シリコンバレーများသည် များသည် ပုံစံဖန်တီးသော AI ကို များအဖြစ် ထုတ်ပြန်လျက် မြင့်မြတ်သောအင်အားအဖြစ် ပြောကြားသည်။ ၎င်းတို့သည် ရောဂါများကို ၅ နှစ်မှ ၁၀ နှစ်အတွင်း တောင့်တင်းပေးနိုင်မည်ဟု မျှော်လင့်ကြပြီး သာမားသော ကင်ဆာလေ့လာမှု မဟုတ်ဘဲ ဆရာဝန်များလက်ခုပ်ရန်အတွက်အတွက်မဟုတ်ပါ။ ဒါ့အပြင် AI နည်းပညာက ရောဂါများကိုကုစားနိုင်မည်ဟု ယူဆကြပြီး၊ Nobel ဆုရရှိသူနှင့် Google DeepMind ၏အမှုဆောင်အရာရှိ Demis Hassabis သည် ဤပြသနာများကို မကြာမီကုစားနိုင်မည်ဟု မျှော်လင့်ကြသည်။ OpenAI အဖွဲ့သည် လောလောဆယ် အစိတ်အပိုင်းအသစ်များကို စေ့စပ်ကာ သုံးသပ်နိုင်သော မော်ဒယ်များကို မြှင့်တင်ကြပြီး Anthropic ၏ မူရင်းကိုင်ခံသူသည် AI သည် အမြဲအင်အားဖြစ်သော ကင်ဆာများကို ဖယ်ရှားပစ်နိုင်မည်ဟု ခန့်မွန်းကြသည်။ ဤဦးစီးချုပ်များသည် သူတို့၏နည်းပညာကို အလေးအနက်စျေးကြောက်စွာ လုပ်ကိုင်ကြသော်လည်း၊ ဤကျော်ကြားချက်များတွင် အမှန်တကယ်အနာဂတ်ကျွန်ုပ်တို့ တွေးထားသင့်သည်မှာ သမိုင်းကြောင်းအကြီးအကျယ်ရှိပါသလား?

နှင့် သိပ္ပံပညာရှင်များသည် generative AI ကို ရှာဖွေရေးအတွက် ဘယ်လိုအကျိုးရှိစေမည်နိမ့်။ Pfizer၊ Moderna နှင့် Memorial Sloan Kettering ကဲ့သို့သော အဖွဲ့အစည်းများနှင့် မေးမြန်းစကားပြောသည့်အခါ၊ AI သည် မျှော်လင့်ချက်များစွာရှိသော်လည်း ထင်ရှားသော အကန့်အသတ်များရှိနေကြောင်းရောရှာဖွေနိုင်သည်။ AI ဖန်တီးထားကြသော ဆေးဝါးတစ်ခု မြင်ရခြင်းအတွက် မနက်ဖြန်အချိန်တွင် လေးနက်ဖြစ်နိုင်သော်လည်း၊ ဤနေရာတွင် မကျနေသောအချိန်အတော်ကြာသော စမ်းသပ်သည့် လုပ်ငန်းများနှင့် လူ့စမ်းသပ်မှုများမရှိမဖြစ်အကြာကြီးဖြစ်သွားမည်။ AI ဖြင့်ဖန်တီးထားသောဆေး၏ တီထွင်မှု ဆောင်ရွက်ခြင်းကို Insilico Medicine ၏အမှုဆောင်အရာရှိ Alex Zhavoronkov သည် ထောက်ခံပြောကြားပြီး၊ သောကော်ဘိုင်းဖုန်းဖွဲ့စည်းချက်များကို အသုံးပြု၍ မကြာမီ များစွာသော အနာဂတ်ကင်ဆာများကို ပယ်ဖျက်နိုင်မည်ဟု ယုံကြည်ကြသည်။ ထိုအနေနဲ့ AlphaFold ဟုအမည်ပေးသော သရုပ်ပြ AI တစ်ခုသည် ဆေးပညာရေး ရှေးဟောင်းတစ်ခုအဖြစ် အသုံးပြုသူအများအပြားရောထွက်အပ်သည်။ Generative AI ၏ သက်ရောက်မှုသည် သိပ္ပံပညာတွင် အချိန်ဆုံးတဲ့မာစတာများအဖြစ် မည်သည့်ကားမဟုတ်ပါ။ အကြမ်းအားဖြင့် ယခုလက်ရှိတွင် များသော AI ၂ မျိုးရှိသည်။ ပထမတူတူ—ကျွန်ုပ်တို့၏ chatbot များလို AI ဟာ သိပ္ပံစာပေများရှာဖွေနိုင်ပြီး အကျိုးရှိစေသော