Google Research เปิดตัว Co-scientist ที่ขับเคลื่อนด้วย Gemini 2.0

 (research.google)
5 คะแนน โดย dohyun682 2025-02-20 | 2 ความคิดเห็น | แชร์ทาง WhatsApp

Co-scientist เป็นระบบ AI แบบมัลติเอเจนต์ที่สร้างขึ้นด้วย Gemini 2.0 เพื่อช่วยให้นักวิทยาศาสตร์ตั้งสมมติฐานใหม่และเร่งความเร็วของงานวิจัย

  • ได้แรงบันดาลใจจากกระบวนการทางวิทยาศาสตร์แบบดั้งเดิม โดยใช้เอเจนต์ที่เชี่ยวชาญเฉพาะด้าน ได้แก่ การสร้าง (Generation), การสะท้อนทบทวน (Reflection), การจัดอันดับ (Ranking), การพัฒนา (Evolution), ความใกล้เคียง (Proximity) และการทบทวนระดับเมตา (Meta-review) เอเจนต์เหล่านี้ให้ฟีดแบ็กแบบเวียนซ้ำและปรับปรุงไอเดียของตนเอง
  • นักวิทยาศาสตร์สามารถป้อนไอเดียให้ AI ได้ และสามารถให้ฟีดแบ็กต่อไอเดียของ AI ได้เช่นกัน
  • มีการนำ Elo rating มาใช้ประเมินคำตอบของโมเดล และใช้เป็นเกณฑ์ในการปรับปรุงผลลัพธ์ของโมเดลเมื่อเวลาผ่านไป
    • Gemini 2.0 Pro และผู้เชี่ยวชาญมนุษย์มี Elo rating ต่ำกว่า 1300
    • Co-scientist เพิ่มขึ้นจาก 1300 ไปจนเกิน 1500 เมื่อเวลาผ่านไป
    • แม้เมื่อให้ผู้เชี่ยวชาญมนุษย์ประเมินผลลัพธ์ของโมเดล co-scientist ก็ยังได้รับการประเมินดีกว่า Gemini 2.0 Pro และ OpenAI o1
  • เพื่อประเมินการใช้งานจริง ได้มีการทดลองในด้านการนำยากลับมาใช้ใหม่ (Drug repurposing), การเสนอเป้าหมายการรักษาใหม่ (Novel treatment target discovery) และการอธิบายกลไกเบื้องหลังการดื้อยาต้านจุลชีพ (Elucidating the mechanisms underlying antimicrobial resistance) โดยมีผู้เชี่ยวชาญเข้ามามีส่วนร่วม
  • การนำยากลับมาใช้ใหม่สำหรับมะเร็งเม็ดเลือดขาวชนิดเฉียบพลันแบบไมอีลอยด์
    • การนำยากลับมาใช้ใหม่คือการค้นหาการใช้งานใหม่ให้กับยาที่มีอยู่แล้ว แทนการพัฒนายาใหม่ ซึ่งต้องอาศัยความเชี่ยวชาญข้ามสาขาอย่างกว้างขวาง
    • Co-scientist เสนอรายชื่อยาผู้สมัครใหม่สำหรับการนำกลับมาใช้รักษามะเร็งเม็ดเลือดขาวชนิดเฉียบพลันแบบไมอีลอยด์ จากการวิเคราะห์ด้วยคอมพิวเตอร์ ฟีดแบ็กทางคลินิก และผลการทดสอบในหลอดทดลอง (in vitro) พบว่ายาเหล่านี้ลดความอยู่รอดของเนื้องอกได้
  • ความก้าวหน้าในการค้นหาเป้าหมายการรักษาพังผืดในตับ
    • การค้นหาเป้าหมายการรักษามักเกิดความไม่มีประสิทธิภาพอย่างมากในขั้นตอนการคัดเลือกสมมติฐานและการจัดลำดับความสำคัญของการทดลอง
    • มีการดำเนินการเสนอสมมติฐาน จัดลำดับความสำคัญ และสร้างโปรโตคอลการทดลองสำหรับการค้นหาเป้าหมายของพังผืดในตับ
    • เป้าหมายที่ Co-scientist ระบุได้แสดงฤทธิ์ต้านพังผืดอย่างชัดเจนจากผลการทดลอง
  • การอธิบายกลไกการดื้อยาต้านจุลชีพ
    • การอธิบายกลไกการดื้อยาต้านจุลชีพเป็นการศึกษาว่าจุลชีพวิวัฒน์และถ่ายทอดยีนที่ช่วยให้หลบเลี่ยงการรักษาได้อย่างไร
    • ทีมวิจัยสั่งให้ Co-scientist สำรวจหัวข้อที่มีการค้นพบแล้วแต่ยังไม่เผยแพร่อย่างอิสระ
    • สมมติฐานที่ AI เสนอถูกยืนยันด้วยการทดลองไปแล้ว และกำลังจะมีการเผยแพร่ในเร็ว ๆ นี้

