OpenAI's AI-zwerm leest miljoenen hersencellen in 32 minuten
Een team van OpenAI, de onderzoeksgroep PerturbAI en het Scripps Research-instituut heeft een experiment uitgevoerd dat misschien meer zegt over hoe wetenschap wordt bedreven dan over een enkele ontdekking. Volgens een op 21 oktober gepubliceerd verslag van OpenAI werden duizenden AI-agenten losgelaten op biologische gegevens van miljoenen hersencellen van muizen. De hele analyse duurde 32 minuten.
De vergelijking die de onderzoekers bieden is het interessante deel. Ze schatten dat als menselijke wetenschappers dezelfde resultaten item voor item hadden doorgenomen en elke bevinding gaandeweg tegen de gepubliceerde literatuur hadden gecheckt, het werk maanden en mogelijk tot een jaar zou hebben geduurd. De agenten vatten niet alleen een bestand samen. Er werd van hen gevraagd te redeneren over een grote hoeveelheid experimentele output en die te verbinden met eerder werk.
Het werk leunde op GPT-Rosalind, een model dat speciaal is gebouwd voor levenswetenschappelijk onderzoek in plaats van voor algemene chat. Dat detail is belangrijk. Het meeste lawaai rond AI in de wetenschap kwam van algemene systemen die examenvragen moesten beantwoorden. Een model dat is afgestemd op biologische gegevens en vervolgens in grote aantallen wordt ingezet, is een ander verhaal, dichter bij een onderzoeksinstrument dan bij een chatbot.
De architectuur maakt de snelheid mogelijk. In plaats van één model dat een wachtrij afwerkt, werken veel agenten parallel, elk met een deel van de gegevens, en hun output wordt daarna samengevoegd. Het is hetzelfde patroon dat nu door software-engineering en klantenservice verspreidt, waar vloten van agenten taken afhandelen die anders serieel zouden verlopen. Biologie, met zijn enorme en rommelige datasets, is een voor de hand liggend volgend doelwit.
Sceptici zullen de gebruikelijke vragen stellen, en die zijn terecht. Automatisering op deze schaal kan snel zelfverzekerde fouten produceren, en het verifiëren van de conclusie van een agent kan bijna net zoveel kosten als die met de hand bereiken. De eerlijke bewering hier gaat over doorvoer, niet over het vervangen van het oordeel van een wetenschapper die weet welke anomalieën het najagen waard zijn. De 32 minuten is de tijd om een analyse te produceren, niet de tijd om die te vertrouwen.
Toch is de richting duidelijk. Onderzoeksgroepen hebben de afgelopen twee jaar geëxperimenteerd met AI als hulp voor individuele taken: een samenvatting opstellen, een hypothese suggereren, een regel code schrijven. Een volledige analytische pijplijn overdragen aan een gecoördineerde zwerm is een stap verder, en het zet druk op de delen van het wetenschappelijke proces die nooit zijn ontworpen voor machinesnelheid, zoals peer review en replicatie.
Voor wereldwijde lezers gaat de betekenis minder over muizenhersenen dan over een sjabloon. Als duizenden agenten een dataset van miljoenen cellen in een half uur kunnen doorwerken, zal dezelfde aanpak worden geprobeerd op klinische dossiers, materiaalscreening en klimaatgegevens, overal waar de bottleneck menselijke aandacht is in plaats van ruwe rekenkracht. Let op onafhankelijke replicatie van het resultaat en of de onderzoekers publiceren hoe de bevindingen van de agenten zijn gecontroleerd.