အကျဉ်းချုပ်များနှင့် အသုံးဝင်သောအစိတ်အပိုင်းများ ဖန်တီးနိုင်သည်။ ဤစိတ်ကူးသည် ဒီprogram များကို တောင့်တင်းသော သိပ္ပံပညာမေးခွန်းများကို မေးပြီး ပြင်းထန်သောအကြံဉာဏ်များရဖို့စိတ်ကူးထားခဲ့ပေမယ့်၊ ယနေ့အချိန်၌ ဤမော်ဒယ်များသည် သာမန်အချက်အလက်လုပ်ငန်းများတွင်သာအကောင်းဆုံးကူညီနိုင်သည်။ MIT ရှိ ဓာတုဗေဒကျောင်းသား Rafael Gómez-Bombarelli သည် OpenAI နှင့် Google ၏ Deep Research ကဲ့သို့သော AI ကိရိယာများကို ပုံမှန်အသုံးပြု၍ စာစောင်များကို လျင်မြန်စွာ စိစစ်နိုင်သည်ဟု မွေ့လိုက်ကြပြီး၊ ဤအလုပ်စနစ်မွမ်းမံမှုအတွက် အမွန်အစွန်းအဖျားဖြစ်ကြောင်း ပြောကြားသည်။ သို့သော်၊ ထိုကိရိယာများသည် မမှန်သောအချက်အလက်များကို မှားယွင်းစွာဖန်တီးနိုင်ပြီး အစိတ်အပိုင်းအသစ်များကို ထုတ်ဖော်နိုင်ခြင်းမရှိပါ။ မူလတန်းမှ ဆေးပညာရှင် Andrea Califano သည် ChatGPT နှင့် DeepSeek တို့က ပညာပေးနေစဉ်က မမှန်သောအကြံဉာဏ်များ၊ မရှိသော ရုပ်ပုံများကို ဖန်တီးကြောင်းရှုမြင်ခဲ့သည်။ OpenAI ၏အသစ်သောမော်ဒယ်များသည် မကြာမီ၌ ပိုမိုအမှားများလုပ်နိုင်ကြောင်းအစီရင်ခံပြီး၊ ဤ AI များသည် သက်ဆိုင်ရာအကြံဉာဏ်အသစ်များထုတ်လုပ်နိုင်စွမ်းမရှိပဲ လုပ်ပိုင်ခွင့်ရှိသည့်အသိပညာများကို ချုပ်ဆိုမှုနဲ့တင်အကောင်းဆုံးပါ။ ဤအန္တရာယ်များကို ဖြေရှင်းပြီး ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ရန် AI စနစ်များကို ပူးပေါင်းပါအဖြစ်ပြင်ဆင်နေကြသည်။ Google ၏ “AI မျှပညာရှင်” သည် အားလုံးအောင်မြင်စွာ အကူအညီပြုသော မော်ဒယ်များဖြစ်ပြီး၊ သက်ဆိုင်ရာဆေးပညာအလေးအနက်အာရုံစူးစိုက်နိုင်သည့် hypotheses များကို ဖန်တီးရာအတွင်း တက်ကြွစွာ စမ်းသပ်နိုင်သည်။ တစ်စမ်းသပ်မှုတွင်၊ ဤအနည်းငယ်အဖွဲ့မှ bacterial evolution (ဝန့်စပ်မှု) အတွက် တစ်ကြိမ်အောင်မြင်စွာ ချမှတ်ခဲ့ပြီး ဥပမာအနေနဲ့ လူ့အဖွဲ့မှ မဖြစ်မနေသည့်အကွာအဝေးကို ထွက်ရှိခဲ့သည်။ ဒါမှာ AI မှာ ကြုံရသော သဘောထားအနေဖြင့် စနစ်တကျအာရုံစူးစိုက်ခက်ခဲသော hypotheses ထွက်သည့်အတွက်၊ လူ့ရှုအာရုံနှင့်မညီအောင်ီးအတော့မည်ဆိုသည်မှာ ချော်ဘို့မဖြစ်ဘဲ၊ အများက ပိုမိုအကောင်းဆုံးထုတ်ပြန်နိုင်ပါတယ်။ ဤစနစ်သည် အလွန်အသစ်အပြောင်းအလဲများ မထွက်ခဲ့သော်လည်း၊ အကြီးအကျယ် သိအောင်ပေးသော အချက်အလက်များကို ပေါင်းစည်းပြီး လူ့စမ်းသပ်မှုနဲ့တိကျမှန်ကန်သော ရလဒ်များကို တွဲဖက်ပေးနေသည်။ ထို့ကြောင့် AI သည် ကျိုးကြောင်းမကောင်းဖို့အစား ဆရာဝန်တွေသာမက လူ့အင်အားကို