DeepMind Co-Scientist-ஐ ஆய்வகத்தில் செயற்படுத்தும் ஆராய்ச்சி அமைப்பாக விரிவாக்குகிறது

DeepMind, Co-Scientist-ஐ யோசனைக்குப் பின்பும் முன்னேற்றுகிறது

Google DeepMind கூறுவதாவது, அதன் AI ஆராய்ச்சி அமைப்பான Co-Scientist இப்போது கருதுகோள்களை உருவாக்குவதிலிருந்து மேலும் நீண்டு, அறிவியல் பணிப்பாய்வின் பெரிய பகுதியிலும் பங்கேற்கிறது; இதில் பரிசோதனைகளைத் திட்டமிடுதல், குறியீடு எழுதுதல், சில ஆய்வக உபகரணங்களை இயக்குதல், முடிவுகளைப் பகுப்பாய்வு செய்தல், மற்றும் அறிவியல் கைஎழுத்துப் பிரதிகளை வரைவுசெய்தல் ஆகியவை அடங்கும். Google-ன் விளக்கப்படி, இந்தப் புதுப்பிப்பு ஒரு closed-loop ஆராய்ச்சி செயல்முறையாகும், மேலும் 2025 பிப்ரவரியில் நிறுவனம் அறிமுகப்படுத்திய Co-Scientist பதிப்பிலிருந்து குறிப்பிடத்தக்க விரிவாக்கத்தை குறிக்கிறது.

வழங்கப்பட்ட அறிக்கையின்படி, புதிய அமைப்பு தற்போதைய Gemini மாதிரிகளின் மீது கட்டமைக்கப்பட்டுள்ளது; இது ஒரு ஆராய்ச்சி கேள்வியை எடுத்துக்கொண்டு, கருதுகோள்களை உருவாக்கி, அவற்றை பரிசோதனைத் திட்டங்களாக அல்லது இயந்திரம் வாசிக்கக்கூடிய நெறிமுறைகளாக மாற்றி, அதன் பின்னர் கிடைக்கும் தரவைப் பகுப்பாய்வு செய்து, இறுதியில் ஒரு கட்டுரை-நீள வெளியீட்டை உருவாக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது. மேலும், உருவாக்கப்பட்ட உரையில் உள்ள எண்ணியல் கோரிக்கைகளை அது உருவாக்கிய குறியீட்டின் execution logs உடன் ஒப்பிடும் verification modules-ஐ இந்த அமைப்பு கொண்டுள்ளதாகவும் Google கூறுகிறது; இது கற்பனை செய்யப்பட்ட அல்லது முரண்பாடான முடிவுகளை குறைக்கும் முயற்சி.

அது முக்கியமானது, ஏனெனில் அறிவியலில் AI அமைப்புகளின் மையக் குறைபாடுகளில் ஒன்று நம்பத்தகுந்த மொழி மற்றும் நம்பகமான ஆதாரம் இடையிலான இடைவெளி ஆகும். தாம் எழுதியதையும், நடைமுறையில் உண்மையில் இயக்கியதையும், வரையறுக்கப்பட்ட ஒரு பணிப்பாய்வுக்குள் கூட, இணைக்கக்கூடிய ஒரு அமைப்பு machine-generated ஆராய்ச்சி வெளியீட்டின் மிகத் தெளிவான தோல்வி முறைகளில் ஒன்றை சமாளிக்கிறது. இது நம்பிக்கை பிரச்சினையை முழுமையாக தீர்க்காது, ஆனால் நடைமுறை அறிவியல் தன்னாட்சி முதலில் எங்கு மேம்பட வேண்டுமென்பதை காட்டுகிறது.

