Her birkaç on yılda bir, birileri bilimin sonuna gelindiğini ilan eder. 1903 yılında saygın fizikçi Albert Michelson, "fizik biliminin gerçeklerinin tamamı keşfedildi" diye yazmıştı. 1980'lerde ise Stephen Hawking, teorik fiziğin yüzyılın sonuna kadar tamamlanabileceğini öngörmüştü. Yapay zekanın patlayıcı yükselişiyle birlikte bu his tekrar havada uçuşmaya başladı; üstelik bu sefer yanında bir Nobel Ödülü de var.
2024 yılında Google DeepMind'dan Demis Hassabis ve John Jumper, binlerce deneysel olarak ölçülmüş şekilden öğrenerek proteinlerin üç boyutlu yapılarını tahmin eden sinir ağı AlphaFold sayesinde Nobel Kimya Ödülü'nün bir kısmını aldı. Yarım asırdır sistematik saldırılara direnen bu zorlu problem, AlphaFold ile bir kez ve kesin olarak çözülmüş gibiydi ve dünya bu yaklaşımın vaadine odaklandı. Hassabis ve ekibi, AlphaFold için "yapay zekanın tüm bilimi dijital hıza nasıl ulaştırabileceğinin şablonu" ifadesini kullandı. DeepMind'ın başarısının rüzgarını arkasına alan, biyoloji, kimya ve malzeme keşfi için temel modeller geliştiren bir girişim dalgası milyarlarca dolar fon topladı. AlphaFold, yapay zeka ve yeterli verinin birleşiminin çığır açan keşifler yapabileceğini gösterdi ve bir kez daha, bilimin geri kalanı için önümüzde bir yol haritası seriliyordu.
Elbette yapay zeka bilim dünyasında olağanüstü değişiklikler yaratacak, ancak AlphaFold ve benzerlerinin bu dönüşüm için en iyi şablon olmayacağı giderek daha net hale geliyor. AlphaFold gibi bir başarı derin bir etki yaratsa da, onu mümkün kılan koşullar nadirdir ve diğer alanlarda bu koşulları sağlamanın alacağı süre yıllarla değil, on yıllarla ölçülecektir. Bunun yerine, bilimdeki hızlanma başka bir yaklaşım sayesinde gerçekleşecek: Yapay zeka ajanları.
AlphaFold'un başarısının birincil koşulu, DeepMind ekibinin modelini eğitebileceği yaklaşık 170.000 deneysel olarak doğrulanmış protein yapısından oluşan bir veri seti olan Protein Veri Bankası'nın varlığıydı. Protein Veri Bankası'nın oluşturulması hiç de kolay olmadı: 53 yıllık uluslararası bilimsel işbirliği ve yakın bir tahmine göre derlemesi için yaklaşık 21 milyar dolar değerinde deneysel çalışma gerektirdi. Bu ölçekteki çabaların fonlanması son derece zor, koordine edilmesi neredeyse imkansız ve yürütülmesi çok zaman alıcıdır; bu nedenle genellikle başarısızlıkla sonuçlanırlar.
Ancak gerekli uyuma ve kaynaklara sahip alanlarda ve ilgili veriler ticari mülkiyet nedeniyle erişilmez hale getirilmediğinde bile, çok fazla konuşulmayan başka bir engel daha var: Karşılaştırılabilir veriler üretmenin bilimsel olarak imkansız olması. Protein yapıları söz konusu olduğunda, temel deneysel teknik olan protein kristalografisi, olağanüstü derecede tekrarlanabilir ve güvenilir bir araçtır; o kadar ki 25'ten fazla Nobel Ödülü bu tekniğe dayanmıştır. Ancak deneysel bilimin çoğunda sonuçlar çoğu zaman farklılık gösterir. Hücre hatları sapma gösterir. Kimyasallar eser miktarda kirletici içerir. Laboratuvar nemi değişir. Biyolojide veya kimyanın çoğunda modern bir sinir ağını eğitmek için yeterince tutarlı, doğru, hassas ve ölçeklenebilir ölçülmüş veri setlerinin oluşturulması, yeni ölçüm türlerini ve yeni standartlaştırılmış yaklaşımları gerektirecektir ki bunların hiçbiri yakın zamanda hazır olmayacaktır.
Elbette bu gereksinimlerin karşılandığı birkaç alan var: hava durumu tahmini, genomik alanının büyük bir kısmı ve kimyanın çok sınırlı alanları. Henüz karşılaşmadıysalar bile, bu alanlar yakında AlphaFold tarzı atılımlar görebilir. ABD Ulusal Güvenlik Komisyonu'nun Gelişen Biyoteknoloji üzerine yaptığı gibi, bu veri setlerinin üretimi ve koordinasyonu için hükümet desteği kritik önem taşıyacaktır. Ancak bilimdeki açık soruların çoğu için, en azından kısa vadede farklı bir plana ihtiyacımız olacak. Neyse ki, daha sessiz ve daha mütevazı bir şey umut vadetmeye başladı.
