المشكلة
قال نيكولا تسلا ذات مرة إن «قليلًا من النظرية والحساب» كان سيوفر على توماس إديسون 90% من عنائه. وبعد أكثر من قرن، ما زالت صناعات الأدوية وعلوم المواد تتبع منهج إديسون نفسه — تصنّع مكتبات هائلة من المركبات وتختبرها فعليًا على أمل أن تصطدم بالفائز صدفةً. الأرقام تكشف بدقة مدى انهيار هذا النهج.
تُقدَّر فضاء الجزيئات الشبيهة بالأدوية بما بين 10^60 و10^100. إن أفضل حملات فحص عالية الإنتاجية لديك تختبر نحو مليون مركب. هذا يعني أنك تغطي 0.000000000000000000000000000000000000000000000000001% من الخيارات المتاحة. يقول الكتاب التقريري بلا مجاملة: الأمر أشبه بمحاولة رسم خريطة المحيط الهادئ عبر غمس ملعقة صغيرة في الماء على فترات عشوائية. إن كنت تختبر مواد جديدة في مختبر رطب دون محاكاتها أولًا، فأنت تُشعل النار في النقود.
هذه ليست فضولًا تقنيًا. إنها أزمة بنيوية في اقتصاديات البحث والتطوير. «المنهج الإديسوني» — التجربة والخطأ بالقوة الغاشمة — يستبدل الذكاء بالعمل اليدوي. وتتفاقم هذه المقايضة أسًّا مع كل زيادة في تعقيد أهدافك. الثمار السهلة من الجزيئات الصغيرة البسيطة قطفت من قبل. وما تبقى يتطلب مقاربة مختلفة جوهريًا: حاكِ أولًا، ثم اصنع فقط المرشحات الأعلى احتمالًا.
لماذا يهم هذا عملك التجاري
الضرر المالي ظاهر بالفعل في دفاتر صناعتك. إليك الأرقام التي ينبغي أن تقلق مجلس إدارتك:
- 2.23 مليار دولار لكل دواء جديد — هذا هو متوسط تكلفة تطوير أصل صيدلاني واحد حتى عام 2024. هذا الرقم يستوعب تكلفة آلاف الإخفاقات مقابل كل نجاح.
- معدل عائد داخلي 1.2% — بلغت العائدات في البحث والتطوير الصيدلاني أدنى مستوى منذ اثني عشر عامًا في 2022 قبل أن تتعافى إلى 5.9% في 2024. وقد قاد هذا الارتداد حالات شاذة مثل منبهات GLP-1 إلى حد كبير، لا تحسنًا منهجيًا.
- معدل فشل ~90% — الغالبية العظمى من مرشحات البحث والتطوير لا تصل إلى السوق أبدًا. كل دولار يُنفق على اختبار مركب فعليًا كان يمكن للمحاكاة استبعاده هو دولار سُحب من مرشح قابل للحياة.
- الذكاء الاصطناعي الواعي بالتكلفة يمكن أن يخفض تكاليف الكواشف حتى 90% — الخوارزميات التي تضع سعر التجارب إلى جانب قيمتها المعلوماتية قد أظهرت وفورات هائلة.
لهذا الانخفاض في إنتاجية البحث والتطوير اسم: قانون إيروم — قانون مور مكتوب بالمعكوس. كل جيل من الأدوية يصبح أصعب وأغلى في الاكتشاف. منافسوك يواجهون الجدار ذاته، لكن من ينتقل إلى الاكتشاف القائم على المحاكاة أولًا سيعبر ذلك الجدار قبلك بسنوات.
أما بالنسبة لقائمة أرباحك وخسائرك، فالأثر مباشر. الفحص عالي الإنتاجية ثقيل المصروفات التشغيلية: مستهلكات وكواشف ووقت موظفين وساعات معدات. كل تجربة تتجنبها بتنبؤ أفضل تنزل مباشرة إلى صافي النتيجة. وفي الوقت ذاته، ساعات البراءات تواصل الدق. كل يوم تُوفَّره في البحث والتطوير هو يوم إضافي من الحصرية السوقية. الجزيئات الصغيرة المصممة بالذكاء الاصطناعي من شركات مثل Exscientia بلغت التجارب السريرية للمرحلة الأولى في نحو 12 شهرًا، مقابل متوسط صناعي يتراوح بين أربع إلى خمس سنوات.
ما الذي يجري فعلًا تحت الغطاء
الفشل الجوهري هو أن الاكتشاف التقليدي يفحص المركبات بدل تصميمها. الفحص يفترض أن إجابتك موجودة أصلًا داخل مكتبة جاهزة. لكن عندما تنتقل إلى المستحضرات الحيوية المعقدة والسبائك متعددة العناصر والمواد النانوية البنيوية، تنخفض احتمالية وجود الحل الأمثل في أي مكتبة قابلة للإدارة فعليًا إلى ما يقارب الصفر.
