۱۷ سازمان جهانی برای حل چالش‌های اقلیمی و سلامت بودجه گرفتند

تصور کنید دانشمندی که سال‌ها روی یک پروتئین «غیرقابل درمان» کار کرده، حالا ابزاری در اختیار دارد که مسیرهای شیمیایی را در چند ثانیه پیش‌بینی می‌کند. این دقیقاً همان نقطه‌ای است که گوگل با سرمایه‌گذاری جدیدش قصد دارد به آن برسد.

طبق اعلام Google.org در ۱۴ اکتبر ۲۰۲۶، مبلغ ۳۶ میلیون دلار به ۱۷ سازمان جهانی awarded شد تا مرزهای اکتشافات علمی را با استفاده از هوش مصنوعی جابه‌جا کنند. این برنامه که «چالش اثرگذاری: هوش مصنوعی برای علم» نام دارد، هدفش انتقال مدل‌ها از فضای تئوریک به پژوهش‌های کاربردی است.

این ابتکار در زمانی رخ می‌دهد که هوش مصنوعی از چت‌بات‌های عمومی به سمت ابزارهای تخصصی علمی حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی استقرار مدل‌های روی-دستگاه Google DeepMind برای مقابله با کلاهبرداری‌ها اشاره کردیم، این بودجه نشان‌دهنده یک فشار گسترده‌تر برای دستیابی به دستاوردهای «در سطح جایزه نوبل» در علوم فیزیکی و زیستی است.

این فراخوان جهانی در ۱۸ فوریه ۲۰۲۶ با بودجه ۳۰ میلیون دلاری آغاز شد. درخواست‌ها تا ۱۷ آوریل ۲۰۲۶ پذیرفته شدند و در نهایت، این فراخوان منجر به دریافت پیشنهادهایی از ۳۰ کشور مختلف شد. مگی جانسون، نایب‌رئیس و رئیس جهانی Google.org، این جوایز را پاسخی به یک «نقطه عطف عمیق» در اکتشافات می‌داند؛ جایی که هوش مصنوعی زاینده (Generative AI) — شبیه به یک دستیار فوق‌هوشمند که میلیاردها مقاله علمی را خوانده و حالا الگوهای پنهان را می‌بیند — در همه چیز از پیش‌بینی محیطی تا درمان بیماری‌ها به کار گرفته می‌شود.

در حوزه سلامت و علوم زیستی، دریافت‌کنندگان بودجه بر روی پروتئین‌های «غیرقابل درمان» و اسرار ژنتیکی متمرکز شده‌اند. این رویکرد با تلاش‌های گسترده‌تر در سطح دولتی برای مدل‌سازی زیستی هم‌سو است، مشابه سرمایه‌گذاری ۱.۸ میلیارد دلاری آمریکا برای ساخت مدل هوش مصنوعی «سلول مجازی» که گامی بلند در جهت درک جامع‌تر مکانیسم‌های سلولی است. پروژه‌های کلیدی عبارتند از:

• مؤسسه تحقیقات AITHYRA و EPFL در حال بررسی نحوه دستکاری سلول‌ها توسط ویروس‌ها و ساخت کتابخانه‌ای از پروتئین‌های طراحی‌شده توسط AI هستند تا درمان‌های جدیدی کشف کنند.
• مؤسسه آلن (Allen Institute) توالی‌های DNA را برای هدف قرار دادن سلول‌های مغزی آسیب‌پذیر در برابر بیماری‌های عصبی طراحی می‌کند و تمام مدل‌ها، توالی‌ها و نتایج خود را به‌صورت باز منتشر می‌کند.
• دانشگاه کیپ‌تاون در حال نقشه‌برداری از ژن‌های متابولیزه کننده دارو در آفریقا است تا انتخاب‌های دارویی بالینی را هدایت کرده و ایمنی درمان‌ها را افزایش دهد.
• دانشگاه تورنتو از یک مدل بنیادی (Foundation Model) — مثل یک نقشه جامع که مفاهیم کلی یک علم را می‌شناسد و می‌توان روی جزئیات آن تخصص گرفت — برای نقشه‌برداری از فضای طراحی داروهای مبتنی بر پپتید جهت پشتیبانی از طراحی‌های کامپیوتری استفاده می‌کند.
• دانشگاه پیتسبرگ با استفاده از مدل‌های هندسی AI، بازسازی قلب را در گونه‌های مختلف مقایسه می‌کند تا کلیدهای ژنتیکی برای درمان‌های قلبی بیابد.
• دانشگاه ملی استرالیا رهبری یک همکاری بین‌المللی را برای پیشبرد سرطان‌شناسی دقیق و عادلانه بر عهده دارد تا به دوران شیمی‌درمانی‌های مبتنی بر آزمون و خطا پایان دهد.

