Tisíce AI agentů nad daty z milionů mozkových buněk zní trochu jako vědeckofantastická laboratoř, kde si počítače potají rozdávají bílé pláště. Právě takový projekt ale popisuje spolupráce OpenAI, PerturbAI a Scripps Research: distribuovaní agenti měli v rozsáhlých biologických datech hledat slibné stopy pro další výzkum.
Nejde jen o další chatbot v laboratoři
Podstatou projektu je práce s komplexními biologickými daty, konkrétně s daty pocházejícími z milionů mozkových buněk. Takové soubory jsou pro člověka i běžný analytický postup obtížně uchopitelné: nejde jen o množství řádků, ale o vztahy mezi mnoha měřeními a o otázku, čeho si vůbec všimnout.
AI agent je zjednodušeně program, který nedostane jen jednu odpověď k vygenerování, ale může samostatněji plnit dílčí kroky úkolu. V distribuovaném uspořádání se práce rozdělí mezi mnoho takových agentů. Místo jednoho modelu, který se snaží projít vše naráz, mohou různí agenti hledat různé souvislosti nebo prověřovat odlišné směry.
Mně osobně na tom připadá nejzajímavější posun od efektního povídání si s AI k méně nápadné, ale možná užitečnější práci: pomoci vědcům zorientovat se v materiálu, který je příliš velký na pohodlné ruční procházení. Chatbot, který mi připomene schůzku, je fajn. Systém, který upozorní na přehlédnutelnou biologickou souvislost, je úplně jiná disciplína.
„Slibná stopa“ ještě není objev
Slovo lead v tomto kontextu znamená vodítko nebo kandidátní směr, který stojí za další prověření. Není to hotový biologický závěr a už vůbec ne automaticky nový lék či vysvětlení fungování mozku. Tohle rozlišení mi přijde důležité, protože kolem AI se občas přeskočí půl vědeckého procesu rychleji, než stihnu dohledat, co znamená název metody.
Podklad mluví o nalezení slibných výzkumných stop, ale nepopisuje, o jaké konkrétní hypotézy šlo ani zda už prošly experimentálním ověřením. Nevíme také, jak přesně agenti své návrhy kontrolovali, kolik z nich se ukázalo jako slepá ulička nebo jak velkou část práce stále odvedli lidé. A právě to bych si chtěla přečíst nejvíc.
Velké množství agentů dává smysl, ale přináší i nové otázky
Model sám o sobě nemusí být expert na biologii jen proto, že dostal přístup k obřímu souboru buněčných dat. Síla podobného přístupu může být spíš v organizaci práce: rozdělit rozsáhlé pátrání na malé úkoly, výsledky porovnávat a vytipovat místa, kam se má podívat člověk se skutečnou laboratorní zkušeností.
Zároveň platí, že tisíce agentů neznamenají automaticky tisíckrát lepší vědu. Pokud se špatný předpoklad dostane na začátek pracovního řetězce, může se velmi efektivně rozšířit do tisíců dalších kroků. Biologická data navíc nebývají čistá tabulka s jednou správnou odpovědí. Bez jasně popsaného ověřování by mě počet agentů ohromil spíš technicky než vědecky.
Spolupráce OpenAI, PerturbAI a Scripps Research mi ale připadá jako dobrý důvod sledovat agenty i mimo svět psaní kódu a automatizace kancelářských úkolů. Nejzajímavější část nebude počet digitálních pomocníků, ale to, jestli díky nim vzniknou hypotézy, které obstojí i ve skutečném experimentu.
Na podrobnější výsledky si zatím musíme počkat nebo je dohledat přímo v materiálech projektu. Už samotný směr ale ukazuje, že AI agenti mohou být užiteční i tam, kde správná odpověď nevypadá jako hezky formulovaná věta, nýbrž jako nenápadný vzorec ukrytý v hromadě dat.
