أمضينا شهورًا في بناء ذكاء اصطناعي يتنبأ بالمواد قبل تصنيعها — وإليكم لماذا لن يبدأ مختبر المستقبل بدورق

هناك لحظة أعود إليها باستمرار. كان ذلك في وقت متأخر من مساء يوم خميس، وكنت أحدّق في جدول بيانات أرسله إليّ أحدهم — سجلّ بكل مركّب قام فريق أدوية متوسط الحجم بتصنيعه واختباره فيزيائيًا على مدى الأشهر الثمانية عشر السابقة. آلاف الصفوف. تكاليف الكواشف، وساعات التصنيع، ونتائج التوصيف. وبجانب كل صف، عمود عنوانه "النتيجة". الغالبية العظمى قالت الشيء نفسه: فشل.

ليس "نتيجة سلبية مثيرة للاهتمام". وليس "طريقًا مسدودًا مفيدًا". بل فقط: فشل. المركّب لم يرتبط. المادة لم تكن مستقرة. التفاعل لم ينتج شيئًا. آلاف التجارب، وملايين الدولارات، وكان الفريق في جوهره عائدًا إلى نقطة البداية — إلا أنهم الآن باتوا يعرفون ما الذي لم ينجح. وهو أمرٌ له قيمة، على ما أظن، إن كتبته. معظم الفرق لا تفعل ذلك حتى.

بلور ذلك الجدول شيئًا كنت أحوم حوله منذ فترة في Veriprajna. الطريقة التي تكتشف بها معظم مختبرات البحث والتطوير المواد والجزيئات الجديدة مُعطّلة جوهريًا — ليس لأن العلماء ليسوا لامعين، بل لأن المنهج نفسه اصطدم بجدار لا يمكن لأي قدر من اللمعان أن يتخطاه على نطاق واسع. يُقدَّر فضاء البحث للجزيئات الشبيهة بالأدوية بين 10⁶⁰ و10¹⁰⁰. أما عدد الذرات في الكون المرئي فيبلغ نحو 10⁸⁰. نحن نطلب من البشر أن يجدوا إبرًا في أكوام قش أكبر حرفيًا من الكون، ونناولهم ملقطًا.

سأخبركم لماذا بنينا ما بنيناه، وما الذي أخطأنا فيه على طول الطريق، ولماذا أؤمن بأن عصر التخمين والتحقق في العلم — ما يُسمّى غالبًا "النهج الإديسوني" — يقترب من نهايته. لا تدريجيًا. بل فجأة.

لماذا لا يزال منهج إديسون هو الافتراضي في البحث والتطوير؟

اختبر توماس إديسون آلاف الشعيرات الكربونية قبل أن يجد واحدة تتوهج لمدة كافية لتكون مفيدة. تُروى تلك القصة كأمثولة عن المثابرة. لكن ما يُحذف منها هو أنه حتى نيكولا تسلا، معاصر إديسون، أشار إلى أن "قليلًا من النظرية والحساب" كان بإمكانه توفير 90% من الجهد. وفي النهاية اقتنع إديسون نفسه بمناهج أكثر تنظيمًا. لكن إرثه — التجربة والخطأ بالقوة الغاشمة — صار بطريقة ما المنهجية التأسيسية للبحث الصيدلاني وبحوث المواد الحديثة.

كان يُفترض بالفحص عالي الإنتاجية، أو HTS، أن يجعل هذا صناعيًا. أن يؤتمت التخمين. أن يختبر مليون مركّب بدل ألف. ولفترة، نجح — أو على الأقل، بدا وكأنه ينجح. لكن معدلات الإصابة ظلت تنخفض. والإيجابيات الكاذبة ظلت تتصاعد. والمركّبات التي "نجحت" في الفحص تبيّن أنها سامة أو غير قابلة للذوبان أو يستحيل تصنيعها على نطاق واسع. قد تختبر حملة HTS قياسية 10⁶ مركّبات. وحتى لو وسّعت ذلك إلى مليار — 10⁹ — لكنت قد استكشفت نحو 0.000000000000000000000000000000000000000000000000001% من الفضاء الكيميائي المتاح.

