AI scientist đang định hình cách làm khoa học

Từ chatbot đến "nhà khoa học AI"

Năm 2010, một nhóm gồm 31 nhà khoa học tại Đại học Stanford (Hoa Kỳ) mất tới 9 tháng để hoàn thành phân tích lâm sàng đầu tiên của một bộ gene người. Khi đó, đây được xem là một cột mốc của y học chính xác, đòi hỏi lượng lớn dữ liệu, nhiều chuyên gia cùng phối hợp và quy trình phân tích hết sức phức tạp.

16 năm sau, GS. Euan Ashley - người từng dẫn dắt nghiên cứu đó đã quyết định thử một thí nghiệm nhỏ.

Trong lúc vừa trở về sau kỳ nghỉ, ông yêu cầu Claude - mô hình AI do Anthropic phát triển, phân tích chính bộ gene của mình theo tiêu chuẩn tương tự.

Khoảng 30 phút sau, AI đã xác định đúng một biến thể gene liên quan đến nguy cơ mắc Alzheimer, đồng thời phát hiện nhiều biến thể ảnh hưởng đến khả năng chuyển hóa thuốc. Kết quả gần như trùng khớp với phân tích mà GS Ashley từng thực hiện nhiều năm trước nhưng chưa công bố.

"Không có cách nào để nói rằng điều này không đáng kinh ngạc", ông chia sẻ.

Câu chuyện của GS. Ashley đã phản ánh một bước chuyển đáng chú ý của AI trong khoa học. Chỉ vài năm trước, AI chủ yếu được sử dụng để chỉnh sửa ngữ pháp, viết email hay tóm tắt tài liệu. Giờ đây, các hệ thống mới đã bắt đầu tham gia trực tiếp vào quá trình nghiên cứu.

Giới khoa học gọi chúng là AI scientist - những tác nhân AI có thể hỗ trợ nhà nghiên cứu trong nhiều công đoạn thay vì chỉ trả lời câu hỏi như chatbot thông thường.

Cuối tháng 6 vừa qua, Anthropic đã giới thiệu Claude Science - nền tảng được thiết kế dành riêng cho nghiên cứu sinh học. Trước đó, Google DeepMind đã phát triển Co-Scientist; OpenAI cũng cung cấp các công cụ phục vụ nghiên cứu; còn các nhà khoa học tại nhiều trường đại học xây dựng Biomni - một nền tảng mã nguồn mở vừa được giới thiệu trên Tạp chí Science.

Sự xuất hiện liên tiếp của các công cụ này cho thấy AI đang bước sang một giai đoạn mới. Thay vì chỉ đóng vai trò "thư ký" giúp con người xử lý văn bản, AI bắt đầu trở thành một cộng sự có thể tham gia vào quy trình nghiên cứu, từ khâu hình thành ý tưởng cho đến phân tích kết quả.

AI giờ có thể làm được những gì?

Nếu chỉ nhìn bề ngoài, AI scientist có vẻ không khác nhiều so với những chatbot quen thuộc như ChatGPT hay Claude. Nhưng điểm khác biệt nằm ở cách chúng làm việc.

Một chatbot thông thường chủ yếu trả lời từng câu hỏi mà người dùng đặt ra. Trong khi đó, AI scientist có thể tự chia một nhiệm vụ nghiên cứu thành nhiều bước, rồi lần lượt thực hiện từng bước như một trợ lý nghiên cứu thực thụ.

Chẳng hạn, khi được giao phân tích một bộ dữ liệu gene, AI không chỉ đọc dữ liệu rồi đưa ra kết quả. Nó có thể tự tìm các bài báo liên quan, đối chiếu với những nghiên cứu trước đó, gọi thêm các phần mềm chuyên dụng để xử lý dữ liệu, tạo biểu đồ, tổng hợp kết quả và thậm chí hỗ trợ viết bản thảo nghiên cứu.

Nói cách khác, thay vì chỉ "trả lời", AI bắt đầu biết "làm việc".

Một số nền tảng còn có thể kết nối với hàng chục công cụ chuyên ngành khác nhau. Ví dụ, nhóm nghiên cứu tại Công ty Boltz (Anh) đã giao cho một tác nhân AI nhiệm vụ thiết kế một kháng thể có khả năng nhận diện đồng thời hai mục tiêu điều trị. Để hoàn thành công việc, AI không tự suy luận tất cả mà kết hợp với các mô hình dự đoán cấu trúc protein do chính Công ty phát triển.

Theo Gabriele Corso, đồng sáng lập Boltz, những thiết kế mà AI đưa ra phù hợp với trực giác của các chuyên gia thiết kế protein. Dù nhóm chưa kiểm chứng trực tiếp các kháng thể này trong phòng thí nghiệm, nhiều nghiên cứu khác đã cho thấy AI có thể tạo ra những thiết kế sinh học có giá trị thực tiễn.

Theo các nhà nghiên cứu, đây chính là điểm khác biệt lớn nhất của thế hệ AI mới: chúng không còn là một mô hình ngôn ngữ đơn lẻ mà trở thành trung tâm điều phối, biết khi nào cần gọi thêm các công cụ khác để hoàn thành nhiệm vụ.

Khi AI bắt đầu đề xuất giả thuyết khoa học

GS. Clare Bryant, nhà miễn dịch học tại Đại học Cambridge (Anh), là một trong những người đầu tiên thử nghiệm Co-Scientist của Google DeepMind.

Bà cung cấp cho AI bản đề xuất xin tài trợ nghiên cứu cùng những dữ liệu mà nhóm đang thu thập về phản ứng miễn dịch trước các mầm bệnh lây từ động vật sang người.

Sau khi phân tích, Co-Scientist đưa ra nhiều giả thuyết nghiên cứu mới.

Không phải tất cả đều khả thi. Có những ý tưởng vượt quá khả năng thực nghiệm của phòng thí nghiệm. Nhưng cũng có những đề xuất phù hợp đến mức nhóm nghiên cứu quyết định triển khai ngay.

Một trong số đó là thử tạo ra những đột biến cụ thể trên một protein của hệ miễn dịch bẩm sinh để theo dõi xem chúng ảnh hưởng thế nào đến khả năng nhiễm virus cúm.

Theo GS. Clare Bryant, nếu không có AI, rất có thể nhóm nghiên cứu rồi cũng sẽ nghĩ tới hướng đi này. Tuy nhiên, quá trình đó có thể mất thêm khoảng hai năm.

Một ví dụ khác đến từ Đại học Stanford (Mỹ). GS. Gary Peltz sử dụng Co-Scientist để tìm kiếm những loại thuốc đã được cấp phép nhưng có thể điều trị bệnh xơ hóa gan trên mô hình organoid. Ông mô tả trải nghiệm này giống như "đang trò chuyện với một nhà tiên tri", bởi AI có thể nhanh chóng kết nối những thông tin nằm rải rác trong hàng nghìn công trình khoa học mà con người khó có thể đọc hết.

Dẫu vậy, chính các nhà khoa học cũng lưu ý AI không phải một "cỗ máy phát minh". Những giả thuyết mà nó đưa ra vẫn cần được con người đánh giá, sàng lọc và quan trọng nhất là kiểm chứng bằng thực nghiệm. Trong khoa học, một ý tưởng hay chỉ thực sự có giá trị khi dữ liệu chứng minh nó là đúng./.

Xuân Bình