MIT ชี้ AI เพื่อวิทยาศาสตร์ต้องใช้ “การให้เหตุผล” มากกว่าการพึ่งข้อมูลมหาศาล

บทความชี้ว่าความหวังที่ว่า AI จะเข้ามา “เร่งวิทยาศาสตร์ทุกแขนง” อาจไม่ได้เกิดขึ้นผ่านโมเดลที่เรียนรู้จากข้อมูลขนาดใหญ่เพียงอย่างเดียว แม้ความสำเร็จของ AlphaFold จาก DeepMind จะพิสูจน์ว่า AI ที่มีข้อมูลคุณภาพสูงเพียงพอสามารถแก้ปัญหายากระดับที่วงการวิทยาศาสตร์พยายามมานานได้ แต่กรณีแบบนี้มีเงื่อนไขเฉพาะมาก ทั้งการมีชุดข้อมูลมาตรฐาน การวัดที่เชื่อถือได้ และการสะสมข้อมูลอย่างเป็นระบบในระยะยาว ซึ่งไม่ใช่สิ่งที่ทุกสาขาทำได้ง่าย

ผู้เขียนย้ำว่าการสร้างฐานข้อมูลระดับเดียวกับ Protein Data Bank ต้องอาศัยความร่วมมือทางวิชาการหลายทศวรรษและงบประมาณมหาศาล ขณะเดียวกัน งานทดลองส่วนใหญ่มีความแปรปรวนสูงจากปัจจัยเล็ก ๆ น้อย ๆ เช่น ความต่างของสภาพแล็บ สารปนเปื้อน หรือการเสื่อมของเซลล์เพาะเลี้ยง ทำให้การเก็บข้อมูลให้ได้มาตรฐานพอสำหรับฝึกโมเดลเชิงลึกเป็นเรื่องยากมาก ในหลายสาขา การจะสร้างข้อมูลแบบ AlphaFold-style จึงอาจต้องรอนานเป็นสิบปี ไม่ใช่แค่การเติมเงินหรือเพิ่มคอมพิวต์

ด้วยข้อจำกัดนี้ บทความเสนอว่าเส้นทางที่เป็นไปได้มากกว่าสำหรับการทำวิทยาศาสตร์ด้วย AI คือ “เอเจนต์” หรือระบบ AI ที่ใช้เหตุผลและเรียกเครื่องมือต่าง ๆ มาช่วยทำงานแทนการเป็นโมเดลทำนายจากข้อมูลล้วน ๆ เอเจนต์ลักษณะนี้ไม่จำเป็นต้องมีชุดข้อมูลเฉพาะทางมหาศาล แต่สามารถเลียนแบบกระบวนการคิดของนักวิจัยจริงที่ต้องผสมผสานหลักฐานจากหลายแหล่ง แล้วค่อยปรับความเชื่อเมื่อมีข้อมูลใหม่เข้ามา

ตัวอย่างที่ยกมาคือ Google AI Co-Scientist ซึ่งรับโจทย์สั้น ๆ แล้วแตกงานย่อยออกเป็นหลายเอเจนต์ บางตัวสร้างสมมติฐานจากวรรณกรรม บางตัวทำหน้าที่ตรวจสอบแบบ peer review และอีกตัวช่วยจัดอันดับแนวคิดที่น่าเชื่อถือที่สุด ระบบดังกล่าวสามารถสรุปสมมติฐานเรื่องการแพร่ของยีนดื้อยาผ่านไวรัสของแบคทีเรียได้ตรงกับผลงานวิจัยของนักวิทยาศาสตร์จาก Imperial College London ที่ใช้เวลาทดลองจริงอยู่นานหลายปี

แม้เอเจนต์จะยังมีจุดอ่อน เช่น การหลอนข้อมูล ความไม่สม่ำเสมอของการตัดสินใจ และข้อจำกัดด้านหน่วยความจำหรือเวลาการทำงานอัตโนมัติ แต่ผู้เขียนมองว่าปัญหาเหล่านี้จะค่อย ๆ ลดลง และเมื่อระบบเสถียรมากขึ้น ผลกระทบจะลึกซึ้งต่อทั้งความเร็วและความน่าเชื่อถือของงานวิทยาศาสตร์ โดยเฉพาะในประเด็นใหญ่ที่วงการเผชิญมานาน เช่น วิกฤตการทำซ้ำผลการทดลอง เพราะเอเจนต์สามารถบันทึกทุกขั้นตอนการทำงานโดยอัตโนมัติ ทำให้ตรวจสอบและทำซ้ำได้ง่ายขึ้น

บทความยังชี้ว่าเอเจนต์อาจช่วยแก้ปัญหา “ความทรงจำของห้องแล็บ” ที่มักกระจัดกระจายอยู่ในสมุดบันทึกหรือประสบการณ์ของคนทำวิจัยรุ่นก่อน โดยเปลี่ยนให้ความรู้ของห้องแล็บถูกเก็บในรูปแบบมาตรฐานและค้นคืนได้ ข้อสรุปสำคัญคือ แม้ AI แบบใช้ข้อมูลมหาศาลจะยังมีบทบาทในบางสาขา แต่การทำวิทยาศาสตร์ในวงกว้างอาจพึ่งพา AI ที่ “คิดเป็น” และจัดการกระบวนการวิจัยแบบมนุษย์มากกว่า AI ที่เพียงทำนายจากข้อมูลจำนวนมาก