منهج إديسون في الكيمياء الحديثة يشبه محاولة رسم خريطة للمحيط الهادئ بغمس ملعقة صغيرة في الماء على فترات عشوائية.

العواقب المالية وحشية. بلغت تكلفة تطوير دواء جديد نحو 2.23 مليار دولار للأصل الواحد في عام 2024. وانهار معدل العائد الداخلي على البحث والتطوير الصيدلاني إلى 1.2% في عام 2022 قبل أن يرتد إلى 5.9% في عام 2024 — وكان ذلك التعافي مدفوعًا إلى حد كبير بفئة واحدة من الأدوية (ناهضات GLP-1)، لا بأي تحسّن منهجي في كيفية عمل الاكتشاف. لهذا التراجع اسمٌ حتى: قانون إروم. وهو قانون مور مكتوبًا بالمقلوب. ففي كل عقد، يصبح اكتشاف الأدوية أبطأ وأكثر تكلفة.

أتذكر محادثة مع عالِم مواد — شخص أكنّ له احترامًا عميقًا — قال لي بصراحة تامة: "نحن نعلم أننا نهدر معظم ميزانيتنا. لكننا لا نعرف أي التجارب ينبغي تخطيها." لاحقتني تلك الجملة. لأن الجواب الصادق هو: يمكنك أن تعرف. كل ما تحتاجه هو نوع مختلف من الأدوات. ليست ماصّة أفضل. بل خريطة أفضل.

الليلة التي اختلفت فيها المحاكاة مع المختبر

عندما بدأ فريقي أولًا في بناء نماذج مستندة إلى الفيزياء للتنبؤ بالمواد، مررنا بتجربة مُذلّة. كنا قد دربنا نموذجًا للتنبؤ باستقرار فئة من المركّبات غير العضوية. أشار النموذج إلى تركيبة معينة على أنها غير مستقرة ترموديناميكيًا — أي أنه قال في جوهره "لا تتكبّد عناء تصنيع هذه". لكن الأدبيات أوحت بعكس ذلك. زعمت ورقة بحثية منشورة أن هذه التركيبة واعدة.

تجادلنا حولها يومين. أراد نصف الفريق أن يثق بالنموذج. وقال النصف الآخر إننا نتصرف بغطرسة — من نكون كي نُبطل نتائج تجريبية منشورة؟ في النهاية تعمّقنا أكثر في الورقة ووجدنا أن النتيجة "الواعدة" كانت مبنية على طور شبه مستقر يتحلل في غضون ساعات تحت ظروف التشغيل الحقيقية. كان النموذج على حق. والورقة كانت على حق من الناحية التقنية أيضًا — فالمادة موجودة — لكنها كانت عديمة الفائدة لأي تطبيق عملي.

كانت تلك اللحظة التي أدركت فيها الفرق بين التعلّم الآلي المستنير بالفيزياء ونوع الذكاء الاصطناعي الذي يسيطر على العناوين الرئيسية. معظم الذكاء الاصطناعي في السوق حاليًا — ذلك المبني فوق نماذج اللغة الكبيرة — يتعلّم من الارتباطات في البيانات. إنه مطابقة أنماط على نطاق واسع. وهو استثنائي في العديد من المهام. لكن الجزيئات ليست جُملًا. إنها رسوم بيانية ثلاثية الأبعاد ذات قيود هندسية، ومدارات إلكترونية، وكيرالية، وحدود ترموديناميكية لا تأبه للأنماط التي رآها GPT-4 في مجموعة تدريبه.

