DeepMind ने Co-Scientist चे प्रयोगशाळेत कार्यान्वित होणाऱ्या संशोधन प्रणालीमध्ये विस्तार केला

DeepMind ने Co-Scientist ला कल्पनांच्या पलीकडे नेले

Google DeepMind चे म्हणणे आहे की त्यांची AI संशोधन प्रणाली Co-Scientist आता गृहितके तयार करण्यापलीकडे जाऊन वैज्ञानिक कार्यप्रवाहाच्या मोठ्या भागात सहभागी होत आहे, ज्यामध्ये प्रयोगांचे नियोजन करणे, कोड लिहिणे, काही प्रयोगशाळा उपकरणे चालवणे, निष्कर्षांचे विश्लेषण करणे, आणि वैज्ञानिक हस्तलिखितांचे मसुदे तयार करणे यांचा समावेश आहे. Google नुसार, या अद्ययावत आवृत्तीला एक closed-loop संशोधन प्रक्रिया म्हणून वर्णन केले आहे, आणि फेब्रुवारी 2025 मध्ये कंपनीने सादर केलेल्या Co-Scientist आवृत्तीच्या तुलनेत हे एक लक्षणीय विस्तार आहे.

पुरवलेल्या अहवालानुसार, नवीन प्रणाली सध्याच्या Gemini मॉडेल्सवर आधारित आहे आणि ती अशा पद्धतीने तयार केली आहे की ती एक संशोधन प्रश्न घेते, त्यातून गृहितके तयार करते, त्यांना प्रयोगात्मक योजना किंवा machine-readable प्रोटोकॉलमध्ये रूपांतरित करते, त्यानंतर निर्माण झालेल्या डेटाचे विश्लेषण करते, आणि शेवटी लेख-लांबीचे आउटपुट तयार करते. Google असेही म्हणते की या प्रणालीमध्ये verification modules आहेत, जे तयार केलेल्या मजकुरातील संख्यात्मक दाव्यांची तुलना तिच्या स्वतःच्या कोडच्या execution logs शी करतात, जेणेकरून बनावट किंवा विसंगत निष्कर्ष कमी करता येतील.

हे महत्त्वाचे आहे, कारण विज्ञानातील AI प्रणालींच्या मुख्य कमकुवत बाजूंपैकी एक म्हणजे विश्वासार्ह भाषा आणि भरोसेमंद पुरावा यांच्यातील दरी. मर्यादित कार्यप्रवाहातसुद्धा, जे ती लिहिते ते प्रत्यक्षात ती जे चालवते त्याशी जोडू शकणारी प्रणाली, मशीन-निर्मित संशोधन आउटपुटमधील सर्वात स्पष्ट अपयशाच्या प्रकारांपैकी एकावर उपाय करते. ती विश्वासाचा प्रश्न पूर्णपणे सोडवत नाही, पण व्यावहारिक वैज्ञानिक स्वायत्तता प्रथम कुठे सुधारावी लागेल हे दाखवते.

तीन क्षेत्रे, स्वायत्ततेची तीन पातळी

हा अहवाल materials science, biology, आणि computer science या तिन्ही क्षेत्रांतील validation प्रयत्नांचे वर्णन करतो, आणि प्रत्येक क्षेत्रात मशीन स्वातंत्र्याची पातळी वेगळी दिसते. materials work मध्ये, Co-Scientist ने मानवांनी अंमलात आणावेत अशी synthesis recipes सुचवली. biology मध्ये, त्याने तज्ज्ञांच्या अभिप्रायासह एक prediction pipeline तयार केली. computer science मध्ये, Google च्या म्हणण्यानुसार, प्रणाली पूर्णपणे स्वतःहून चालली.