سایر تلاش‌های قابل توجه شامل نقشه‌برداری دانشگاه ملی سنگاپور از نحوه تنظیم برش RNA توسط گونه‌های ژنتیکی در مقیاس جمعیتی برای پیش‌بینی اثرات بیماری‌ها است. همچنین دانشکده پزشکی گراسمن دانشگاه نیویورک در حال شناسایی انواع مختلف آسیب‌های DNA است تا علل ناشناخته جهش‌ها را کشف کند. در همین راستا، دانشگاه برکلی در تلاش است تا فرضیات قابل تفسیر را از مدل‌های AI پزشکی استخراج کند تا پیش‌بینی‌های «جعبه سیاه» را به نشانگرهای زیستی بالینی تبدیل کند.

در جبهه اقلیم و محیط زیست، بودجه‌ها روی مدل‌سازی‌های مقیاس سیاره‌ای و انرژی‌های پاک متمرکز شده‌اند:

• AfriClimate AI در حال رمزگشایی از پیش‌نشانه‌های جوی طوفان‌های مرگبار است تا هشدار سیلاب‌های ناگهانی در آفریقا را از کمتر از ۳ ساعت به بیش از ۶ ساعت افزایش دهد.
• مرکز تحقیقات Inria Chile با استفاده از یک مدل چندوجهی (Multimodal) — مدلی که مثل انسان هم‌زمان متن، تصویر و داده‌های حسگر را می‌فهمد — دوقلوی دیجیتالی از اکوسیستم‌های دریایی از طریق یک مدل بنیادی جهانی از اقیانوس می‌سازد.
• مؤسسه ماکس پلانک و دانشگاه آیندهوون از AI مبتنی بر فیزیک برای مدل‌سازی شرایط آشوبناک رآکتورهای گداخت هسته‌ای استفاده می‌کنند تا شکاف بین شبیه‌سازی و واقعیت را پر کنند.
• دانشگاه کمبریج برای پیش‌بینی تخریب کاتد در باتری‌های سدیم-یون بادوام، مدل‌های بنیادی فیزیک را با میکروسکوپی ترکیب کرده است.
• دانشگاه واشینگتن از زبان طبیعی برای طراحی پروتئین‌هایی با کاربردهای پایداری، مانند تجزیه پلاستیک، استفاده می‌کند.
• MIT در حال آموزش عامل‌های (Agents) — برنامه‌هایی که مثل کارمندان مستقل می‌توانند هدف را بفهمند و مراحل رسیدن به آن را اجرا کنند — برای تفسیر خودکار تصاویر میکروسکوپی جهت تسریع در کشف مواد است.
• دانشگاه سن‌دیگو یک خط لوله عامل‌محور (Agentic) برای کشف فیزیک اقلیمی قابل تفسیر و تعیین نقاط بهینه برای جمع‌آوری مشاهدات جدید اقیانوسی می‌سازد.
• دانشگاه تگزاس در آستین مدل‌های شبکه عصبی (Neural Network) — شبکه‌ای از گره‌های کوچک شبیه نقشه مترو که سیگنال را به جواب می‌رساند — را برای تسریع طراحی رآکتورهای گداخت فشرده توسعه می‌دهد.

این تزریق عظیم سرمایه و توان محاسباتی نشان می‌دهد گوگل روی AI «مبتنی بر فیزیک» شرط‌بندی کرده است، نه فقط تشخیص الگو. گوگل با ارائه یک شتاب‌دهنده شش‌ماهه شامل پشتیبانی مهندسی، منتورینگ فنی و زیرساخت‌های گوگل، تضمین می‌کند که این پروژه‌های دانشگاهی در مرحله نمونه اولیه متوقف نشوند. برای شما به عنوان کاربر یا سرمایه‌گذار، این یعنی زمان رسیدن به انرژی گداخت و پزشکی شخصی‌سازی‌شده به‌شدت کوتاه شده است.

نتایج اولین دوره شتاب‌دهنده Google.org را در اوایل ۲۰۲۷ دنبال کنید تا ببینید کدام یک از این ۱۷ پروژه با موفقیت از یک فرضیه آزمایشگاهی به یک ابزار کاربردی تبدیل شده‌اند.

گام بعدی شما

• نتایج اولین دوره شتاب‌دهنده Google.org را در اوایل ۲۰۲۷ دنبال کنید تا ببینید کدام فرضیات آزمایشگاهی به ابزارهای کاربردی تبدیل شده‌اند.
• اگر پژوهشگر هستید، مدل‌های باز منتشر شده توسط مؤسسه آلن را برای درک نحوه ترکیب AI و توالی‌های DNA بررسی کنید.
• روی پیشرفت‌های مدل‌های «مبتنی بر فیزیک» تمرکز کنید، زیرا این‌ها جایگزین مدل‌های صرفاً آماری در علوم سخت می‌شوند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در شبیه‌سازی‌های علمی مراجعه کنید.