فكر في الأمر هكذا. لديك قفل تركيب بمئة رقم. الفحص التقليدي يجرب التركيبات العشوائية واحدًا تلو الآخر. أما المقاربة القائمة على المحاكاة أولًا فتدرس ميكانيكية القفل، وتضيق الاحتمالات إلى حفنة، ثم تدير القرص.
السوق مغمور بنماذج ذكاء اصطناعي صندوق أسود تتعلم من ارتباطات البيانات فقط. هذه النماذج تنهار في المجالات الجديدة لأن البيانات التجريبية شحيحة ومشوشة ومكلفة الجمع. التعلم الآلي القياسي يؤدي جيدًا ضمن بيانات تدريبه لكنه يفشل حين يُطلب منه التنبؤ بخواص فئات مواد جديدة كليًا. والأسوأ من ذلك، أدوات الذكاء الاصطناعي التوليدي المبنية على النماذج اللغوية الكبيرة قد «تهلوس» — تولد أوصافًا للجزيئات تبدو معقولة لكنها تخالف الكيمياء الأساسية. قد تقترح بنية تنتهك قواعد التكافؤ أو تتجاهل حفظ الكتلة. الجزيئات رسوم بيانية ثلاثية الأبعاد من ذرات وروابط، لا سلاسل نصية. ومعاملتها كجُمل تؤدي إلى مخرجات مستحيلة فيزيائيًا.
البديل هو التعلم الآلي المستند إلى الفيزياء (PIML) — نماذج تدمج قوانين الفيزياء ذاتها (حفظ الطاقة، الديناميكا الحرارية، ميكانيكا الكم) مباشرة في بنية الذكاء الاصطناعي. هذه النماذج تحتاج بيانات تدريب أقل بكثير لأن قواعد الكيمياء مدمجة فيها. وهي تستقرئ أفضل في المجهول. ولا يمكنها اقتراح جزيئات تنتهك قيودًا فيزيائية أساسية. نظام يُدعى FlowER يتتبع صراحة كيف تعيد الإلكترونات توزيع نفسها أثناء التفاعلات الكيميائية، ضامنًا أن الكتلة والشحنة محفوظتان دائمًا. لا يوجد نموذج لغوي قياسي يقدر على ذلك.
ما الذي يعمل (وما لا يعمل)
ثلاثة مقاربات تبدو واعدة لكنها تقصر:
- مكتبات فحص أكبر: التوسع من مليون إلى مليار مركب ما زال يغطي جزءًا يتلاشى من الفضاء الكيميائي. لا يمكنك اختراق 10^60 احتمال بالقوة الغاشمة.
- أغلفة ذكاء اصطناعي عامة فوق نماذج لغوية عمومية: تساعدك هذه الأدوات في مراجعة الأدبيات وصياغة البروتوكولات، لكنها تفتقر إلى القيود الفيزيائية الخاصة بالمجال التي يتطلبها التصميم الجزيئي. الغلاف لا يستطيع فرض حفظ الكتلة في تفاعل كيميائي.
- «الفشل السريع» دون محاكاة: الفشل في مختبر رطب مكلف — كواشف وزمن تصنيع ومعدات تحرق جميعها رأس المال. الفشل الفيزيائي السريع يظل بطيئًا ومكلفًا مقارنة بالفشل الافتراضي الذي يستغرق أجزاء من الثانية من زمن حوسبة.
ما يعمل فعلًا هو معمارية حلقة مغلقة من ثلاث خطوات:
التنبؤ والاختيار (المدخل): محرك التحسين البايزي — إطار رياضي يوازن بين استكشاف مناطق كيميائية مجهولة وصقل مناطق واعدة معروفة — يحدد التجربة الأعلى قيمة لتُنفذ بعد ذلك. إنه لا يخمّن عشوائيًا. بل يحسب أين يقع أكبر مكسب معلوماتي نسبةً إلى التكلفة. نسخ متعددة الدقة من هذه الخوارزمية تمزج محاكاة حاسوبية رخيصة بنتائج مخبرية مكلفة، فلا تطلق التجارب الفعلية إلا حين تكون ثقة المحاكاة منخفضة أكثر من اللازم.
الأتمتة والتصنيع (المعالجة): تتلقى المنصات الروبوتية التعليمات من الذكاء الاصطناعي، فتصنع المادة المتنبأ بها وتنفذ اختبارات التوصيف — مطيافية، حيود الأشعة السينية، مجهرية — دون تدخل بشري. استخدم مختبر A-Lab في مختبر لورانس بيركلي الوطني هذه المقاربة لتصنيع 41 مركبًا غير عضويًا مبتكرًا خلال 17 يومًا. وحين تفشل عملية تصنيع، يحلل الذكاء الاصطناعي النتائج ويعدل الوصفة ويعيد المحاولة باستقلالية تامة.