ही टप्प्याटप्प्याची रचना महत्त्वाची आहे. सर्वसमावेशक autonomous scientist असा दावा करण्याऐवजी, Google एक spectrum मांडत असल्याचे दिसते: ज्या ठिकाणी भौतिक प्रयोग महाग आणि संवेदनशील असतात तिथे human-guided वापर, तज्ज्ञांचे निरीक्षण केंद्रस्थानी राहते अशा ठिकाणी collaborative वापर, आणि प्रयोगात्मक वातावरण आधीच software-native असलेल्या ठिकाणी उच्च स्वायत्तता. ही विभागणी वास्तव दर्शवते की AI प्रणाली साधारणपणे digital domains मध्ये wet labs किंवा advanced materials facilities पेक्षा जलद हालचाल करू शकतात, जिथे timing, contamination, hardware variability, आणि safety constraints automation ला मर्यादा घालतात.

materials चा उदाहरण दोन्ही, शक्यता आणि मर्यादा, स्पष्ट करतो. अहवालानुसार, Co-Scientist ला अर्धस्वयंचलित उच्च-तापमान furnace सोबत जोडण्यात आले, आणि तिने पूर्वी मुख्यत्वे धोकादायक etching द्वारे तयार केल्या जाणाऱ्या एका अपेक्षित द्विमितीय पदार्थाकडे अधिक सुरक्षित मार्ग ओळखला. 25 फेऱ्यांच्या मानवी परिष्करणानंतर, संघाने अशा layered structures तयार केल्या ज्यांचे गुणधर्म लक्ष्य पदार्थाशी मिळतेजुळते होते. मात्र, अहवालात असेही नमूद केले आहे की atomic structure ची निर्णायक पुष्टी अद्याप प्रलंबित आहे.

ही सावध नोंद महत्त्वाची आहे. प्रणालीने recipe generation वेगवान केली असेल आणि शोधाचा अवकाश कमी केला असेल, पण वैज्ञानिक दाव्याची सर्वात मजबूत आवृत्ती अजून स्थापित झालेली नाही. दुसऱ्या शब्दांत, हा निकाल प्रक्रिया-प्रदर्शन म्हणून आशादायक आहे, अंतिम पुरावा म्हणून नाही की लक्ष्य पदार्थ अपेक्षेप्रमाणे पूर्णपणे साकार झाला आहे.

गतीतील वाढीसोबत व्यावहारिक तडजोडीही येतात

दुसऱ्या materials प्रयोगात, अहवालानुसार तीन semiconductor thin films पहिल्याच प्रयत्नात synthesized झाले. Co-Scientist ने थेट उपकरण नियंत्रणासाठी Gemini 3 Deep Think वापरले, आणि Google चे म्हणणे आहे की यामुळे recipe development दिवसांवरून मिनिटांपर्यंत कमी झाले. ही वेळेची तुलना व्यापक वापरातही तशीच राहिली, तर ती R&D मध्ये AI साठी असलेल्या सर्वात स्पष्ट व्यावसायिक कारणांपैकी एक दाखवते: प्रयोगशाळेच्या वातावरणात महागड्या iteration cycles कमी करणे, जिथे संशोधक प्रक्रिया सुधारण्यात मोठा वेळ घालवतात.

त्याच वेळी, अहवाल काही बंधनेही दाखवतो, ज्यामुळे ही घोषणा सरळसोट प्रयोगशाळा automation मधील breakthrough म्हणून वाचली जाऊ नये. मानवांना अजूनही नमुने आणि precursor materials हाताने लोड करावे लागले. जलद कार्यप्रणालीमुळे अधिक नीट optimized recipes च्या तुलनेत लहान आणि कमी एकसमान crystals तयार झाले. आणि या recipes इतर प्रयोगशाळांमध्ये कितपत transfer होऊ शकतात, हा प्रश्न अजूनही सुटलेला नाही.

हे तपशील महत्त्वाचे आहेत, कारण reproducibility हा संशोधनातील परिभाषित मानक आहे. एका instrument stack, एका प्रयोगशाळेच्या configuration, आणि एका टीमच्या देखरेखीखाली चांगले काम करणारी प्रणाली अजूनही ती सर्वसाधारण करता येते हे दाखवत नाही. scientific automation अधिक मौल्यवान तेव्हाच होते जेव्हा procedure वेगवेगळ्या उपकरणे, ऑपरेटर, आणि पर्यावरणीय परिस्थितींमध्येही टिकतात. recipe transfer ला खुला प्रश्न म्हणून अधोरेखित करून, अहवाल अप्रत्यक्षपणे दाखवतो की प्रभावी demonstration आणि व्यापकपणे deploy करता येणाऱ्या platform यांच्यामध्ये अजून किती engineering बाकी आहे.