يُضمّن التعلّم الآلي المستنير بالفيزياء قوانين الفيزياء الفعلية — حفظ الكتلة، والمعادلات الترموديناميكية، والقيود الميكانيكية الكمّية — مباشرة في بنية النموذج. فبدلًا من الحاجة إلى ملايين نقاط البيانات كي يتعلّم أن الطاقة محفوظة، فإن النموذج يعرف ذلك منذ البداية. وهذا يعني ثلاثة أمور ذات أهمية بالغة في الممارسة العملية:

إنه يحتاج إلى بيانات تدريب أقل بكثير. ويمكنه الاستقراء إلى ما وراء توزيع تدريبه دون توليد نتائج مستحيلة فيزيائيًا. وهو لا يهلوس جزيئات تنتهك الكيمياء الأساسية.

كتبت عن هذا التمييز بعمق أكبر بكثير في النسخة التفاعلية من بحثنا، لكن الفكرة الجوهرية بسيطة: إذا كان بإمكان ذكائك الاصطناعي أن يقترح جزيئًا ينتهك حفظ الكتلة، فهو لا يمارس العلم. إنه يمارس الإكمال التلقائي.

ماذا يحدث حين تُغلق الحلقة؟

هنا تصبح الأمور مثيرة للاهتمام — وهنا أنفقنا معظم جهدنا الهندسي. التنبؤ بالمواد حاسوبيًا هو الخطوة الأولى. لكن التنبؤ وحده لا يزال حلقة مفتوحة. أنت تُحاكي، فتحصل على نتيجة، ويفسّرها إنسان، ويصمّم إنسان آخر التجربة التالية، ويحجز أحدهم وقتًا على جهاز التصنيع، وبعد أسابيع تحصل على نقطة بيانات واحدة. عنق الزجاجة ليس الذكاء الاصطناعي. إنه الإنسان في المنتصف.

التحوّل الحقيقي يحدث عندما تُغلق الحلقة: الذكاء الاصطناعي يتنبأ، وروبوت يصنّع، ومستشعرات تُوصّف النتيجة، والبيانات تتغذى راجعةً إلى النموذج، والذكاء الاصطناعي يختار التجربة التالية. لا إنسان في المنتصف. تصميم-صنع-اختبار-تحليل، يعمل باستمرار.

أثبت مختبر A-Lab في مختبر لورنس بيركلي الوطني هذا على نطاق واسع. صنّع نظامهم الذاتي 41 مركّبًا غير عضوي جديدًا في 17 يومًا — إنتاجية كانت ستستغرق الباحثين البشر أشهرًا. عندما فشل تصنيع ما، حلّل الذكاء الاصطناعي نمط حيود الأشعة السينية، وعدّل نِسب السلائف وملامح التسخين، وأعاد المحاولة. معدل نجاح بلغ 71% لمواد جديدة، تحقق بنظام يصحّح أخطاءه الخاصة في الوقت الفعلي.

لكن المحرّك الرياضي الكامن تحت هذا — الجزء الذي يجعل الأمر برمّته يعمل — هو شيء يُسمّى التعلّم النشط مع التحسين البايزي. ويستحق الفهم، لأنه السبب في أن المختبرات مغلقة الحلقة ليست أسرع فحسب من المختبرات التي يقودها البشر، بل أكثر كفاءة جوهريًا.

لماذا يتفوّق التحسين البايزي على الفحص العشوائي؟

الفحص التقليدي عشوائي. تختار مركّبات من مكتبة، وتختبرها، وتأمل. أما التحسين البايزي فيفعل شيئًا مختلفًا جذريًا: يبني نموذجًا احتماليًا لفضاء البحث بأكمله، بما في ذلك ما لا يعرفه، ثم يختار استراتيجيًا التجربة التي ستُعلّمه أكثر من غيرها.

يتنبأ النموذج بشيئين لكل نقطة غير مختبرة: قيمة متوقعة (مدى جودة هذه المادة المحتملة) وعدم يقين (مدى ثقة النموذج في ذلك التنبؤ). ثم توازن دالة اكتساب — فكّر فيها كاستراتيجية اتخاذ القرار لدى الذكاء الاصطناعي — بين الاستكشاف (بحث المناطق غير المؤكّدة) والاستغلال (صقل المناطق التي تبدو واعدة).