மூன்று துறைகள், மூன்று தன்னாட்சி நிலைகள்

இந்த அறிக்கை பொருட்கள் அறிவியல், உயிரியல், மற்றும் கணினி அறிவியல் ஆகிய துறைகளில் மேற்கொள்ளப்பட்ட சரிபார்ப்பு முயற்சிகளை விவரிக்கிறது; ஒவ்வொரு துறையிலும் இயந்திரத்தின் சுயாதீனத்தின் நிலை வேறுபட்டதாக உள்ளது. பொருட்கள் தொடர்பான பணியில், மனிதர்கள் செயல்படுத்தக்கூடிய synthesis recipes-ஐ Co-Scientist முன்மொழிந்தது. உயிரியலில், நிபுணர் பின்னூட்டத்துடன் ஒரு prediction pipeline-ஐ அது உருவாக்கியது. கணினி அறிவியலில், Google-ன் கூற்றுப்படி, அமைப்பு முற்றிலும் தானாகவே செயல்பட்டது.

இந்த கட்டமைப்பு முக்கியமானது. ஒரே ஒரு உலகளாவிய தன்னாட்சி விஞ்ஞானியை கோருவதற்குப் பதிலாக, Google ஒரு spectrum-ஐ முன்வைப்பதுபோல் தெரிகிறது: உடல் பரிசோதனைகள் விலை உயர்ந்ததும் சென்சிட்டிவானதும் இருக்கும் சூழல்களில் மனித வழிகாட்டுதலுடனான பயன்பாடு, நிபுணர் மேற்பார்வை மையமாக இருக்கும் கூட்டுறவு பயன்பாடு, மற்றும் பரிசோதனை சூழல் ஏற்கனவே software-native ஆக இருக்கும் இடங்களில் அதிக தன்னாட்சி. இந்தப் பிரிவு, நேரத்திட்டம், மாசுபாடு, ஹார்ட்வேர் மாறுபாடு, மற்றும் பாதுகாப்பு கட்டுப்பாடுகள் automation-ஐ கட்டுப்படுத்தும் wet labs அல்லது advanced materials வசதிகளைவிட, AI அமைப்புகள் பொதுவாக digital domains-இல் வேகமாக நகர முடியும் என்ற உண்மையை பிரதிபலிக்கிறது.

பொருட்கள் எடுத்துக்காட்டு, வாய்ப்பையும் வரம்பையும் இரண்டையும் காட்டுகிறது. அறிக்கையின்படி, Co-Scientist ஒரு semi-automated உயர் வெப்பநிலை furnace-உடன் இணைக்கப்பட்டு, முன்பு பெரும்பாலும் ஆபத்தான etching மூலம் தயாரிக்கப்பட்ட ஒரு விரும்பத்தக்க இரு-பரிமாணப் பொருளை நோக்கி பாதுகாப்பான பாதையைக் கண்டறிந்தது. 25 சுற்று மனிதச் சீரமைப்புக்குப் பிறகு, அணி இலக்கு பொருளை ஒத்த பண்புகளைக் கொண்ட அடுக்குமுறை அமைப்புகளை உருவாக்கியது. ஆனால் அந்த அறிக்கை atomic structure-க்கு இறுதியான உறுதிப்படுத்தல் இன்னும் நிலுவையில் இருப்பதாகவும் குறிப்பிடுகிறது.

அந்தத் தலையங்கம் முக்கியமானது. இந்த அமைப்பு recipe generation-ஐ வேகப்படுத்தி, தேடல் பரப்பை குறைத்திருக்கலாம்; ஆனால் அறிவியல் கோரிக்கையின் மிக வலுவான பதிப்பு இன்னும் நிறுவப்படவில்லை. வேறு வார்த்தைகளில் கூறினால், இந்த முடிவு செயல்முறை-காட்சியாக நம்பிக்கை தருகிறது; ஆனால் இலக்கு பொருள் திட்டமிட்டபடி முழுமையாக உருவாக்கப்பட்டதாக இறுதியான ஆதாரம் அல்ல.

