بزرگنمايي:

سیاست و بازاریابی - ایسنا / سامانه‌ای جدید به دانشمندان کمک می‌کند مدل‌های زبانی بزرگ را برای پژوهش‌های مرتبط با طول عمر بهبود دهند و مفهوم «سن زیستی» را دقیق‌تر بررسی کنند.
درک اینکه چرا انسان‌ها پیر می‌شوند و چگونه می‌توان این روند را کُند کرد، هزاران سال است که ذهن بشر را به خود مشغول کرده است؛ از افسانه‌های جست ‌و جو برای جاودانگی گرفته تا تلاش‌های علمی امروز برای یافتن داروهایی که بتوانند طول عمر را افزایش دهند، نشانگر این موضوع است. حالا این جست‌ و جو وارد عصر هوش مصنوعی شده است.
گزارشی که امروز در نشریه سل منتشر شده، از یک سامانه هوش مصنوعی اختصاصی رونمایی می‌کند که هدف آن سرعت بخشیدن به پژوهش‌های مربوط به طول عمر است. این سامانه شامل مدل‌های زبانی بزرگ (LLM) است که نویسندگان آن‌ها را با استفاده از داده‌های مرتبط با زیست‌شناسی پیری آموزش داده‌اند.
این سامانه همچنین مجموعه‌ای شامل ۱۷ وظیفه آزمایشی در اختیار پژوهشگران قرار می‌دهد که می‌توان از آن‌ها به ‌عنوان معیارهایی برای سنجش عملکرد این مدل‌ها و دیگر مدل‌های زبانی بزرگ در پروژه‌های مرتبط با پیری استفاده کرد.
در نهایت، این سامانه یک رابط نیز در اختیار می‌گذارد که مدل‌های هوش مصنوعی و دیگر ابزارهای پژوهشی مرتبط با پیری را در کنار عامل‌های هوش مصنوعی قرار می‌دهد تا به انجام تحلیل‌های علمی کمک کنند.
نویسندگان پژوهش با استفاده از این معیارها، هم مدل‌های زبانی تخصصی خود و هم مدل‌های تجاری بسیار بزرگ‌تر و پیشرفته‌تر شرکت‌هایی مانند اوپن ای‌آی و دیپ‌سیک را ارزیابی کردند. این مدل‌های تجاری با استفاده از مجموعه ‌داده‌هایی بزرگ‌تر و متنوع‌تر آموزش دیده‌اند و برای انجام طیف گسترده‌ای از وظایف طراحی شده‌اند.
در بسیاری از آزمایش‌ها، هرچند نه در همه آن‌ها، مدل‌های زبانی که به ‌طور اختصاصی برای پژوهش‌های مرتبط با پیری طراحی شده بودند، عملکرد بهتری از مدل‌های زبانی عمومی و بزرگ‌تر داشتند.
مارینکا ژیتنیک، دانشمند علوم رایانه در دانشکده پزشکی هاروارد در بوستون که در این پژوهش مشارکت نداشته است، می‌گوید: این مقاله سهم بسیار مهمی در حوزه طول عمر و پیری دارد.
به گفته او، این پژوهش می‌تواند به توسعه نسل بعدی مدل‌های هوش مصنوعی کمک کند.
این مطالعه همچنین به یکی از پرسش‌های اساسی این حوزه می‌پردازد: چگونه می‌توان به هوش مصنوعی آموزش داد که پیری را درک کند، در حالی که خود دانشمندان هنوز تعریف دقیقی از پیری ارائه نکرده‌اند؟
ژیتنیک می‌گوید: در برخی حوزه‌های بیماری، مانند سرطان، وظایف هوش مصنوعی را می‌توان با دقت بسیار زیادی تعریف کرد. اما پیری موجود کاملا متفاوتی است و تعریف آن دشوار است.
شکار ساعت‌های زیستی
پژوهشگران چندین دهه است که داده‌هایی را برای تعریف و اندازه‌گیری پیری جمع‌آوری می‌کنند. یکی از نتایج این تلاش‌ها، مجموعه بزرگی از ساعت‌های زیستی بوده است که برای اندازه‌گیری پیری زیستی یا سرعت بروز نشانه‌های پیری در بدن انسان طراحی شده‌اند.
این ساعت‌ها با بررسی ویژگی‌هایی مانند مشخصات چهره، سطح پروتئین‌ها، فعالیت ژن‌ها و اسکن‌های مغزی تلاش می‌کنند سن زیستی افراد را محاسبه کنند.
هدف این است که مشخص شود آثار پیری در بدن فرد سریع‌تر از سن تقویمی او پیش می‌رود یا کندتر.
اما حتی با افزایش پیچیدگی این ساعت‌ها، پژوهشگران هنوز به ‌طور قطعی نمی‌دانند چگونه باید نتایج آن‌ها را تفسیر کرد.
هفته گذشته، گروهی از پژوهشگران اعلام کردند که یک داروی آزمایشی برای بیماری ریوی، در یک کارآزمایی بالینی کوچک، سن زیستی دریافت‌کنندگان دارو را کاهش داده است.
این نتیجه بر اساس ۶ ساعت مختلف پیری به دست آمده بود. با این حال، پژوهشگران نتوانستند با اطمینان مشخص کنند که آیا این دارو واقعا فرایندهای بنیادی پیری را معکوس کرده است یا اینکه صرفا وضعیت عمومی سلامت افراد را بهبود داده است. این معضل تنها به همان مطالعه محدود نمی‌شود.