คาดว่า Co-scientist จะช่วยเร่งการค้นพบทางวิทยาศาสตร์ในฐานะเครื่องมือช่วยงานของนักวิทยาศาสตร์

บทความที่เกี่ยวข้อง

2 ความคิดเห็น

 
GN⁺ 2025-02-21

ความคิดเห็นใน Hacker News

  • ไม่แน่ใจว่าคนที่นี่ได้อ่านบทความเต็มกันหรือเปล่า แต่ขอยกบางส่วนจากบทความมา

    • AI Co-scientist ได้ทำนายโอกาสในการนำยากลับมาใช้ใหม่ และร่วมกับพาร์ตเนอร์ตรวจสอบคำทำนายนั้นผ่านชีววิทยาเชิงคอมพิวเตอร์ ความเห็นจากแพทย์ผู้เชี่ยวชาญ และการทดลอง
    • AI Co-scientist ได้เสนอผู้สมัครใหม่สำหรับการนำกลับมาใช้ใหม่ในการรักษา acute myeloid leukemia (AML) และการทดลองยืนยันว่า ยาที่เสนอสามารถยับยั้งการอยู่รอดของเนื้องอกได้ในหลายสายเซลล์ AML ที่ความเข้มข้นซึ่งเกี่ยวข้องทางคลินิก
    • นักวิจัยผู้เชี่ยวชาญได้สั่งให้ AI Co-scientist สำรวจหัวข้อที่ภายในกลุ่มมีการค้นพบใหม่แล้วแต่ยังไม่เปิดเผย และ AI Co-scientist ก็เสนออย่างอิสระว่าสิ่งนี้โต้ตอบกับหางฟาจหลากหลายแบบเพื่อขยายช่วงโฮสต์
    • การค้นพบนี้ได้รับการยืนยันจากการทดลองในห้องแล็บที่ทำไว้ก่อนใช้งานระบบ AI Co-scientist และมีการอธิบายไว้ในงานวิจัยที่เผยแพร่พร้อมกันจากความร่วมมือกับ Fleming Initiative และ Imperial College London
    • การที่โมเดล AI สามารถเสนอสมมติฐานทางวิทยาศาสตร์ใหม่ที่ผ่านการยืนยันในห้องแล็บได้ มีนัยสำคัญอย่างมาก

  • คิดว่าคำว่า "การนำยากลับมาใช้ใหม่สำหรับ AML" ฟังดูตลกดี

    • ในฐานะคนที่กำลังทำปริญญาเอกเกี่ยวกับ AML ผ่าน molecular subtyping และการทำนายยาจาก ex-vivo ผมรู้สึกว่ามันสุ่มมาก
    • แทนที่จะนำยากลับมาใช้ใหม่แบบสุ่ม ผมอยากเสนอ pipeline ของเรา
    • อนึ่ง เรากำลังมองหาวิธีระดมทุนและทำเชิงพาณิชย์ให้ pipeline ของเรา ถ้าสนใจก็ติดต่อผ่านเว็บไซต์ได้