AI research infrastructure साठी ही पायरी का महत्त्वाची आहे

या अद्ययावत माहितीतला सर्वात परिणामकारक भाग कदाचित कोणताही एक प्रयोग नसावा. तो म्हणजे गृहितक निर्मिती, अंमलबजावणी नियोजन, उपकरण नियंत्रण, विश्लेषण, आणि हस्तलिखित मसुदा तयार करणे यांना एका जोडलेल्या प्रणालीत एकत्र आणण्याची कल्पना. ही architecture सूचित करते की frontier AI developers विज्ञानासाठीच्या पुढील टप्प्यातील tooling ला कुठे पाहतात: स्वतंत्र टप्प्यांवर संशोधकाला मदत करणाऱ्या chatbot प्रमाणे नव्हे, तर असा orchestrator म्हणून जो काय प्रस्तावित केले, काय चालवले, आणि काय निरीक्षण केले याचा अंतर्गत नोंद ठेवत काम अनेक टप्प्यांतून पुढे नेऊ शकतो.

अशा प्रणाली परिपक्व झाल्यास, जिथे search spaces मोठे आणि iteration खर्चिक असतात अशा क्षेत्रांमध्ये संशोधनाची अर्थव्यवस्था बदलू शकते. materials discovery, biological prediction, आणि model design ही सर्व अशी क्षेत्रे आहेत जिथे संशोधकांना हाताने तपासण्यासाठी खूप जास्त संभाव्य संयोजनांचा सामना करावा लागतो. पर्याय पटकन कमी करणारे, executable procedures लिहिणारे, आणि दाव्यापासून निष्कर्षापर्यंत संरचित trail ठेवणारे साधन पूर्ण स्वायत्ततेपर्यंत कधीच पोहोचले नाही तरीही उपयुक्त ठरू शकते.

पण ही घोषणा AI science coverage मधील व्यापक नमुन्याचाच भाग आहे: capability expansion अनेकदा स्वतंत्र validation पेक्षा पुढे जाते. पुरवलेला अहवाल निकालांचे श्रेय Google ला देतो आणि तीन क्षेत्रांतील प्रयोगांचे वर्णन करतो, पण येथे external replication चा पुरावा देत नाही. त्यामुळे काम अमान्य ठरत नाही, पण दावे कसे समजावेत ते ठरवावे लागते. सर्वात मजबूत वाचन असे की Google अधिक एकात्मिक research agent दाखवत आहे, ज्याच्याकडे काही experimentally grounded यश आणि काही स्पष्ट मर्यादा आहेत, पण सर्वसाधारण वापरासाठी autonomous scientist आलेला नाही.

• Google चे म्हणणे आहे की Co-Scientist आता hypothesis ते draft paper पर्यंत संशोधन चक्राचा अधिक भाग हाताळते.
• प्रणालीची materials science, biology, आणि computer science मध्ये वेगवेगळ्या स्वायत्तता पातळ्यांसह चाचणी झाली असल्याचे सांगितले जाते.
• Verification modules, लिखित संख्यात्मक दावे execution logs शी cross-check करून fabricated निष्कर्ष कमी करण्याचा उद्देश ठेवतात.
• Reproducibility, इतर प्रयोगशाळांमध्ये हस्तांतरण, आणि वेगवान कार्यप्रणालीतील quality tradeoffs यांबाबत महत्त्वाचे प्रश्न अजूनही शिल्लक आहेत.

AI क्षेत्रासाठी, ही तरीही एक अर्थपूर्ण बदलाची चिन्हे आहेत. स्पर्धा आता फक्त कोणता model papers चे सारांश देऊ शकतो किंवा कल्पना सुचवू शकतो यावर नाही. increasingly प्रश्न हा आहे की कोणत्या प्रणाली reasoning ला instruments, data pipelines, आणि audit करता येतील अशा outputs शी जोडू शकतात. येथे वर्णन केलेला Co-Scientist, त्या दिशेने एक पाऊल आहे.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.