هنا يصبح الأمر أنيقًا. حققت جهد التعلّم الآلي ANI-1x دقة بمستوى DFT — أي نظرية الكثافة الوظيفية، المعيار الذهبي للكيمياء الحاسوبية — بينما استخدمت فقط 10% من البيانات التي كان سيتطلبها أخذ العينات العشوائي الساذج. ويمكن للتحسين البايزي المستنير بالتكلفة أن يخفّض تكاليف الكواشف بنسبة تصل إلى 90% عبر مراعاة سعر كل تجربة عند تقرير ما يُختبر تاليًا. فإذا قدّمت تجربتان معلومات متماثلة، لكن إحداهما تكلّف 5000 دولار من الكواشف والأخرى تكلّف 50 دولارًا، يختار النظام الرخيصة.

التعلّم النشط لا يجد الإجابات بسرعة أكبر فحسب. بل يطرح أسئلة أفضل.

أمر يفاجئ الناس باستمرار: في هذا الإطار، التجارب الفاشلة هي من أثمن البيانات التي يمكنك توليدها. في النموذج الإديسوني، تُدفن النتيجة السلبية في دفتر مختبر. أما في التعلّم النشط، فكل إخفاق يشحذ فهم النموذج لموضع الحدود. إنه يرسم خرائط الطرق المسدودة في الكيمياء — بشكل دائم — كي لا تهدر المؤسسة الموارد أبدًا على تلك المسارات مجددًا. تلك المعرفة الطوبولوجية بمشهد الإخفاقات هي ملكية فكرية تتراكم مع مرور الوقت.

مشكلة "فقط استخدم GPT"

أحتاج إلى معالجة أمر مباشرةً، لأنني أسمعه باستمرار. المستثمرون، والعملاء المحتملون، وحتى بعض العلماء يقولون: "لماذا لا نستخدم GPT-4 لهذا فحسب؟ إنه يعرف الكيمياء."

إنه لا يعرفها. ليس بالطريقة التي تهمّ.

تمثّل نماذج اللغة الكبيرة الجزيئات كسلاسل نصية — عادة ترميز SMILES، وهو ترميز خطي لبنية ثلاثية الأبعاد. هذا أشبه بوصف مبنى بقراءة عنوانه بصوت عالٍ وتوقُّع أن يفهم أحدهم المخطط الطابقي. نماذج اللغة الكبيرة "حساسة للترتيب" (ترتيب الأحرف يهم)، بينما الجزيئات لا تتأثر بالترتيب (ترتيبك لسرد الذرات غير ذي صلة). تُظهر المقاييس المرجعية باستمرار أن الشبكات العصبية البيانية، التي تنمذج الجزيئات كرسوم بيانية ثلاثية الأبعاد فعلية ذات عُقد وحواف، تتفوق على نماذج اللغة الكبيرة في مهام التنبؤ بالخصائص التي تنطوي على بنية هندسية.

البنية الصحيحة — تلك التي ندعو إليها ونبنيها — هجينة. نماذج اللغة الكبيرة منسّقون بارعون. يمكنها تحليل الأدبيات العلمية، واستخراج وصفات التصنيع، وتوليد بروتوكولات تجريبية، والاستدلال حول الاستراتيجية عالية المستوى. لكن للعمل الشاق المتمثل في تصميم الجزيئات، وتحليل الاستقرار، والتنبؤ بالخصائص، تحتاج إلى شبكات عصبية بيانية مقيّدة بالفيزياء. النموذج اللغوي الكبير هو مدير المشروع. والشبكة العصبية البيانية هي المهندس. أنت بحاجة إلى كليهما، وبحاجة إلى معرفة أيهما تأتمنه على أي مهمة.

الكثير من عروض الذكاء الاصطناعي الحالية في العلوم هي أغلفة حول واجهات برمجة تطبيقات نماذج لغوية كبيرة عامة. لا يمكن للغلاف أن يفرض حفظ الكتلة. ولا يمكنه الإبحار في فضاء بحث بحجم 10¹⁰⁰ بصرامة بايزية. ولا يمكنه التكامل مع العتاد الروبوتي الذي يُغلق الحلقة.