வேக உயர்வுகளுடன் நடைமுறை சமரசங்களும் வருகிறது

இரண்டாவது பொருட்கள் பரிசோதனையில், மூன்று semiconductor thin films முதல் முயற்சியிலேயே synthesis செய்யப்பட்டதாக அறிக்கை கூறுகிறது. Co-Scientist நேரடி கருவிக் கட்டுப்பாட்டிற்காக Gemini 3 Deep Think-ஐ பயன்படுத்தியது, மேலும் இது recipe development-ஐ நாட்களிலிருந்து நிமிடங்களுக்கு குறைத்ததாக Google கூறுகிறது. இந்த நேர ஒப்பீடு பரந்த பயன்பாட்டிலும் உறுதியாக இருந்தால், ஆய்வக சூழல்களில் ஆராய்ச்சியாளர்கள் செயல்முறைகளைச் சீரமைப்பதில் பெருமளவு நேரம் செலவிடும் நிலையில், R&D-இல் AI-க்கு உள்ள மிகத் தெளிவான வணிக நியாயங்களில் ஒன்றை இது சுட்டிக்காட்டுகிறது: விலை உயர்ந்த iteration cycles-ஐ சுருக்குவது.

அதே நேரத்தில், இந்த அறிவிப்பை நேரடி ஆய்வக automation முன்னேற்றமாக வாசிக்க விடாத பல கட்டுப்பாடுகளை அறிக்கை சுட்டிக்காட்டுகிறது. மனிதர்கள் இன்னும் மாதிரிகளையும் முன்னோடி பொருட்களையும் கைமுறையாக ஏற்ற வேண்டும். வேகமான இயக்க முறை, மேலும் கவனமாக மேம்படுத்தப்பட்ட recipes-ஐ விட சிறியதும் குறைவான சமத்துவமுள்ளதுமான crystals-ஐ உருவாக்கியது. மேலும், இந்த recipes பிற ஆய்வகங்களுக்கு மாற்றத்தக்கதா என்பது இன்னும் தீராத கேள்வியாகவே உள்ளது.

இந்த விவரங்கள் முக்கியமானவை, ஏனெனில் மறுபடியும் உருவாக்கக்கூடிய தன்மை என்பது ஆராய்ச்சியில் வரையறுக்கப்பட்ட தரநிலை. ஒரே கருவி அமைப்பு, ஒரே ஆய்வகத் திட்டம், ஒரே குழுவின் மேற்பார்வை ஆகியவற்றில் நன்றாக செயல்படும் ஒரு அமைப்பு, இன்னும் அது பொதுவாக பயன்படுத்தப்படக் கூடியதாக இருக்கும் என்பதை நிரூபிக்கவில்லை. செயல்முறைகள் உபகரணங்கள், இயக்குநர்கள், மற்றும் சுற்றுச்சூழல் நிலைகளில் ஏற்படும் மாற்றங்களையும் தாங்கி நிற்கும் போது தான் scientific automation அதிக மதிப்புடையதாகிறது. recipe transfer-ஐ ஒரு open question ஆகக் குறித்ததன் மூலம், அறிக்கை ஒரு நம்பிக்கை தரும் நிரூபணத்துக்கும் பரவலாகப் பயன்படும் தளத்துக்கும் இடையில் இன்னும் எவ்வளவு engineering வேலை உள்ளது என்பதை மறைமுகமாக காட்டுகிறது.

AI ஆராய்ச்சி உட்கட்டமைப்புக்கு இந்த படி ஏன் முக்கியம்

இந்த புதுப்பிப்பின் மிக முக்கியமான பகுதி ஒரே ஒரு பரிசோதனை அல்லாமல் இருக்கலாம். அது கருதுகோள் உருவாக்கம், செயல்படுத்தல் திட்டமிடல், கருவி கட்டுப்பாடு, பகுப்பாய்வு, மற்றும் கைஎழுத்துப் பிரதித் தயாரிப்பு ஆகியவற்றை ஒரே இணைந்த அமைப்பாக இணைக்கும் எண்ணம். இந்த கட்டமைப்பு, frontier AI developers அறிவியல் கருவிகளின் அடுத்த கட்டத்தை எங்கு பார்க்கிறார்கள் என்பதைக் காட்டுகிறது: ஒரு researcher-க்கு தனித்தனி படிகளில் உதவும் chatbot ஆக அல்ல, மாறாக எதை முன்மொழிந்தது, எதை இயக்கியது, எதை கவனித்தது என்பதற்கான உள்ளகப் பதிவை வைத்துக்கொண்டு வேலையை பல கட்டங்களாக முன்னேற்றும் ஒரு orchestrator ஆக.