التعلم والتحديث (المخرج): كل نتيجة — نجاحًا كانت أم فشلًا — تعود إلى تغذية النموذج. هنا يتحول البيانات السلبية إلى ذهب. التجارب الفاشلة تشحذ فهم الذكاء الاصطناعي لما لا يعمل، وترسم خرائط نهائية للمناطق المسدودة في الكيمياء. لن تهدر منظمتك الموارد على تلك المسارات مجددًا. وهذه المعرفة المتراكمة بمشاهد الفشل ملكية فكرية دائمة.
أما لفرق الامتثال والتدقيق لديك، فهذه الحلقة تخلق ما ينقص البحث والتطوير التقليدي: سجلًا كاملاً وقابلًا للتتبع لكل تنبؤ، ولكل منطوق قرار، ولكل نتيجة تجريبية. الذكاء الاصطناعي لا يكتفي بقول «جرّب هذا المركب». بل يريك لماذا فضّل هذا المركب على كل البدائل، وما كان يتوقع أن يتعلمه، وكيف غيّرت النتيجة نموذه. مسار القرار هذا قابل للتدقيق والتكرار والدفاع.
وتضيف توأمتك الرقمية — النسخة الافتراضية من مختبرك الفعلي — طبقة حماية أخرى. قبل أن يتحرك أي روبوت، تجري التجربة في المحاكاة. هذا يلتقط أخطاء البروتوكول وتعارضات التوقيت واصطدامات المعدات قبل أن تدمر عينات أو أجهزة. والمقارنة اللحظية بين تنبؤات التوأم وبيانات المستشعرات الفعلية ترصد شذوذات مثل الماصات المسدودة أو درجات الحرارة المنحرفة قبل أن تخرب دفعة كاملة.
الحجة الاقتصادية واضحة ومباشرة. المعدات المستقلة تعمل على مدار الساعة طوال الأسبوع بنسبة تشغيل تقارب 100%، مقابل 30–40% المعتادة في المختبرات العاملة بالبشر. نقلت Insilico Medicine مرشحًا مضادًا للتليف اكتُشف بالذكاء الاصطناعي من اكتشاف الهدف إلى المرحلة ما قبل السريرية في أقل من 18 شهرًا وبجزء يسير من التكلفة المعتادة. هذه ليست توقعات. إنها نتائج سُلِّمت فعلًا في بيئات إنتاج.
أبرز النقاط
- يتسع الفضاء الكيميائي حتى 10^100 جزيء ممكن — حتى فحص مليار مركب يغطي جزءًا مهملًا، ما يجعل الاكتشاف بالقوة الغاشمة محكومًا عليه إحصائيًا بالفشل.
- بلغت تكلفة تطوير دواء جديد واحد الآن 2.23 مليار دولار في المتوسط، وسجلت عائدات البحث والتطوير الصيدلاني أدنى مستوى منذ اثني عشر عامًا عند 1.2% في 2022.
- تدمج نماذج الذكاء الاصطناعي المستندة إلى الفيزياء قوانين الكيمياء مباشرة، مانعةً الجزيئات المهلوسة التي تنتجها النماذج اللغوية القياسية.
- صنعت المختبرات المستقلة ذات الحلقة المغلقة مثل A-Lab 41 مادة مبتكرة في 17 يومًا — مهمة تستغرق من الباحثين البشر شهورًا أو سنوات.
- يستطيع التحسين البايزي الواعي بالتكلفة خفض تكاليف كواشف التجارب حتى 90% مع بلوغ النتائج ذاتها.
الخلاصة
الحساب واضح: التجربة والخطأ الفعليان لا يمكنهما استكشاف فضاء من 10^60 جزيء، وكل تجربة مختبرية رطبة غير محاكاة تخاطر بحرق رأس المال على مركبات تنتهك الفيزياء الأساسية. الذكاء الاصطناعي ذو الحلقة المغلقة الذي يدمج القوانين الفيزيائية، ويتعلم من كل فشل، ويخلق مسار قرار قابلًا للتدقيق، هو ما يعيد اقتصاديات البحث والتطوير إلى نصابها. اسأل مزود الذكاء الاصطناعي لديك: حين يقترح نموذجك جزيءًا جديدًا، هل يستطيع إثبات أن التنبؤ يلتزم حفظ الكتلة والاستقرار الثرموديناميكي — وإظهار مسار القرار الكامل وراء اختيار ذلك المرشح على كل بديل؟