للاطلاع على التفصيل التقني الكامل لهذه القرارات المعمارية — بما في ذلك كيفية دمج التحسين متعدد الدقة بيانات المحاكاة الرخيصة مع النتائج التجريبية باهظة الثمن — انظر ورقتنا البحثية المفصّلة.

السباكة التي لا يتحدث عنها أحد

هناك سرّ قذر في بحوث المختبرات الذاتية: الذكاء الاصطناعي غالبًا ما يكون الجزء السهل. الجزء الصعب هو جعل مطياف الطيف يتحدث إلى مناول السوائل ليتحدث إلى الصفيحة الساخنة ليتحدث إلى الذكاء الاصطناعي. تتحدث أدوات المختبر من موردين مختلفين لغات احتكارية مختلفة. وبدون طبقة ترجمة عالمية، يكون مختبرك ذاتي القيادة دماغًا في وعاء.

لهذا السبب فإن معيار SiLA 2 — التوحيد القياسي في أتمتة المختبرات — يهم كثيرًا، ولهذا أنفقنا قدرًا غير براق لكن بالغ الأهمية من الوقت على البرمجيات الوسيطة. يعامل SiLA 2 كل أداة كخدمة مصغّرة. يرسل الذكاء الاصطناعي أمرًا عالي المستوى ("وزّع 5 مل") دون الحاجة إلى معرفة بروتوكول المنفذ التسلسلي لذراع الروبوت المعينة. يعمل على بروتوكولات الويب الحديثة، ويدعم الاتصال السحابي، و — بشكل حاسم — يمكنه تغليف الأدوات القديمة. يمكن لجهاز HPLC عمره عشرون عامًا أن يصبح جزءًا من حلقة ذاتية.

قبل أن يتحرك أي روبوت فيزيائي، نُحاكي التجربة بأكملها في توأم رقمي — نسخة افتراضية من المختبر تتحقق من التوقيت، ومسارات التصادم، واللوجستيات. وعندما تُجرى التجربة الحقيقية، نقارن بيانات المستشعرات مع تنبؤات التوأم لاصطياد الشذوذات: ماصّة مسدودة، أو مستشعر حرارة منجرف. التوأم هو شبكة الأمان التي تجعل الذاتية جديرة بالثقة.

سأكون صادقًا: هذا هو الجزء من العمل الذي لا يكتب عنه أحد بيانات صحفية لاهثة. لكنه الجزء الذي يحدّد ما إذا كان مختبر مغلق الحلقة يعمل فعلًا في الإنتاج أم يعمل في عرض توضيحي فقط.

الأرقام التي غيّرت رأيي

جئت إلى هذا العمل متشككًا في الضجيج. لطالما كان الذكاء الاصطناعي في اكتشاف الأدوية "على بُعد خمس سنوات" طوال عشرين عامًا. ما غيّر رأيي لم يكن النظرية. بل كانت نتائج محددة.

أوصلت Exscientia جزيئات صغيرة مصممة بالذكاء الاصطناعي إلى المرحلة الأولى من التجارب السريرية في نحو 12 شهرًا، مقابل متوسط صناعي يبلغ 4–5 سنوات. ونقلت Insilico Medicine مرشحًا لعلاج التليف من اكتشاف الهدف إلى مرشح ما قبل السريري في أقل من 18 شهرًا، بجزء بسيط من التكلفة المعتادة. و41 مركّبًا لمختبر A-Lab في 17 يومًا. ونماذج معهد Broad التنبؤية للسمّية التي ترشّح المركّبات الخطرة قبل التصنيع، موفّرة الملايين من تكاليف الإخفاق اللاحقة.

