Co-Scientist เพื่อนนักวิทย์อัจฉริยะ (2) (ประวัติศาสตร์อุตสาหกรรมไบโอเทค)

Biology Beyond Nature | ภาคภูมิ ทรัพย์สุนทร

Co-Scientist เพื่อนนักวิทย์อัจฉริยะ (2)

(ประวัติศาสตร์อุตสาหกรรมไบโอเทค)

ไม่กี่วันก่อนหน้าที่ EVO2 ถูกเผยแพร่ ทีมวิจัยจาก Google นำเสนอ “AI co-scientist” ระบบปัญญาประดิษฐ์ที่ไม่ได้สร้างมาเพียงแค่ตอบคำถามเกี่ยวกับวิทยาศาสตร์ แต่สามารถ “คิดด้วยกระบวนการทางวิทยาศาสตร์” ตามเป้าหมายที่มนุษย์กำหนด

ตั้งแต่สืบค้นข้อมูล ตั้งสมมุติฐานจากองค์ความรู้ที่มีอยู่ คัดเลือกสมมุติฐาน ไปจนถึงการออกแบบการทดลองเพื่อทดสอบสมมุติฐานนั้น

ปัญญาประดิษฐ์จะจำเป็นมากขึ้นเรื่อยๆ ในยุคปัจจุบันที่การค้นพบทางวิทยาศาสตร์จำเป็นต้องอาศัยองค์ความรู้จากหลากหลายสาขา แต่ละสาขาก็มีศาสตร์ย่อยมีทฤษฎีมีข้อมูลที่ลึกซึ้งไม่รู้จบ

ความกว้างและลึกขององค์ความรู้นี้มากเกินว่าที่นักวิจัยคนหนึ่งคนใดหรือแม้แต่ทั้งหน่วยวิจัยจะมองเห็นภาพรวมครบถ้วนพอจะการต่อจุดเชื่อมโยงได้หมด

ลองจินตนาการถึงหน่วยวิจัยชั้นสูงที่มีทีมงานเป็นปัญญาประดิษฐ์หลายตัว (multi-agent system) แต่ละตัวรับบทบาทเฉพาะด้านต่างกัน ทำงานร่วมกันกับนักวิจัยที่เป็นมนุษย์ตลอดกระบวนการวิทยาศาสตร์

Supervisor Agent : “หัวหน้าทีม” รับเป้าหมาย (goal) จากนักวิจัยที่เป็นมนุษย์ เปลี่ยนเป้าหมายนี้เป็นแผนดำเนินการ กำกับทิศทางการทำงานของ Agent ตัวอื่นๆ ตรวจสอบติดตามบันทึกภาพรวมความคืบหน้า และจัดสรรทรัพยากรตามความเหมาะสม

Generative Agent : “นักสร้างสรรค์ไอเดีย” ออกความคิดตั้งต้นว่าจะทีมควรจะโฟกัสด้านไหนบ้าง หาข้อมูลจากงานวิจัยก่อนหน้า ต่อยอดสร้างออกมาเป็นสมมุติฐานและข้อเสนอโครงการใหม่หลายๆ แบบ แล้วก็จำลองการดีเบตถกเถียงกันว่าแบบไหนดีกว่า

Reflection Agent : “นักวิจารณ์ไอเดีย” คอยประเมินว่าไอเดียต่างๆ ที่ถกเถียงกันอยู่นั้นมีความแปลกใหม่และความถูกต้องมากน้อยแค่ไหน

Ranking Agent : “กรรมการ” จัดอันดับความสำคัญของไอเดียที่มีอยู่

Proximity Agent : “นักจัดหมวดหมู่” จับกลุ่มและควบรวมไอเดียที่คล้ายคลึงหรือซ้ำซ้อนกัน

Evolution Agent : “นักพัฒนา” เอาไอเดียที่ถูกจัดลำดับไว้ต้นๆ มาขัดเกลาให้ดีขึ้น

Meta-Review Agent : “นักจัดการบุคลากรและข้อมูล” ดูภาพรวมผลลัพธ์และแบบแผนการทำงานของ Agent ตัวอื่นๆ เพื่อช่วยปรับปรุงให้พวกมันทำงานดีขึ้น

สังเคราะห์และสรุปความจากผลงานเพื่อส่งมอบให้นักวิจัยที่เป็นมนุษย์

Google Co-Scientist เหล่า Agent ปัญญาประดิษฐ์ที่ทำงานร่วมกันประหนึ่งทีมวิจัย
Cr.ณฤภรณ์ โสดา

การทำงานร่วมกันของ Agent เหล่านี้ผ่านการสนทนาถกเถียงประชันไอเดีย และปรับปรุงผลลัพธ์อย่างต่อเนื่องละม้ายคล้ายคลึงกับการทำงานในทีมวิจัยที่เป็นมนุษย์

นอกจากนี้ Agent เหล่านี้ยังสามารถไปเรียกใช้เครื่องมือเฉพาะทางภายนอก เช่น เรียกใช้ AlphaFold ช่วยวิเคราะห์และออกแบบโครงสร้างโปรตีน

