכותית. מדי כמה עשורים, מישהו מצהיר כי המדע הגיע לסיומו. בשנת 1903, הפיזיקאי המוערך אלברט מייקלסון (Albert Michelson) כתב כי "כל העובדות של המדע הפיזיקלי כבר התגלו". בשנות ה-80 של המאה ה-20, סטפן הוקינג (Stephen Hawking) חזה כי הפיזיקה התיאורטית עשויה להגיע לסיומה לפני סוף המאה. כעת, עם הופעתה המרעישה של הבינה המלאכותית, התחושה הזו מרחפת שוב באוויר – והפעם היא מלווה גם בפרס נובל.
בשנת 2024, דמיס חסאביס (Demis Hassabis) וג'ון ג'אמפר (John Jumper) ממעבדת Google DeepMind זכו בחלק מפרס הנובל לכימיה עבור רשת הקשרים העצביים שלהם, AlphaFold. כלי זה מסוגל לחזות את המבנה התלת-ממדי של חלבונים באמצעות למידה מאלפי צורות שנמדדו באופן ניסויי. הבעיה המורכבת הזו הציבה אתגר קשוח בפני ניסיונות פיצוח שיטתיים במשך כחצי מאה; נראה היה כי AlphaFold פתרה אותה אחת ולתמיד, והעולם התמקד בהבטחה הגלומה בגישה זו. חסאביס וצוותו כינו את AlphaFold כ"תבנית לאופן שבו בינה מלאכותית יכולה להאיץ את כל תחומי המדע למהירות דיגיטלית". גל של חברות סטארט-אפ המפתחות מודלי בסיס לביולוגיה, כימיה וגילוי חומרים גייס מיליארדי דולרים, כשהוא נישא על גבי ההצלחה של DeepMind. מערכת AlphaFold הראתה כי השילוב של בינה מלאכותית וכמות מספקת של נתונים יכול להוביל לתגליות פורצות דרך (אפילו אם איננו מבינים את המנגנונים הבסיסיים המעורבים בכך), ונראה היה, פעם נוספת, כי הדרך לפענוח שאר תחומי המדע סלולה לפנינו.
החסמים של מודל AlphaFold: מדוע קשה לשחזר את ההצלחה?
אין ספק כי הבינה המלאכותית תביא שינויים יוצאי דופן למדע, אך הולך ומתברר כי AlphaFold, וכלים דומים לה, אינם בהכרח התבנית הטובה ביותר עבור אותה מטמורפוזה. למרות שמדובר בהישג עמוק, התנאים שאיפשרו את יצירתה של AlphaFold הם נדירים, והזמן שיידרש כדי לעמוד בתנאים אלו בתחומים אחרים יימדד בעשורים, לא בשנים. במקום זאת, האצת המדע תגיע בזכות גישה אחרת: סוכני בינה מלאכותית (AI agents).
התנאי העיקרי להצלחתה של AlphaFold היה קיומו של מאגר נתוני החלבונים (Protein Data Bank - PDB), בסיס נתונים של כ-170,000 מבני חלבון שאומתו בניסויים, עליהם יכול היה הצוות של DeepMind לאמן את המודל שלו. יצירתו של מאגר זה לא הייתה פשוטה: היא דרשה 53 שנים של שיתוף פעולה מדעי בינלאומי ועל פי הערכה שבוצעה לאחרונה, עלותה עמדה על כ-21 מיליארד דולר של עבודה ניסויית כדי להרכיבו. מאמצים בקנה מידה כזה הם קשים להפליא למימון, כמעט בלתי אפשריים לתיאום, וגוזלים זמן רב לביצוע; כתוצאה מכך, הם לרוב לא נחלו הצלחה.
אך אפילו בתחומים שבהם קיימים הלכידות והמשאבים הנדרשים, ושבהם הנתונים הרלוונטיים אינם חסומים בשל בעלות מסחרית, קיים מחסום נוסף שכמעט ואינו זוכה לדיון: חוסר היכולת המדעית לייצר נתונים ברי-השוואה. במקרה של מבני חלבונים, הטכניקה הניסויית המרכזית – קריסטלוגרפיה של חלבונים (protein crystallography) – היא כלי אמין וניתן לשחזור באופן חריג, עד כדי כך שיותר מ-25 פרסי נובל התבססו עליה. אך ברוב המדע הניסויי, התוצאות משתנות לעיתים קרובות יותר מאשר לא. שורות תאים משתנות (cell lines drift), לחומרים כימיים יש עקבות של מזהמים, ולחות המעבדה משתנה. יצירת בסיסי נתונים מדודים שיהיו עקביים מספיק, מדויקים מספיק ובני-הרחבה מספיק כדי לאמן רשת קשרים עצביים מודרנית בביולוגיה או ברוב תחומי הכימיה, תדרוש סוגים חדשים של מדידה וגישות סטנדרטיות חדשות – ואף אחת מאלו לא תהיה מוכנה בקרוב.