သမိုင်းကြောင်းအဖြစ်ထောက်ခံသည်။ ဒုတိယအကြီးအကျယ် AI မျိုးသည် “ဘီလူးဆိုဘဲ” ကို တိုက်ရိုက်လေ့လာပြီး၊ ဥပမာprotein structures သို့မဟုတ် gene expression များကို ချဲ့ထွင်လေ့လာသည်။ AlphaFold နှင့် ဆက်စပ်မော်ဒယ်များသည် လူ့အဖွဲ့များထက် ရှားပါးသော dataset များကို ရှာဖွေပြီး၊ ဆေးဝါးအသစ်များပြန်အသုံးပြုခြင်း၊ သက်ဆိုင်ရာရောဂါများကို ဖော်ထုတ်ခြင်းအတွက် ကူရန်လည်းအကောင်းဆုံး။ Pfizer ကိုယ်တိုင် AI ကိုအသုံးပြုပြီး ကင်ဆာကုသမှုအတွက် ဥပမာ ဒါရိုက်တာများကို ရှာဖွေကြသည်။ ဤနည်းပညာသည် မော်ကွန်းများအတွက် molecular configurations များကို သုံးကြည့်ပြီး efficacy နှင့် side effects များကို အကောင်းဆုံးစေရန် သုတေသနကို ပိုမိုမြန်ဆန်စေသည်။ Moderna ၏ Wade Davis က AI ကို များစွာသော chemical များနှင့် genetic search space များကို လျှော့စေနိုင်စေကြောင်း ပြောကြားသည်။ Pratyush Tiwary က ဥပမာ AI သည် မည်သို့ကောင်းကောင်းတင်မမဲ့များကို ဆိုလိုလျှင်၊ ဒါပေမဲ့ ရှာဖွေရေးအတွက် ကူညီပေးနိုင်ပေမဲ့၊ လူ့စေ့စပ်မှုကို တစ်ခါအပြတ်အလယ်မှ မပါဘဲဖြစ်နေပါသည်။ နောက်ဆုံးအနေနဲ့ AI ၏ အဓိက တန်ဖိုးမှာ သိပ္ပံပညာ၏ မြန်ဆန်မှုနှင့် ထိရောက်မှုကို မြှင့်တင်ပေးခြင်းဖြစ်လာမည်။ ယခုလက်ရှိ AI က ဆေးဝါးဖန်းတီးမှုကို မျှော်လင့်ချက်နှစ်ပေးနိုင်ပါသည်။ ဥပမာ—၂၀၁၅ ပြင်ပိုင်းအချိန်ကနေ ၂၀ နှစ်ခန့်သုံးပြီးယူထားခဲ့သောအချိန်ကို ၁၅ နှစ်တိုင်အောင် လျော့ချနိုင်သည်။ ဒါကတော့အရေးကြီးလှတယ်။ သို့မဟုတ် နှောင့်နှေးတင်မထားသေးပေမယ့်၊ ထင်ရွေးနိုင်ရန်အတွက် လုံးဝလုံးဝ မရနိုင်ပါ။ အကန့်အသတ်များမှာ မူလကြာတာမှာ မပြည့်စုံသော biological training data မပါဝင်ခြင်း၊ နှင့် molecule များကို စုံလင်စွာ ဖန်တီးနိုင်မည့် ဒီဂျစ်တယ်လူ့ကြိုးပမ်းမှုအပြင် ကြီးမားသောမှားယွင်းမှုများလည်း ဖြစ်တတ်သည်။ Andrea Califano သည် AI သည် မေးခွန်းတစ်ခုကို မေးသောအခါ၊ မေးခွန်းကို ပြင်ဆင်ပေးရန်နှင့် အကြံဉာဏ်မည်သည့်ကောင်းကောင်းကောင်းကောင်းလုပ်နိုင်မည့်ဒေတာများကို စုဆောင်းရန်ပိုအရေးကြီးသည်ဟု အာမခံကြသည်။ သို့သော်လည်း လူ့အဖွဲ့နှင့် AI ပူးပေါင်းဆောင်ရွက်မှုများသည် တိုးတက်လာနေသည်။ Startups များဖြစ်သော Lila Sciences နှင့် Insilico များသည် လူ့သုတေသနပညာရှင်များနှင့်အတူ လက်စောင့်ရှောက်နေသော robot lab များကို သုံးပြီး hypotheses များကို စမ်းသပ်၍ မြန်မြန်ကောင်းကောင်း ပြုပြင်နေသည်။ ထို့အပြင် Chan