இத்தகைய அமைப்புகள் முதிர்ந்தால், தேடல் பரப்புகள் பெரியதும் iteration விலை உயர்ந்ததும் உள்ள துறைகளில் ஆராய்ச்சியின் பொருளாதாரத்தை மாற்றக்கூடும். materials discovery, biological prediction, மற்றும் model design ஆகியவை அனைத்தும், ஆராய்ச்சியாளர்கள் கைமுறையாக சோதிக்க முடியாத அளவுக்கு அதிகமான சாத்தியக்கூறுகளைக் கொண்ட துறைகளே. விருப்பங்களை விரைவாகக் குறைத்து, இயக்கக்கூடிய நடைமுறைகளை எழுதித்து, கோரிக்கையிலிருந்து முடிவுவரை ஒரு கட்டமைக்கப்பட்ட தடத்தை பராமரிக்கும் ஒரு கருவி, முழு தன்னாட்சியை எட்டாவிட்டாலும் கூட மதிப்புமிக்கதாக இருக்கலாம்.

ஆனால் இந்த அறிவிப்பு AI science coverage-இன் பரந்த வடிவத்தில் ஒன்றாகவும் அமைகிறது: திறன் விரிவாக்கம் பெரும்பாலும் சுயாதீனமான சரிபார்ப்பை முந்துகிறது. வழங்கப்பட்ட அறிக்கை முடிவுகளை Google-க்கு atribuutes செய்கிறது மற்றும் மூன்று துறைகளில் பரிசோதனைகளை விவரிக்கிறது, ஆனால் இங்கே வெளிப்புற மறுஉற்பத்தி ஆதாரங்களை வழங்கவில்லை. இது அந்தப் பணியை செல்லாததாக்காது; ஆனால் கோரிக்கைகள் எவ்வாறு விளக்கப்பட வேண்டும் என்பதைக் கட்டமைக்க வேண்டும். மிக வலுவான வாசிப்பு என்னவெனில், Google ஒரு அதிக ஒருங்கிணைந்த ஆராய்ச்சி முகவரை காட்டுகிறது; அதற்கு சில பரிசோதனை ஆதாரமுள்ள வெற்றிகள் மற்றும் தெளிவான வரம்புகள் உள்ளன, ஆனால் பொதுப் பயன்பாட்டுக்கான தன்னாட்சி விஞ்ஞானி வந்துவிட்டார் என்பதல்ல.

• Google கூறுவதாவது, Co-Scientist இப்போது கருதுகோளிலிருந்து draft paper வரை ஆராய்ச்சி சுற்றின் அதிக பகுதிகளை கையாளுகிறது.
• இந்த அமைப்பு materials science, biology, மற்றும் computer science ஆகிய துறைகளில் வெவ்வேறு தன்னாட்சி நிலைகளுடன் சோதிக்கப்பட்டதாக கூறப்படுகிறது.
• Verification modules, எழுதப்பட்ட எண்ணியல் கோரிக்கைகளை execution logs-உடன் ஒப்பிட்டு, கற்பனை செய்யப்பட்ட முடிவுகளை குறைக்க அமைக்கப்பட்டுள்ளன.
• முக்கிய வரம்புகள் இன்னும் உள்ளன; இதில் கைமுறை ஆய்வகப் படிகள் மற்றும் மறுபடியும் உருவாக்கும் தன்மையைப் பற்றிய தீராத கேள்விகளும் அடங்கும்.

AI துறைக்குப் பார்த்தால், இது இன்னும் ஒரு அர்த்தமுள்ள மாற்றமே. போட்டி இனி எந்த மாதிரி கட்டுரைகளைச் சுருக்கலாம் அல்லது யோசனைகளை முன்வைக்கலாம் என்பதற்காக மட்டுமே இல்லை. அது increasingly எந்த அமைப்புகள் reasoning-ஐ instruments, data pipelines, மற்றும் audit செய்யக்கூடிய outputs-உடன் இணைக்க முடியும் என்பதற்கே மாறுகிறது. இங்கே விவரிக்கப்பட்ட Co-Scientist, அந்தத் திசையில் ஒரு படி.

இந்தக் கட்டுரை The Decoder வழங்கிய செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.