כמובן שישנם קומץ תחומים שבהם הדרישות הללו מתמלאות: חיזוי מזג אוויר, חלק גדול מהגנומיקה ואזורים מוגבלים מאוד בכימיה. אלו עשויים לראות פריצות דרך בסגנון AlphaFold בקרוב, אם לא ראו זאת כבר. תמיכה ממשלתית בייצור ותיאום של בסיסי נתונים אלו תהיה קריטית, כפי שטענה הוועדה הלאומית לביטחון של ארה"ב בנושא ביוטכנולוגיה מתפתחת (US National Security Commission on Emerging Biotechnology). אך עבור רוב השאלות הפתוחות במדע, נזדקק לתוכנית אחרת, לפחות בטווח הקצר. למרבה המזל, משהו שקט וצנוע יותר החל להראות הבטחה.
מגבלת הנתונים והמעבר לסוכני בינה מלאכותית
מדענים תמיד ביצעו תהליכי הסקה תחת תנאי אי-ודאות. ביולוגים הפועלים לזיהוי מטרות תרופתיות חדשות מעולם לא החזיקו בבסיסי נתונים מושלמים. במקום זאת, הם משלבים חישובי עגינה (docking calculations) ומבנים ידועים, לוקחים בחשבון דינמיקה מולקולרית, מריצים קומץ של בדיקות קישור (binding assays), ומשתמשים בשיקול דעתם כדי לשקלל כל שיטה בהתאם לחוזקותיה ולנקודות הכשל שלה. המיומנות של המדע אינה טמונה בכלי בודד; היא נמצאת בסינתזה של מה שמפיקים כלים רבים, ובעדכון התוצאות ככל שמצטברות הראיות. כך מתקדם בפועל רוב המחקר המעשי. אך עד לאחרונה, שום תוכנה לא יכלה לבצע זאת.
כעת סוכנים מסוגלים לכך. במילים פשוטות, סוכן (agent) הוא מנוע הסקה של בינה מלאכותית שניתנה לו גישה לכלים – דיגיטליים או פיזיים – והיכולות להשתמש בהם. במהלך השנים האחרונות, שינוי ארכיטקטוני יסודי בבינה המלאכותית אפשר את ההתרבות המהירה של תוכניות אלו, המונעות על ידי מודלי שפה גדולים (LLMs), תוך הפחתה דרמטית של הצורך בבסיסי נתונים מדעיים מתמחים. עבור המדע, התקדמות טכנולוגית זו מייצגת שינוי תשתיתי: היא אפשרה לנו ליצור כלים דיגיטליים שיכולים לחקות את התהליך המחזורי והתלוי-בנסיבות של המחקר בפועל. בעוד שכלים כמו AlphaFold מיישמים גישה רבת-עוצמה על שאלה מוגבלת, הסוכנים הם מטבעם גנרליסטים. הם אינם מייצגים דרך חדשה לעשות מדע – אלא מדגמנים באופן דיגיטלי את תהליך הגילוי האנושי.
הדגמת היכולת: פרויקט AI Co-Scientist של גוגל
נבחן את מערכת AI Co-Scientist של גוגל, עליה הוכרז במאי. חוקרים הציגו לה מסמך הנחיות בן עמוד אחד ומטרה: להבין כיצד עמידות לאנטיביוטיקה מתפשטת בין מיני חיידקים, גורם מרכזי לזיהומים עמידים לתרופות. המערכת הקימה תתי-סוכנים. אחד ניסח השערות מתוך הספרות המדעית. שני ביקר ופירק אותן כמו סוקר עמיתים (peer reviewer). שלישי הריץ תחרויות כדי לדרג את המועמדים החזקים ביותר. רביעי שכלל את ההשערה המנצחת.
הסוכן הגיע למסקנה כי גנים של עמידות תופסים טרמפ על וירוסים של חיידקים (בקטריופאג'ים), תוך שימוש בווירוס שיכול להוביל אותם למארח חדש. ההשערה הייתה נכונה. חוקרים באימפריאל קולג' לונדון (Imperial College London) בילו עשור בהגעה לאותה מסקנה בדיוק באמצעות עבודה סיזיפית ורטובה במעבדה (wet-lab work); המאמר שלהם, שלא נחשף קודם לכן בפני Co-Scientist, היה עדיין בשלב של סקירת עמיתים.