  • พูดตามตรง ผมไม่เข้าใจว่าทำไมต้องใช้สิ่งนี้

    • ผมไม่ได้ต้องการ AI ที่คอยเชื่อมโยงไอเดียหรือเสนอสมมติฐานใหม่
    • สิ่งที่ต้องการคือการเขียนและทดสอบโค้ด data pipeline เพื่อทำข้อมูลที่ถูกจัดโครงสร้างเฉพาะแตกต่างกันไปตามแต่ละโปรเจ็กต์ให้เป็นมาตรฐานในฐานข้อมูลขนาดใหญ่
    • สิ่งที่ต้องการคือการเขียนและทดสอบ data pipeline เพื่อจับเหตุการณ์ในข้อมูลเสียงทั้งใน amplitude space และ frequency space
    • สิ่งที่ต้องการคือการทดสอบฟรอนต์เอนด์ของแบ็กเอนด์วิเคราะห์ข้อมูลเพื่อจัดการกับข้อมูล
    • บางทีการค้นพบยาอาจเหมาะ เพราะต้องทดสอบตัวแปรจำนวนมากโดยไล่ค่าที่ใช้ได้ทีละค่า
    • แต่กับงานวิจัยของผมไม่ใช่แบบนั้น
    • ไม่ใช่ทุกอย่างจะเหมาะกับทุกคน และนั่นก็ไม่เป็นไร

  • ดูเหมือนตลาดจะพุ่งไปตามทิศล่าสุดที่ไก่ลมชี้ โดยไม่สนว่าจะเป็นทิศไหน

    • ทำให้นึกถึงงานวิจัยที่บอกว่าเมื่อทำงานร่วมกับระบบ AI นักวิจัยมีประสิทธิภาพมากขึ้น แต่พึงพอใจกับงานน้อยลง
    • การช่วยเหลือด้วย AI ทำให้นักวิทยาศาสตร์ค้นพบเอกสารได้มากขึ้น 44% และเพิ่มการยื่นจดสิทธิบัตร 39% แต่ 82% ของนักวิทยาศาสตร์รายงานว่าความพึงพอใจในการทำงานลดลง

  • โดยทั่วไปดูเหมือนเรากำลังมุ่งไปสู่แนวคิด society of mind ของ Minsky

    • แม้ OpenAI จะพยายามรวมทุกโมเดลให้เป็นโมเดลอเนกประสงค์ตัวเดียว แต่ภายในอาจเป็นเรื่องของการ routing
    • การให้เอเจนต์เชี่ยวชาญเฉพาะด้าน เช่น การเรียกใช้เครื่องมือบางอย่าง หรือรูปแบบการคิดบางแบบ น่าจะเป็นทิศทางที่มีประโยชน์ในฐานะกรอบแนวคิด/ฐานตั้งต้น

  • ช่วงนี้ผมใช้ AI ใน workflow อยู่

    • ผมสรุปสิ่งที่ค้นพบจนถึงตอนนี้ แล้วขอให้ AI เสนอคำอธิบายและแนะนำการทดสอบเพิ่มเติม
    • 70% ของไอเดียจาก AI ใช้ไม่ได้ แต่บางครั้งแค่ต้อง prompt เพิ่มอีกหน่อย
    • ในบรรดาไอเดียที่ AI เสนอมานั้น มีบางอย่างที่ผมไม่เคยนึกถึง
    • AI ไม่สามารถแทนที่มนุษย์ที่มีความรู้ได้ แต่ในฐานะเครื่องมือช่วยมนุษย์ มันเหนือกว่าที่ปรึกษาระดับปริญญาเอกที่มีราคาแพง

  • ผมอ่านคำพูดของนักวิทยาศาสตร์คนหนึ่งในบทความข่าว และรู้สึกทึ่งที่ทีมของเขาทำงานแก้ปัญหานี้มา 10 ปี แต่ไม่ได้ตีพิมพ์อะไรเลยในลักษณะที่ AI จะนำไปจัดการได้ง่าย