هذه ليست تنبؤات. إنها نتائج. وهي تشترك في بنية مشتركة: المحاكاة قبل التصنيع، والنماذج المستنيرة بالفيزياء، وحلقات التغذية الراجعة المغلقة، والالتقاط المنهجي للبيانات السلبية.

يسألني الناس أحيانًا عمّا إذا كان هذا يُلغي الحاجة إلى المختبرات الرطبة كليًا. إنه لا يفعل. المختبر الرطب لا يزال حيث تعيش الحقيقة — حيث تلتقي تنبؤات النموذج بالواقع. ما يتغير هو النسبة. فبدلًا من إجراء عشرة آلاف تجربة للعثور على إصابة واحدة، تُجري خمسين. يصبح المختبر الرطب أداة تحقق، لا محرك بحث.

يقلق آخرون بشأن إزاحة الوظائف — هل سيحل هذا محل العلماء؟ من واقع خبرتي، يحدث العكس. العلماء الذين عملت معهم ويتبنّون هذه الأدوات لا يصبحون أقل أهمية. بل يصبحون أكثر استراتيجية. يقضون وقتهم في المشكلات التي تتطلب حكمًا بشريًا — تفسير النتائج غير المتوقعة، وتصميم نماذج تجريبية جديدة، وطرح أسئلة لم يُدرَّب الذكاء الاصطناعي على طرحها — بدلًا من شقّ طريقهم بالماصّة عبر مكتبة من المركّبات التي يشتبهون أصلًا في أنها لن تنجح.

أصبح الفن هندسة

أفكّر في ذلك الجدول كثيرًا. كل تلك الصفوف التي كُتب فيها "فشل". كل واحدة منها مثّلت فرضية أحدهم، وبعد ظهيرة أحدهم، وميزانية أحدهم. في النموذج الإديسوني، كانت تلك الإخفاقات كلفة ممارسة العمل — حتمية، ومتوقعة، وغير مرئية إلى حد كبير في الحساب النهائي.

في النموذج الذي نبنيه، كان سيُتنبأ بكل واحد من تلك الإخفاقات. ليس بها جميعًا — أنا لا أدّعي العلم بكل شيء. لكن بما يكفي منها بحيث يصبح الجدول جزءًا يسيرًا من طوله، ويبدو عمود "النتيجة" مختلفًا جدًا.

فضاء البحث للجزيئات والمواد الجديدة شاسع بشكل يفوق الإدراك. لا قدر من الحدس البشري، ولا أسطول من مناولات السوائل، ولا حملة HTS بمليار دولار يمكنها استكشافه بشكل ذي معنى عبر التجريب الفيزيائي وحده. الرياضيات ببساطة لا تسمح بذلك. ما تسمح به الرياضيات هو الملاحة الذكية — باستخدام نماذج مقيّدة بالفيزياء للمحاكاة قبل التصنيع، والتحسين البايزي لطرح الأسئلة الصحيحة بالترتيب الصحيح، والأتمتة الروبوتية لإغلاق الحلقة بين التنبؤ والواقع.

أنتج العصر الإديسوني أشياء استثنائية. لكنه كان منهجية وُلدت من زمن لم تستطع فيه النظرية مجاراة التجربة. لم نعد نعيش في ذلك الزمن. النظرية موجودة هنا. والقدرة الحاسوبية موجودة هنا. والروبوتات موجودة هنا. الشيء الوحيد المتبقي هو الاستعداد المؤسسي للتوقف عن معاملة البحث والتطوير كفنّ يمارسه أفراد موهوبون والبدء في معاملته كتخصص هندسي مدعوم بأنظمة حتمية.

لا تخمّن وتتحقق. حاكِ واختر.

هذا ليس شعارًا. إنه ضرورة اقتصادية. كل مادة تُختبر فيزيائيًا كان بالإمكان استبعادها حاسوبيًا هي مالٌ يُحرق. والمؤسسات التي تفهم هذا أولًا لن تتحرك أسرع فحسب — بل ستجعل الطريقة القديمة للعمل غير قابلة للاستمرار اقتصاديًا لكل شخص آخر.