אתגרים טכנולוגיים וההשפעות ארוכות הטווח
סוכנים כמו Co-Scientist הם עדיין כלים חדשים, וישנם אתגרים אמיתיים להתגבר עליהם לפני שיהפכו לחלק בלתי נפרד מהתהליך המדעי: הם עדיין עלולים להזות (hallucinate), שיקול הדעת שלהם אינו עקבי, ויש להם מגבלות זיכרון וקלט המגבילות את הזמן שבו הם יכולים לפעול באופן עצמאי. אך מחסומים טכניים אלו יוסרו, וככל שזה יקרה, נתחיל להבחין בהשפעות המצטברות של סוכנים מדעיים על האמינות, העקביות והמהירות שבהן המדע מתבצע.
ראשית, סוכנים מציעים פתרון מבני ל"משבר השחזור" (reproducibility crisis) של המדע – הבעיה הנפוצה שבה חוקרים אינם מצליחים לשחזר את התוצאות זה של זה. במשך עשורים, הקהילה המדעית הפצירה בחוקרים לשתף את הנתונים הגולמיים שלהם ואת הקוד המדויק במאמץ להביא לסטנדרטיזציה של תהליכים ניסויים. אך חוקרים התנגדו זמן רב לעבודה מנהלתית מייגעת זו, המתרחשת לאחר שהחלק המדעי המעניין כבר בוצע. סוכנים, לעומת זאת, מתעדים באופן אוטומטי כל צעד שהם עושים, ויוצרים רישום מדויק של השיטה שהובילה לתוצאותיהם, מה שמאפשר שחזור מדויק.
תוצאה שנייה תהיה הגברת הזיכרון המדעי. העברת הידע בין חוקרים היא תהליך מעורפל למדי; אם היא אינה מתבצעת לאורך שנים של הכשרה ותצפית, סטודנטים לתארים מתקדמים נאלצים לנבור במחברות מעבדה מבולגנות שנשמרו על ידי קודמיהם במשך עשורים, בחיפוש אחר פרטים שיקבעו את הצלחתו או כישלונו של הפרוטוקול שלהם. ככל שהסוכנים יהפכו לחלק משמעותי יותר בתהליך המדעי, ההיסטוריה המדעית המלאה של המעבדה תתועד במאגר מרכזי וסטנדרטי של ידע מוסדי.
אך ההשפעה החשובה ביותר של הסוכנים תהיה המהירות. בכל תחום, כאשר בדיקת רעיון אורכת פחות זמן מאשר ויכוח עליו בישיבה, אנשים מפסיקים להתווכח ופשוט מריצים את הבדיקה. סוכן שיכול לקרוא אלף מאמרים בשעה, לעצב 500 מולקולות וללמוד מהבדיקות שנכשלו עד הבוקר, יוריד את עלות הניסויים וישנה באופן יסודי את הקצב שבו המדע מתקדם. הוא גם יעניק לחוקרים את החופש לרדוף אחר שאלות נועזות ומשונות שלעולם לא היו מסתכנים בלהקדיש להן מזמנם בעבר, ובכך יפתח דלתות מדעיות שטרם דמיינו.
העתיד של סוכני הבינה המלאכותית במדע
בעוד שתבנית AlphaFold תהיה ללא ספק מפתח לתגליות מדהימות, היא לבדה לא תביא אותנו לקץ המדע. במקום זאת, המעבר לעבר בינה מלאכותית מבוססת סוכנים מייצג רמה נדירה בהרבה של פריצת דרך: כלי שמקיף את כל תחומי המדע בבת אחת. מבחינה היסטורית, כלים בעלי היקף כזה הופיעו רק פעמים ספורות: החשבון האינפיניטסימלי (calculus), הסקה סטטיסטית, ספקטרוסקופיה והמחשב. כל אחד מהם חשף עולם של בעיות שאיש לא חשב לנסח קודם לכן, ובעיות אלו, בתורן, הגדירו מחדש את תחומי המחקר שלהם. עם הסוכנים, אנו ניצבים בפני טרנספורמציה דומה.
הערת הכותבים: אריק שמידט (Eric Schmidt) כיהן כמנכ"ל גוגל בין השנים 2001 ל-2011. בשנת 2024, יחד עם אשתו וונדי (Wendy), הוא ייסד את Schmidt Sciences, מיזם פילנתרופי למימון תחומי מחקר בלתי קונבנציונליים במדע ובטכנולוגיה. סוהאס מהש (Suhas Mahesh) מוביל את פעילות הבינה המלאכותית למדע במרכז הבינה המלאכותית של Schmidt Sciences, והוא מתמחה בבינה מלאכותית לגילוי חומרים. מחקר נוסף נערך על ידי מיה לוין (Maya Levin), עמיתה ומובילת תחום המדעים בלשכתו של אריק שמידט.