Bilim insanları her zaman belirsizlik altında akıl yürütmüşlerdir. Yeni ilaç hedefleri belirlemek için çalışan biyologların asla mükemmel veri setleri olmamıştır. Bunun yerine, kenetlenme hesaplamalarını ve bilinen yapıları birleştirir, moleküler dinamikleri hesaba katar, bir avuç bağlanma testi çalıştırır ve her yöntemi kendi özel güçlü ve zayıf yönlerine göre tartmak için muhakemelerini kullanırlar. Bilimin becerisi tek bir araçta değil, birçok aracın ürettiği sonuçları sentezlemekte ve kanıtlar geldikçe sonuçları revize etmektedir. Çoğu aktif araştırma aslında bu şekilde ilerler. Ancak çok yakın zamana kadar, hiçbir yazılım bunu yapamıyordu.
Artık ajanlar bunu yapabiliyor. Basit bir ifadeyle ajan, dijital veya fiziksel araçlara erişimi ve bunları kullanma yeteneği verilmiş bir yapay zeka muhakeme motorudur. Son birkaç yılda, yapay zekadaki temel bir mimari değişim, büyük dil modelleri tarafından desteklenen ve bilime özel veri setlerine olan ihtiyacı dramatik bir şekilde azaltan bu programların hızla çoğalmasını sağladı. Bilim için bu teknolojik ilerleme, temel bir değişikliği temsil ediyor: Gerçek araştırmanın yinelemeli ve son derece koşullu sürecini taklit edebilen dijital araçlar yaratmamıza olanak tanıdı. AlphaFold gibi araçlar sınırlı bir soruna güçlü bir yaklaşım uygularken, ajanlar doğuştan geneldir. Onlar bilimi yapmanın yeni bir yolunu temsil etmezler; bunun yerine, insanın keşif sürecini dijital olarak modelleyerek ilerlerler.
Mayıs ayında tanıtılan Google'ın Yapay Zeka Ortak Bilim İnsanı (AI Co-Scientist) projesini ele alalım. Araştırmacılar ona bir sayfalık bir brifing ve bir hedef verdiler: Antibiyotik direncinin bakteri türleri arasında nasıl yayıldığını, yani ilaca dirençli enfeksiyonların temel itici gücünü çözmek. Sistem, alt ajanlar oluşturdu. Biri literatürden yola çıkarak hipotezler taslağı hazırladı. Diğeri bu hipotezleri bir hakem gibi didikleyip inceledi. Üçüncüsü, en güçlü adayları belirlemek için turnuvalar düzenledi. Dördüncüsü ise kazanan hipotezi daha da geliştirdi. Ajan, direnç genlerinin bakteriyel virüsler üzerinden yolculuk ettiğini ve kendilerini yeni bir konağa taşıyabilecek herhangi bir virüsü kullandıkları sonucuna vardı. Hipotez kesinlikle doğruydu. Imperial College London'daki araştırmacılar, titiz laboratuvar çalışmalarıyla aynı sonuca varmak için tam on yıl harcamıştı. Co-Scientist'in daha önce hiç görmediği bu araştırmanın makalesi, hala hakem değerlendirmesi aşamasındaydı.
Co-Scientist gibi ajanlar hala yeni araçlar ve bilimsel sürecin yaygın bir parçası haline gelmelerinden önce aşılması gereken gerçek zorluklar var: Halüsinasyon görmeye hala yatkınlar, muhakemeleri tutarlı değil ve otonom olarak çalışabilecekleri süreyi sınırlayan bellek ve girdi kısıtlamaları var. Ancak bu teknik engeller ortadan kalkacak ve onlar ortadan kalktıkça, bilimsel ajanların bilimin yapılma hızı, güvenilirliği ve tutarlılığı üzerindeki birleşik etkilerini fark etmeye başlayacağız.
Belki de en önemlisi, ajanlar bilimin 'tekrarlanabilirlik krizine' yapısal bir çözüm sunuyor. Bu kriz, araştırmacıların birbirlerinin sonuçlarını tekrarlayamaması gibi yaygın bir sorunu ifade ediyor. Onlarca yıldır bilimsel topluluk, deneysel süreçleri standartlaştırmak için araştırmacıları ham verilerini ve kullandıkları kesin kodları paylaşmaya çağırıyordu. Ancak araştırmacılar, asıl ilginç bilimsel süreç tamamlandıktan sonra yapılan bu sıkıcı idari işe uzun süre direnç gösterdi. Ajanlar ise tam tersine, yaptıkları her hareketi otomatik olarak kaydediyor. Bu sayede, sonuçlarına götüren yöntemin kusursuz bir kaydını tutuyor ve deneylerin hassas bir şekilde tekrarlanmasına olanak tanıyorlar.
İkinci bir sonuç, bilimsel hafızanın güçlenmesi olacaktır. Araştırmacılar arasındaki bilgi aktarımı, ünlü bir şekilde bulanık bir süreçtir; eğer bu süreç yıllarca süren eğitim ve gözlem üzerinden yapılmazsa, yüksek lisans öğrencileri protokollerini yapacak veya bozacak ayrıntıları aramak için onlarca yıldır öncekilerin tuttuğu dağınık laboratuvar defterlerini karıştırmak zorunda kalır. Ancak ajanlar bilimsel sürecin giderek daha büyük bir parçası haline geldikçe, bir laboratuvarın tüm bilimsel geçmişi, kurumsal bilginin merkezi ve standartlaştırılmış bir deposunda kaydedilecektir.
