أوبنترونز وإنفيديا يطلقان عصرًا جديدًا من مختبرات مدعومة بالذكاء الاصطناعي، مما ي biến الروبوتات إلى علماء متعلمين

لمعظم العقد الماضي، ركز الذكاء الاصطناعي في العلوم الحياتية على التنبؤ. تقترح النماذج أهداف دواء، وتوليد هياكل جزيئية، أو تحليل مجموعات بيانات بيولوجية ضخمة. ولكن في حين تقدمت الرؤية بسرعة، ظلت تنفيذ التجارب بطيئة، مكلفة، ومتفرقة عبر الأدوات والعمليات.

تتضيق هذه الفجوة الآن. أعلنت أوبنترونز عن دمج عميق مع إنفيديا يهدف إلى حل هذه المشكلة من خلال جلب الذكاء الاصطناعي الفيزيائي مباشرة إلى عمليات مختبرية يومية. (NVDA )

شبكة عالمية من روبوتات مختبرات العالم الحقيقي

ما يجعل أوبنترونز في موقع فريد هو النطاق. تعمل الشركة على شبكة عالمية من أكثر من 10,000 روبوت مختبري معياري تم توزيعه عبر الجامعات البحثية الرائدة وشركات الأدوية البيولوجية. هذه الأنظمة تautomate بالفعل عمليات عمل حرجة في الجينوميات، البروتينات، اكتشاف الأجسام المضادة، والتشخيص.

من خلال دمج منصات الذكاء الاصطناعي الفيزيائي من إنفيديا – إنفيديا آيزاك و إنفيديا كوزموس – أوبنترونز تتحول هذه القاعدة المثبتة إلى ساحة تدريب حية لأنظمة الذكاء الاصطناعي. بدلاً من الاعتماد بشكل رئيسي على البيانات المحاكاة، يمكن للنماذج الذكاء الاصطناعي الفيزيائي الآن التعلم مباشرة من تنفيذ التجارب الحقيقية في مختبرات مائية حول العالم.

جسر بين المحاكاة والواقع

لقد كانت المحاكاة أساسية لتنمية الروبوتات والذكاء الاصطناعي، ولكن المختبرات تطرح تعقيدات فريدة. تؤثر التباين البيولوجي، والاختلافات في الأدوات، وسلوك المواد الكيميائية، والظروف البيئية على النتائج. من خلال ربط المحاكاة مع التنفيذ العالمي المعياري، أوبنترونز وإنفيديا تغلق الدائرة بين التخطيط الرقمي والنتائج الفيزيائية.

في الممارسة، يمكن لأنظمة الذكاء الاصطناعي أن تقترح تصميم تجريبي، وتحاكي النتائج، وتنفذ التجربة على روبوتات أوبنترونز، وترد النتائج إلى تدريب النماذج. مع مرور الوقت، يخلق هذا وكلاء ذكاء اصطناعي لا يتنبؤون فقط بما يجب أن يعمل، ولكن يفهمون ما يعمل في بيئات مختبرية حقيقية.

إغلاق الدائرة على العلوم المستقلة

قطعة رئيسية من هذه الجهود هي حزمة الذكاء الاصطناعي البيولوجي من إنفيديا، بما في ذلك بيونيمو، التي توفر الأساس لتدريب وتنفيذ نماذج الذكاء الاصطناعي لاكتشاف البيولوجيا. أوبنترونز توفر طبقة التنفيذ المفقودة – التجارب الفيزيائية المعيارية، والقابلة للتكرار، والبرمجة.

معًا، هذا يسمح بدورة تعلم مستمرة. تولد نماذج الذكاء الاصطناعي فرضيات وخطط تجريبية. تنفذ الروبوتات هذه التجارب بشكل متسق عبر آلاف المختبرات. يتم التقاط النتائج كبيانات تدريب عالية الجودة وترد إلى أنظمة الذكاء الاصطناعي لتحسين التكرار التالي. عند التوسع، لديها هذه الدورة التغذية الراجعة إمكانية ضغط جداول اكتشاف من سنوات إلى أسابيع.

لماذا يهمّ المعيار

كانت المختبرات تاريخيًا بيئات غير متجانسة. تجعل التركيبات التلقائية المخصصة، والأدوات المملوكة، والعمليات اليدوية من الصعب مقارنة النتائج أو إعادة استخدام البيانات على نطاق واسع. يقلب أوبنترونز هذا الديناميكية من خلال معيارية التنفيذ مع الحفاظ على الانفتاح والتحكم عبر واجهة برمجة التطبيقات.

هذه المعيارية هي ما يسمح للنماذج الذكاء الاصطناعي الفيزيائي بالتعميم عبر المختبرات. عندما يتم تنفيذ التجارب بنفس الطريقة في نيويورك، أو بوسطن، أو بازل، يمكن لأنظمة الذكاء الاصطناعي التعلم من الأنماط التي تثبت عبر البيئات بدلاً من التكيف مع إعداد واحد.

الآثار على اكتشاف الأدوية وما بعده

الآثر المباشر على الأرجح سيكون في اكتشاف الأدوية، حيث يؤثر معدل التجارب واعادة الإنتاج مباشرة على السرعة والتكلفة. لكن الآثار تمتد إلى ما هو أبعد. يمكن للتنفيذ التجريبي المستقل أن يغير كيفية تطوير التشخيصات، وكيفية التحقق من البحوث البيولوجية، وكيفية انتقال العلاجات الجديدة من المفهوم إلى العيادة.

على نطاق أوسع، يشير هذا الشراكة إلى تحول في كيفية تطبيق الذكاء الاصطناعي على العلوم. بدلاً من التوقف عند التوصيات، أنظمة الذكاء الاصطناعي ت开始 العمل – تشغيل التجارب، التعلم من النتائج، وتحسينها بشكل مستقل. هذا يعتبر خطوة مبكرة ولكنها مهمة نحو مختبرات ذاتية القيادة حيث يركز العلماء البشر على الاستراتيجية والتفسير، بينما يتعامل الذكاء الاصطناعي والروبوتات مع التنفيذ على نطاق واسع.

نظرة على ما يأتي

ستعرض أوبنترونز وإنفيديا هذه الرؤية علنًا في المؤتمر الدولي والمتحف القادم SLAS، حيث سيناقشون كيفية تقارب التخطيط المدعوم بالذكاء الاصطناعي والتنفيذ الروبوتي. سيكون للمشاركين فرصًا للمساهمة في تنفيذ التجارب الحقيقية لتساعد في تدريب الجيل التالي من نماذج الذكاء الاصطناعي الفيزيائي.

كما الذكاء الاصطناعي الفيزيائي يتحرك من النظرية إلى الممارسة، تشير الشراكات مثل هذه إلى اتجاه أكبر: مستقبل الذكاء الاصطناعي في العلوم لن يتم تعريفه فقط من خلال التنبؤات الأفضل، ولكن من الأنظمة التي يمكنها تصميم وتنفيذ وتعلم من تجاربها الخاصة – بشكل مستمر، مستقل، وعلى نطاق عالمي.