اگر روزهای شما با تست و اصلاح مداوم کدهای پیچیده علمی میگذرد، گوگل راهی برای حذف این گلوگاه پیدا کرده است. تصور کنید ابزاری داشته باشید که نه تنها کد مینویسد، بلکه مانند یک متخصص، راهکارهای محاسباتی را بهینه میکند.
این سیستم بر پایه مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — ساخته شده است. همانطور که در تحلیلهای قبلی ما دربارهی عاملهای هوش مصنوعی اشاره کردیم، هدف نهایی عبور از چتباتهای ساده به سمت مجریان عملیاتی است. ابزار Empirical Research Assistance یا همان ERA، دقیقاً همین هدف را دنبال میکند.
به نقل از مجله Nature، گوگل در ۱۹ مه ۲۰۲۶ نتایج عملکرد ERA را منتشر کرد. این ابزار اکنون زیربنای Computational Discovery است؛ ابزاری جدید در مجموعه Gemini for Science که برای جامعه علمی جهان طراحی شده است.
طبق اعلام گوگل، ERA از روش «جستوجوی درختی» برای ارزیابی هزاران گزینه مختلف استفاده میکند. این سیستم در ۶ بنچمارک کلیدی به سطح تخصص انسانی رسید:
- پیشبینی در علوم ژنتیک و اعصاب
- پیشبینی سریهای زمانی در سلامت عمومی
- تحلیل تصاویر ماهوارهای و ریاضیات
نتایج عملی این ابزار خیرهکننده است. در پیشبینیهای مربوط به پذیرش بیمارستانی برای آنفلوانزا و کووید-۱۹، ERA در صدر جدولهای CDC قرار گرفت. همچنین در کالیفرنیا، این مدل پیشبینیهای دقیقتری از میزان روانشدن برفهای بهاری نسبت به گزارش رسمی B120 ایالت ارائه داد.
این تحول یعنی دموکراتیزه شدن مدلسازی پیشرفته. دیگر برای ساخت یک مدل دقیق از نقشهبرداری CO2 یا پیشبینی خردهفروشی، نیازی به دکتری فیزیک محاسباتی نیست. گوگل با حذف سد کدنویسی، زمان رسیدن به کشفیات علمی را برای همه کوتاه میکند.
گام بعدی شما
- اگر پژوهشگر هستید، برای ثبتنام در لیست انتظار به labs.google/science مراجعه کنید.
- بررسی کنید که کدام بخش از گردشکار تحلیل دادههای شما هنوز به کدنویسی دستی وابسته است.
- نحوه ترکیب این ابزار با مدلهای استدلالی را در پروژههای خود آزمایش کنید.
این تنها آغاز ماجراست؛ اثر این ابزارها در ترکیب با AlphaEvolve برای خودکارسازی مسیر «فرضیه تا کشف» را در گزارش بعدی بررسی خواهیم کرد.
گفتگو