अलीकडील वर्षांत, गूगलने प्रत्येक कल्पनारम्य उत्पादन आणि उपक्रमात जनरेटिव एआय एकत्रित करण्याच्या मिशनवर काम सुरू केले आहे. यामध्ये रोबोट समाविष्ट आहेत जे सर्च परिणामांचे सारांश तयार करतात, अनुप्रयोगांमुळे संवाद साधतात आणि तुमच्या फोनवरून गोळा केलेली माहिती विश्लेषित करतात. अनेकदा, या एआय प्रणालींनी निर्माण केलेले परिणाम अपेक्षाऐवढे प्रभावी असू शकतात, जरी त्यांना खरा समज नसला तरी. परंतु, ते खरोखरच वैज्ञानिक संशोधन करू शकतात का? गूगल संशोधन आता "को-सायंटिस्ट" म्हणून कार्यरत असलेल्या एआय विकसित करण्यावर लक्ष केंद्रित करत आहे. त्यांची नवीन बहु-एजंट एआय प्रणाली, जी जेमिनी 2. 0 फ्रेमवर्कवर आधारित आहे, जैववैज्ञानिक संशोधकांना लक्षित करते आणि नवीन तत्त्वे आणि संशोधन क्षेत्र सुचवून मदत करण्यासाठी डिझाइन केली गेली आहे. तथापि, या प्रसिद्ध एआय को-सायंटिस्टची कार्यप्रणाली एक प्रगत चॅटबॉटसारखी आहे. एक खरा वैज्ञानिक गूगलच्या को-सायंटिस्टचा उपयोग करून त्यांच्या संशोधन उद्देश, संकल्पना आणि पूर्वीच्या अध्ययनातील संदर्भ टाकू शकतो, जेणेकरून एआय नवीन संशोधन दिशा सुचवू शकेल. या प्रणालीत विविध परस्परसंवंदित मॉडेल्स समाविष्ट आहेत जी इनपुट डेटाला प्रक्रिया करतात आणि त्यांच्या सुचनांमध्ये सुधारणा करण्यासाठी ऑनलाइन संसाधनांवर प्रवेश करतात. या संरचनेत, वेगवेगळे एजंट एकमेकांना आव्हान देतात, ज्यामुळे "स्वयं-सुधारणारी लूप" निर्माण होते, जे इतर तर्कशास्त्राच्या एआय मॉडेल्ससारखे आहे जसे की जेमिनी फ्लॅश थिंकिंग आणि ओपनएआयचे o3. जेमिनीसारख्या जनरेटिव एआय प्रणाली असूनही, त्यास खरे नवीन ज्ञान किंवा कल्पना नाहीत. उलट, ते विद्यमान डेटावरून वैध अनुमान तयार करू शकते. शेवटी, एआय को-सायंटिस्ट संशोधन प्रस्ताव आणि तत्त्वे निर्माण करते आणि मानव संशोधक चॅटबॉट इंटरफेसद्वारे प्रणालीसह या कल्पना चर्चेल. तुम्ही एआय को-सायंटिस्टला एक प्रगत विचारविनिमय साधन म्हणून पाहू शकता.

जसे व्यक्ती ग्राहक-केंद्रित एआयसह पार्टी-योजना कल्पना समायोजित करू शकतात, तसेच वैज्ञानिक देखील वैज्ञानिक चौकशीसाठी विशेषतः डिझाइन केलेल्या एआय सह नवीन संशोधन संकल्पना निर्माण करू शकतात. विज्ञानातील एआयची चाचणी सद्याच्या परिस्थितीत, व्यापक प्रमाणावर वापरल्या जाणार्‍या एआय प्रणालींच्या अचूकतेसाठी एक कुख्यात समस्या आहे. जनरेटिव एआय योग्य प्रशिक्षण डेटा किंवा मॉडेल वजन असो की नासो, प्रतिसाद निर्माण करण्याचा कडून काढतो, आणि अतिरिक्त एआय मॉडेल्स वापरून तथ्यांची सत्यता सिद्ध करणे अचूकतेची गॅरंटी देत नाही. त्यांच्या तर्कशास्त्रीय क्षमतांची मदत घेऊन, एआय को-सायंटिस्ट आंतरिक मूल्यमापने करण्यात थोडा वेळ घेतो, जे त्याच्या उत्पादनांची गुणवत्ता सुधारित करण्यासाठी मदत करते, आणि गूगलच्या म्हणण्यानुसार, या स्वयं-मूल्यांकन गुणांक सुधारित वैज्ञानिक अचूकतेशी संबंधित आहेत. तथापि, आंतरिक मेट्रिक्स माहितीपूर्ण असल्यानंतर, वास्तविक वैज्ञानिकांचा काय विचार आहे?गूगलने मानवी जैववैज्ञानिक संशोधकांना रोबोटने केलेल्या प्रस्तावांचे मूल्यांकन करण्यास सांगितले, आणि त्यांनी रिपोर्ट दिला की एआय को-सायंटिस्टचे मूल्यांकन इतर कमी विशेषीकृत एआय प्रणालींच्या तुलनेत अधिक सकारात्मक होते. तज्ञांनी हे देखील नमूद केले की एआय को-सायंटिस्टच्या आउटपुटमध्ये सामान्य एआय मॉडेल्सच्या तुलनेत नवोदित प्रभावाची अधिक क्षमता होती. तथापि, एआयच्या सर्व सुचना आवश्यकतः धाडसी असणार नाहीत. तरीही, गूगलने प्रयोगशाळा सेटिंग्जमध्ये काही एआय-निर्मित संशोधन प्रस्तावांची चाचणी घेण्यासाठी अनेक विद्यापीठांसोबत सहयोग केला आहे. उदाहरणार्थ, एआयने तीव्र मायेलॉइड ल्यूकेमियाच्या उपचारांसाठी काही औषधांचा पुनर्नियोजन करण्याची शिफारस केली आणि प्रारंभिक प्रयोगशाळेतील चाचण्या या दृष्टिकोनाचे संभाव्यता दर्शवितात. स्टॅनफोर्ड विद्यापीठात केलेल्या संशोधनातही असे आढळले की एआय को-सायंटिस्टच्या यकृत फायब्रोसिसवरील उपचाराचे शिफारसी अधिक तपासणीसाठी योग्य आहेत. या संशोधनाची गूढता निश्चित आहे, तरीही या प्रणालीला "को-सायंटिस्ट" म्हणून संबोधणे थोडे अतिशयोक्तिपूर्ण असू शकते. एआय नेत्यांच्या दाव्यानुसार आम्ही स्वायत्त, विचार करणाऱ्या यंत्रांच्या उगमाच्या जवळ जात आहोत, तरीही एआय वैज्ञानिक संशोधन स्वतंत्रपणे करण्यास सक्षम नाही. तथापि, हा एआय को-सायंटिस्ट देखील मानवांना मोठ्या डेटासेट आणि संशोधन साहित्याचे अर्थ लावण्यास आणि संदर्भित करण्यास मदत करण्यासाठी उपयुक्त ठरू शकतो, जरी याला खरा समज किंवा खोल अंतर्दृष्टी उपलब्ध नसली तरी.