Zuckerberg Initiative ၏ ကြိုးပမ်းမှုများသည် လူ့ဘောင်တစ်လုံးဖြစ်သည့် “virtual cells” များဖန်တီးရန် ရည်ရွယ်ထားသည်။ လူ့အင်အားလုပ်ဖြစ်မည့် hypotheses အသစ်များကို ထုတ်ဖော်ခြင်းမှာ အခက်အခဲမရှိပါ။ ဒါပေမယ့် လုပ်ငန်းစဉ်အနေဖြင့် ဥပမာ အလေးအနက်အကြမ်း ထောက်ခံမှုကို သက်သေခံချင်သူများအတွက် ရှေးရှေးထိုးဖော်ထားသည့် ရုပ်ရှင်စမ်းသပ်မှုကာလများစွာ ကြီးမားသည်။ အနှုတ်အဖျက်ချက်ကတော့ AI သည် ဗီဒီယိုပညာရှင်များအနေနှင့် စုစုပေါင်း ဗဟုသုတကို ချုပ်ချုပ်ထားခြင်း၊ စမ်းသပ်မှုများကို လျင်မြန်စွာဖွင့်ဆိုခြင်းနှင့် မော်လီကျူးဖန်တီးခြင်းတို့တွင် အံ့သြစေမည့် အကူအညီပေးစီးပွားမှုဖြစ်လာသည်။ သို့သော်၊ ၎င်းသည် ကံကောင်းစွာ ကုသနိုင်မည့် မန်နယ်မယ်ကျန်းမောလေး မဖြစ်နိုင်ပါ။ တိုးတက်မှုကို အကောင်းဆုံးရဖို့၊ မေးခွန်းတစ်ခုအား သေချာစွာရိုက်နှပ်မေးမြန်းခြင်း၊ မေးခွန်းများအတွက် ဥပမာဂရပ်ကွက်အရည်အသွေးအမြင့်ထိန်းသိမ်းခြင်း၊ ထိုနိုင်ငံအချင်းချင်း သေနတ်မျိုးစုံအမှန်တကယ် လုပ်ကိုင်မှုများကိုကောင်းမွန်စွာစစ်ဆေးခြင်းလိုအပ်သည်။ လူ့အကျုံးဝင်နေသော ပညာရှင်များမပါမဖြစ်လာသည်။ ဒါကြောင့် ဗဟိုမဲ့ Human-AI ပူးပေါင်းဆောင်ရွက်မှုများ များစွာ တိုးတက်လာနေပါသည်။ Startups များဖြစ်သော Lila Sciences နှင့် Insilico တို့သည် လူ့ဗေဒဗေသနှင့် AI များကို အချိန်အခါအခါ ယုံကြည်စွာ စမ်းသပ်နေကြပြီး၊ ထည့်သွင်းစစ်ဆေးနေကြသည်။ ထို့အပြင် Chan Zuckerberg Initiative မှနေ၍ လူ့စိတ်ဝိညာဉ်ဘဝကို နားလည်နိုင်သည့် “virtual cells” များဖန်တီးရန် ကြိုးပမ်းနေကြသည်။ အသစ် hypotheses များဖန်တီးခြင်းမှာ အခက်အခဲမဟုတ်ပေမယ့်၊ ၎င်းတို့ကို စမ်းသပ်ချငြုးသည် ဈေးကြီးပြီး အချိန်အလေးအနက်ရှိသောအဆင့်ဖြစ်နေချိန်မှာ လူ့သုတေသနပညာရှင်များအသေးစိတ်ထုတ်လွှင့်နေကြသည်။ အနှုတ်အဖျက်တော့ Generative AI ကို ဘောလုံးအဖြစ် လူ့ကျင့်ဝတ်အတွက် အကောင်းဆုံးအနေနဲ့အသုံးချနိုင်သော်လည်း၊ ကုသနိုင်မည်သည့် မဟုတ်ပါ။ အနာဂတ်တွင် AI သည် လူ့စိတ်ရဲ့ ဖန်တီးနိုင်မှုကို အပြည့်အဝအစားထိုးမည်မဟုတ်သေး။ ဤနယ်ပယ်တွင် လုပ်ငန်းစဉ်များ အသေးစိတ်ဖွဲ့စည်းပြီး၊ သေချာစွာ မေးမြန်းစေခြင်း၊ ဒေတာအရည်အသွေးမြင့်မားစေရေးနှင့် သက်ဆိုင်ရာ သုတေသနမှုများကို ပြုလုပ်ခြင်းတွင် လူ့ကျွမ်းကျင်မှု သာအရေးကြီးနေသည်။ AI သည် လူ့စွမ်းဆောင်ရည်နှင့် စိတ်မြင့်မားမှုကို အကူအညီတစ်ခုအနေနဲ့ ထပ်မံ၍ မြှင့်တင်ပေးနေတာပဲ ဖြစ်လိုပါသး။