    • เป็นเรื่องยากที่จะพิสูจน์ว่าไม่มีนักวิจัยคนอื่นเสนอไอเดียเดียวกันนี้มาก่อน
    • ถ้าคู่แข่งของเขาค้นหาแบบเดียวกันนี้เมื่อเดือนก่อน จะสามารถอ้างสิทธิ์ความเป็นคนแรกได้หรือไม่ก็น่าสงสัย

  • ช่วงนี้ผมค่อนข้างมอง AI ในแง่ลบ แต่ก็ยังจำได้ว่าตอนแรกที่เคยใช้ Eliza

    • ผมคิดว่าพอจะยอมรับ AI ที่ยื่นรายการปัญหามาให้แล้วถามว่าจะจัดการอย่างไร
    • ผมอยากเห็นการนำเทคโนโลยี AI ไปใช้กับการทดสอบแบบ property-based

  • เป็นชุดความคิดเห็นที่น่าสนใจ

    • โดยส่วนตัวคิดว่าเยี่ยมมาก
    • มันคือผู้ช่วยนักวิทยาศาสตร์ ไม่ใช่ "นักวิทยาศาสตร์"
    • มีคุณค่ามากในการประเมิน "บางสิ่ง" ที่สามารถตรวจทานงานและให้ผลลัพธ์ที่น่าสนใจได้
    • มีไอเดียจำนวนมากที่ไม่ถูกพิจารณาเพราะมีค่าใช้จ่ายสูง
    • ถ้ามี "ความคาดหวังที่สมเหตุสมผล" ความเสี่ยงของความล้มเหลวก็จะลดลง
    • ผมอาจไม่ใช่นักวิทยาศาสตร์ "อีกต่อไป" แล้ว แต่ก็อยากลองเล่นกับสิ่งนี้และดูว่าการผสมแปลกๆ แบบไหนอาจให้ผลผลิตได้

  • ในฐานะนักวิทยาศาสตร์ชีวการแพทย์ ผมเคยเห็นนักพัฒนา AI อ้างหลายครั้งว่า AI จะฉลาดกว่ามนุษย์และสร้างสมมติฐานได้ดีกว่า

    • ตัวอย่างเช่น ในบทความของ Google มีการอ้างว่า CRISPR เป็นความพยายามข้ามสาขาที่รวมจุลชีววิทยา พันธุศาสตร์ และชีววิทยาโมเลกุลเข้าด้วยกัน
    • และอ้างว่า AI Co-scientist จะสามารถบูรณาการหลายสาขาเพื่อสร้างสมมติฐานใหม่ได้
    • ผมคิดว่านักวิทยาการคอมพิวเตอร์ไม่คุ้นเคยกับงานวิจัยชีวการแพทย์มากพอ จึงไม่เข้าใจว่าจุลชีววิทยา/พันธุศาสตร์/ชีววิทยาโมเลกุลเชื่อมโยงกันอย่างใกล้ชิด
    • นักชีววิทยามีไอเดียดีๆ มากมาย
    • ปัญหาคือการทดสอบไอเดียเหล่านั้นให้เพียงพอต้องใช้เวลา
    • AI และ LLM อื่นๆ เป็นทั้ง Google ที่ทรงพลังและเครื่องมือเขียนโค้ด
    • มันผิด 30% ของเวลา ดังนั้นต้องระวังมากเวลาใช้งาน
    • การไม่เสียเวลาไปกับการสำรวจสมมติฐานที่ผิดก็เป็นเรื่องดี
    • แต่เราก็แยกสมมติฐานที่ดีและแย่ได้ง่ายอยู่แล้ว
    • ปัญหาทางการเมืองนั้น AI คงแก้ไม่ได้
 
hhkkkk 2025-02-21

รักนะฮาซาบิส~