สำหรับการทำวิจัยปกติ คุณภาพของผลงานวิจัยจะถูกประเมินโดย “ผู้ทรงคุณวุฒิ” ในสาขาวิชาเดียวกันที่ได้อ่านข้อเสนอโครงการ ผลงานตีพิมพ์ หรือร่วมฟังการนำเสนอในที่ประชุมวิชาการ

สำหรับ Co-Scientist ทีมผู้พัฒนาใช้ระบบการให้คะแนนที่เรียกว่า ELO rating system ซึ่งเดิมทีพัฒนาขึ้นเพื่อจัดอันดับฝีมือผู้เล่นหมากรุกหรืออีสปอร์ต ในกรณีนี้ถูกนำมาใช้เป็นกลไก “การประเมินโดยเพื่อนร่วมงาน” ภายใน AI ทุกครั้งที่ Agent หลายตัวสร้างคำตอบหรือสมมุติฐานขึ้นมา

พวกมันจะถกเถียงกันเอง-ให้คะแนนคำตอบตามหลักตรรกะ ความชัดเจน และความสอดคล้องในเชิงวิทยาศาสตร์ ไอเดียที่ชนะจะได้รับคะแนน Elo สูงขึ้น ขณะที่ไอเดียที่อ่อนกว่าจะได้คะแนนลดลง

อย่างไรก็ตาม คะแนน Elo นั้นประเมินโดย Agent กันเอง อาจจะลำเอียงหรือไม่ตรงกับความเป็นจริงเสมอไป (เช่น บางไอเดียอาจจะดูดีมาก แปลกใหม่ น่าสนใจ เชื่อมโยงหลักฐานต่างๆ ครบถ้วน แต่ดันผิดเต็มๆ)

ดังนั้น ทีมผู้พัฒนาจึงยังได้เอาคะแนน ELO มาอ้างอิงเทียบกับชุดทดสอบภายนอกที่เรียกว่า GPQA (Graduate-Level Problem Question Answering) ซึ่งเป็นชุดคำถามระดับยากที่ออกแบบโดยผู้เชี่ยวชาญในสาขาชีววิทยา ฟิสิกส์ และเคมี

ผู้เขียนได้ทดสอบ Co-Scientist กับ GPQA ชุดที่ยากที่สุด ซึ่งเรียกว่า “diamond set” โดยเปรียบเทียบคำตอบที่ถูกจัดอันดับโดย Elo กับคำตอบที่ถูกต้องจริงๆ

ผลลัพธ์ที่ได้คือ แนวคิดที่มีคะแนน Elo สูงมีแนวโน้มที่จะถูกต้องมากกว่าอย่างมีนัยสำคัญ

ซึ่งเป็นการยืนยันว่าการให้คะแนนภายในของ Agent ไม่ใช่แค่เสียงสะท้อนของแนวคิดที่ฟังดูฉลาดเท่านั้น-แต่เป็นการให้เหตุผลที่มีความชาญฉลาดแท้จริงและยึดโยงกับหลักฐานทางวิทยาศาสตร์อย่างแท้จริง

ทีมผู้พัฒนาพบว่ายิ่งให้เวลา Co-Scientist ได้ “คิด” นาน (Agent ต่างๆ มีเวลาหาข้อมูล ออกไอเดีย ถกเถียง คัดเลือก ต่อยอดไอเดียนาน) คะแนน ELO ที่ได้ก็ยิ่งสูงขึ้นเรื่อยๆ

และเมื่อให้เวลาเพียงพอก็สามารถเอาชนะปัญญาประดิษฐ์ชั้นนำตัวอื่นๆ อย่าง OpenAI o1, OpenAI o3, Gemini 2.0, DeepSeek R1 ฯลฯ ขาดลอย ผลการประเมินความแปลกใหม่และผลกระทบของไอเดียโดยผู้เชี่ยวชาญที่เป็นมนุษย์ก็ยังเป็นไปในทางเดียวกันคือให้คะแนนคำตอบของ Co-Scientist เหนือกว่าปัญญาประดิษฐ์ตัวอื่นๆ

เหล่า Agent ของ Co-Scientist แสดงผลงานวิจัยได้ยอดเยี่ยมจาก ELO score และ GPQA
Cr.ณฤภรณ์ โสดา

ระบบ Co-Scientist ได้ถูกนำไปทดสอบการทำงานร่วมกับนักวิจัยมนุษย์ในสามกรณี เรียงตามลำดับความซับซ้อน ได้แก่

โจทย์หาการประยุกต์ใช้ยาเพื่อวัตถุประสงค์ใหม่ (drug repurposing)

โจทย์หาเป้าหมายใหม่ในการรักษาโรค (novel therapeutic target)

และโจทย์อธิบายกลไกทางจุลชีววิทยา (understanding mechanism)

โจทย์ drug repurposing มีความซับซ้อนน้อยที่สุดเพื่อแม้ขอบเขตการค้นหาจะใหญ่แต่ก็มีกรอบชัดเจน มันคือการตั้งคำถามว่ามียาตัวไหนบ้างในคลังยาหลายพันชนิดที่อาจจะเอามาใช้รักษาโรคใหม่ที่ต่างจากวัตถุประสงค์ดั้งเดิม

