Không phải chatbot. Không phải công cụ tóm tắt tài liệu. Mà là một hệ thống AI có thể tự đặt câu hỏi khoa học và đề xuất hướng nghiên cứu mới.
Tại Google I/O năm nay, Google ra mắt Gemini for Science, tích hợp AI sâu vào quy trình nghiên cứu khoa học. Điểm nhấn lớn nhất là Co-Scientist, hệ thống do Google DeepMind phát triển, vừa có kết quả được công bố trên tạp chí Nature.
Co-Scientist là gì, và tại sao nó khác?
AI truyền thống giúp nhà khoa học tìm câu trả lời. Co-Scientist giúp họ tìm câu hỏi đúng.
Hệ thống này hoạt động theo kiểu đa tác nhân, tức là nhiều "tác nhân AI" phân công nhau như một nhóm nghiên cứu thật: nhóm tạo giả thuyết, nhóm phản biện, nhóm tối ưu và so sánh phương án. Nhà nghiên cứu chỉ cần nhập mục tiêu bằng ngôn ngữ thông thường, hệ thống tự tổng hợp tài liệu, tìm mối tương quan tiềm ẩn và đề xuất thiết kế thí nghiệm.
Kết quả thực tế ra sao?
Nature xác nhận ba kịch bản thực nghiệm trong y sinh. Với bệnh bạch cầu dòng tủy cấp tính, Co-Scientist sàng lọc các thuốc đã được phê duyệt và đề xuất hướng dùng lại cho chỉ định mới, nhiều ứng viên sau đó được xác nhận có hoạt tính ức chế tế bào khối u trong thí nghiệm tế bào. Với xơ gan, hệ thống phát hiện các mục tiêu điều hòa biểu sinh mới mà các nhóm nghiên cứu người đã bỏ qua, một số cho thấy tác dụng chống xơ hóa khi thử trên mô hình organoid gan người. Với kháng kháng sinh, chỉ từ lượng thông tin đầu vào rất nhỏ, AI tự xây dựng giả thuyết về cơ chế lây lan gen kháng thuốc, và giả thuyết này khớp chặt với kết luận độc lập của một nhóm thí nghiệm khác trên thế giới.
Không, và chính Google cũng nói rõ điều này. Co-Scientist chỉ truy cập được tài liệu công khai, không vào được cơ sở dữ liệu trả phí hay dữ liệu chưa công bố. Vấn đề ảo giác của mô hình ngôn ngữ lớn vẫn chưa giải quyết được hoàn toàn. Mọi giả thuyết AI tạo ra đều phải qua thí nghiệm tế bào, mô hình động vật, thử nghiệm lâm sàng và đánh giá từ chuyên gia.
AI chịu trách nhiệm mở rộng ý tưởng, tăng tốc sàng lọc và giảm chi phí thử sai. Nhà khoa học chịu trách nhiệm xác minh, giám sát và đưa ra quyết định cuối cùng.
Từ AlphaFold dự đoán cấu trúc protein đến Co-Scientist đề xuất hướng nghiên cứu mới, AI trong khoa học đang chuyển dần từ công cụ hỗ trợ một điểm sang đối tác xuyên suốt toàn bộ quy trình. Câu hỏi không còn là AI có thể làm được gì, mà là nhà khoa học sẽ làm việc cùng AI như thế nào.
Tại Google I/O năm nay, Google ra mắt Gemini for Science, tích hợp AI sâu vào quy trình nghiên cứu khoa học. Điểm nhấn lớn nhất là Co-Scientist, hệ thống do Google DeepMind phát triển, vừa có kết quả được công bố trên tạp chí Nature.
Co-Scientist là gì, và tại sao nó khác?
AI truyền thống giúp nhà khoa học tìm câu trả lời. Co-Scientist giúp họ tìm câu hỏi đúng.
Hệ thống này hoạt động theo kiểu đa tác nhân, tức là nhiều "tác nhân AI" phân công nhau như một nhóm nghiên cứu thật: nhóm tạo giả thuyết, nhóm phản biện, nhóm tối ưu và so sánh phương án. Nhà nghiên cứu chỉ cần nhập mục tiêu bằng ngôn ngữ thông thường, hệ thống tự tổng hợp tài liệu, tìm mối tương quan tiềm ẩn và đề xuất thiết kế thí nghiệm.
Kết quả thực tế ra sao?
Nature xác nhận ba kịch bản thực nghiệm trong y sinh. Với bệnh bạch cầu dòng tủy cấp tính, Co-Scientist sàng lọc các thuốc đã được phê duyệt và đề xuất hướng dùng lại cho chỉ định mới, nhiều ứng viên sau đó được xác nhận có hoạt tính ức chế tế bào khối u trong thí nghiệm tế bào. Với xơ gan, hệ thống phát hiện các mục tiêu điều hòa biểu sinh mới mà các nhóm nghiên cứu người đã bỏ qua, một số cho thấy tác dụng chống xơ hóa khi thử trên mô hình organoid gan người. Với kháng kháng sinh, chỉ từ lượng thông tin đầu vào rất nhỏ, AI tự xây dựng giả thuyết về cơ chế lây lan gen kháng thuốc, và giả thuyết này khớp chặt với kết luận độc lập của một nhóm thí nghiệm khác trên thế giới.
Không, và chính Google cũng nói rõ điều này. Co-Scientist chỉ truy cập được tài liệu công khai, không vào được cơ sở dữ liệu trả phí hay dữ liệu chưa công bố. Vấn đề ảo giác của mô hình ngôn ngữ lớn vẫn chưa giải quyết được hoàn toàn. Mọi giả thuyết AI tạo ra đều phải qua thí nghiệm tế bào, mô hình động vật, thử nghiệm lâm sàng và đánh giá từ chuyên gia.
AI chịu trách nhiệm mở rộng ý tưởng, tăng tốc sàng lọc và giảm chi phí thử sai. Nhà khoa học chịu trách nhiệm xác minh, giám sát và đưa ra quyết định cuối cùng.
Từ AlphaFold dự đoán cấu trúc protein đến Co-Scientist đề xuất hướng nghiên cứu mới, AI trong khoa học đang chuyển dần từ công cụ hỗ trợ một điểm sang đối tác xuyên suốt toàn bộ quy trình. Câu hỏi không còn là AI có thể làm được gì, mà là nhà khoa học sẽ làm việc cùng AI như thế nào.