کیارا هرتسوگ، متخصص اپی‌ژنتیک در دانشگاه کمبریج در بریتانیا، می‌پرسد: پیری کجا تمام می‌شود و بیماری از کجا شروع می‌شود؟ چگونه می‌توان این دو را از هم تفکیک کرد؟ این موضوع هنوز به طور کامل روشن نیست.
پژوهشگران امیدوارند هوش مصنوعی بتواند به طراحی ساعت‌های زیستی دقیق‌تر و شناسایی نشانه‌های مولکولی جدید پیری کمک کند.
اما به گفته چیان دی، دانشمند داده و پژوهشگر حوزه سلامت عمومی در دانشگاه تسینگ‌هوا در پکن، دانشمندان به روش‌های جدیدی نیز برای سنجش عملکرد ابزارهای هوش مصنوعی خود نیاز دارند.
او می‌گوید: وظیفه اصلی در حال حاضر این است که آزمایش کنیم هوش مصنوعی تا چه اندازه باهوش است.
کدام هوش مصنوعی نمره قبولی می‌گیرد؟
برای ارزیابی این موضوع، الکس ژاورونکوف، بنیان‌گذار و مدیرعامل شرکت Insilico Medicine در بوستون، به همراه همکارانش در مقاله منتشرشده در سل، مجموعه‌ای از آزمون‌ها را برای مدل‌های زبانی بزرگ طراحی کردند.
این گروه ۱۷ وظیفه را در پنج نوع داده مختلف طراحی کرد: اطلاعات بالینی، داده‌های اپی‌ژنتیکی، فعالیت ژن‌ها، میزان پروتئین‌ها و توالی‌های ژنتیکی.
برای مثال، در یکی از آزمون‌ها از مدل زبانی خواسته می‌شود با استفاده از اطلاعات بالینی دو فرد مشخص کند کدام‌ یک از آن‌ها مسن‌تر است.
در آزمایشی دیگر، مدل‌های زبانی باید با استفاده از میزان برخی پروتئین‌ها در خون یک فرد، سن او را پیش‌بینی کنند.
در مجموع، پژوهشگران ۲۳ مدل زبانی بزرگ را آزمایش کردند: ۱۸ مدل تجاری که در دسته مدل‌های پایه قرار می‌گیرند و پنج مدل اختصاصی که خود پژوهشگران با استفاده از داده‌های مرتبط با پیری آموزش داده بودند.
عملکرد مدل‌ها در این مجموعه آزمون‌ها به پژوهشگران اجازه داد مشخص کنند که کدام مدل برای انجام کدام وظیفه مناسب‌تر است.
ژیتنیک می‌گوید پژوهشگران در حوزه‌های دیگری مانند سرطان نیز در حال ساخت معیارهای مشابهی برای ارزیابی ابزارهای هوش مصنوعی هستند، اما پژوهش درباره پیری با چالش بزرگ‌تری روبه‌رو است.
پژوهش سرطان سابقه طولانی در ایجاد پایگاه‌های داده بزرگ دارد؛ پایگاه‌هایی که داده‌های آن‌ها به نتایج مشخص و قابل اندازه‌گیری مرتبط هستند.
او می‌گوید: واقعیت زیستی را می‌توان در این حوزه به شکلی بسیار تمیز و روشن تعریف کرد.
اما پژوهشگران حوزه پیری چنین امکانی را در اختیار ندارند. به گفته ژیتنیک، حتی تعریف همین ۱۷ وظیفه آزمایشی نیز خود یک دستاورد مهم بوده است.
هوش مصنوعی در جست‌وجوی اهداف دارویی
پژوهشگران همچنین یکی از مدل‌های زبانی اختصاصی خود را به همراه سامانه‌ای که برای تعامل با عامل‌های هوش مصنوعی ساخته بودند، به کار گرفتند تا اهداف دارویی بالقوه مرتبط با پیری را شناسایی کنند.
هرتسوگ می‌گوید: چیزی که برای من واقعا هیجان‌انگیز خواهد بود، این است که ببینیم چگونه می‌توانیم از هوش مصنوعی برای یادگیری درباره فضاهای پنهانی استفاده کنیم که هنوز اطلاعات زیادی درباره آن‌ها نداریم.
آیا ساعت‌های پیری هم هوشمند می‌شوند؟
در مورد ساعت‌های سنجش پیری زیستی، ژاورونکوف پیش‌بینی می‌کند که این حوزه به ‌تدریج از ساعت‌های فعلی فاصله خواهد گرفت؛ ساعت‌هایی که اغلب آزمون‌هایی نسبتا ساده و مبتنی بر همبستگی‌های مشاهده‌شده هستند.
برای نمونه، برخی از این ساعت‌ها الگوهای گروه‌های شیمیایی متصل به دی‌ان‌ای را بررسی می‌کنند که با سن فرد ارتباط دارند.
او انتظار دارد در آینده، تحلیل‌های مبتنی بر هوش مصنوعی و مدل‌های پایه تجاری، جایگاه پررنگ‌تری در این حوزه پیدا کنند؛ مدل‌هایی که توضیحاتی درباره استدلال و نحوه رسیدن به نتایج نیز ارائه می‌دهند.
ژاورونکوف این تغییر را به عبور از یک ساعت مکانیکی سنتی به یک ساعت هوشمند تشبیه می‌کند.
او می‌گوید: ما از یک ساعت کلاسیک و مکانیکی به سمت ساعت هوشمند در حال حرکت هستیم. کمی صبر کنید. چند سال دیگر، همه ساعت‌ها را مدل‌های پایه هوش مصنوعی خواهند ساخت.