ทีมพัฒนาให้ Co-scientist ร่างข้อเสนอโครงการวิจัยมากว่าเจ็ดสิบรายการ ซึ่งเมื่อให้ผู้เชี่ยวชาญที่เป็นมนุษย์ประเมินแล้วก็พบว่าผ่านมาตรฐาน

ผู้เชี่ยวชาญเอนเอียงไปทางเห็นด้วยกับข้อเสนอกันเกือบหมด หนึ่งในข้อเสนอนั้นว่าด้วยการประยุกต์ใช้ยาเพื่อต้านโรคมะเร็งเม็ดเลือดขาวเฉียบพลัน (Acute Myeloid Leukemia) ถูกนำมาต่อยอดได้ผลทดสอบระดับเซลล์เป็นบวกจริงอย่างที่ Co-scientist ทำนายไว้

โจทย์ novel therapeutic target ซับซ้อนขึ้นมาอีกขั้น โดย Co-scientist ถูกเอาไปใช้ทำนายว่าเป้าหมายใดบ้างด้านกลไกเปิดปิดยีนระดับโมเลกุลที่เกี่ยวข้องกับการเกิดโรคพังผืดในตับ (liver fibrosis) โมเลกุลที่ออกฤทธิ์ยับยั้งเป้าหมายเหล่านี้ถูกเอามาทดสอบกับอวัยวะเพาะเลี้ยงย่อส่วน (organoid) และบางส่วนได้ผลลดการเกิดพังผืดตามคาด

โจทย์ understanding mechanism ถือว่าซับซ้อนที่สุด co-scientist ถูกเอามาใช้อธิบายกลไกระบาดของยีนดื้อยาปฏิชีวนะในแบคทีเรีย Co-Scientist ต้องตั้งสมมติฐานเกี่ยวกับกลไก วิจารณ์คำอธิบายทางเลือก และใช้เหตุผลเกี่ยวกับปฏิสัมพันธ์ระดับโมเลกุล-เสมือนนักสืบที่พยายามปะติดปะต่อหลักฐานในที่เกิดเหตุ

กรณีนี้แสดงให้เห็นศักยภาพของ co-scientist ในการก้าวข้ามการจับความสัมพันธ์เชิงสถิติ ไปสู่การอนุมานเชิงสาเหตุ

สำหรับงานนี้ co-scientist ต้องหาทางอธิบายกลไกการถ่ายทอดยีนดื้อยาปฏิชีวนะผ่านทางชิ้นส่วนไวรัสในจีโนมแบคทีเรีย (capsid-forming phage-inducible chromosomal island, cp-PICIs)

ปรากฏว่าภายในเวลาเพียงสองวัน co-scientist สามารถหาคำอธิบายและวางแผนการทดลองออกมาได้ตรงกับที่ทีมวิจัยใช้เวลาเกือบสิบปีในการค้นหาคำตอบนี้

(ทั้งนี้ ผลการวิจัยของทีมมนุษย์ยังอยู่ในระหว่างการพิจารณาตีพิมพ์ ดังนั้น จึงไม่น่าเป็นไปได้ที่ co-scientist จะไปลอกผลงานของทีมมนุษย์มาโดยตรง)

Co-scientist ถูกเอาไปลองใช้แก้โจทย์วิจัยทางวิทยาศาสตร์ชีวภาพที่หลากหลาย
Cr.ณฤภรณ์ โสดา

ทั้งสามกรณีนี้ร่วมกันแสดงให้เห็นถึงความสามารถรอบด้านของ Co-Scientist พวกมันไม่ได้แค่ตอบคำถามตรงๆ

แต่แต่ละกรณีล้วนต้องอาศัยการผสมผสานของความคิดสร้างสรรค์ การหาเหตุผล และการตรวจสอบซ้ำ โดยมีปัญญาประดิษฐ์เป็นผู้เสนอ ปรับแต่ง และวิจารณ์แนวคิดของตนเองก่อนจะส่งต่อให้มนุษย์พิจารณาขั้นสุดท้าย

ปัญญาประดิษฐ์ ไม่ใช่แค่เครื่องมือ แต่เป็น “เพื่อนร่วมคิด” ตลอดกระบวนการ

ทั้งงาน EVO และ Co-scientist เป็นอีกตัวอย่างบอกเราว่าความก้าวหน้าทางวิทยาศาสตร์ชีวภาพและปัญญาประดิษฐ์กำลังก้าวคู่ขนานกันไปในอัตราเร่ง ไม่ใช่เพียงในแง่องค์ความรู้ แต่ลึกถึงระดับรากฐานกระบวนการคิดทางวิทยาศาสตร์ทั้งหมดที่วันหนึ่งจนไกลเกินกว่าที่มนุษย์อย่างเราๆ จะเข้าใจอีกต่อไป

สะดวก ฉับไว คุ้มค่า สมัครสมาชิกนิตยสารมติชนสุดสัปดาห์ได้ที่นี่https://t.co/KYFMEpsHWj

— MatichonWeekly มติชนสุดสัปดาห์ (@matichonweekly) July 27, 2022