تصور کنید تیمی که پیچیده‌ترین رازهای زیست‌شناختی زمین را گشوده، ناگهان منحل شود تا جای خود را به یک مدل همه‌کاره بدهد. این اتفاق در گوگل دیپ‌مایند رخ داده و نشان می‌دهد که حتی بزرگ‌ترین دستاوردهای تخصصی هم در برابر موج «عامل‌محوری» امن نیستند.
طبق گزارش Financial Times در ۲۹ جولای ۲۰۲۶، گوگل دیپ‌مایند تیم پشت AlphaFold را — پروژه‌ای که شهرت این آزمایشگاه در پیشرو بودنِ علمی تثبیت کرد — متلاشی کرده است. اکنون اکثریت پژوهشگران اصلی یا به بخش‌های دیگر منتقل شده‌اند یا به‌طور کامل شرکت را ترک کرده‌اند.
این بازسازی در حالی رخ می‌دهد که رقابت هوش مصنوعی از مدل‌های تخصصی به سمت عامل‌های (Agents) — شبیه به دستیارهای هوشمندی که نه‌تنها حرف می‌زنند، بلکه می‌توانند ابزارها را برای رسیدن به هدف به کار بگیرند — پیش می‌رود. همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت‌های کپی‌رایت میان گوگل و آنتروپیک اشاره کردیم، جنگ این غول‌ها اکنون به شکار استعدادهای خاصی رسیده است که قادر به خودکارسازی اکتشافات علمی هستند.
گوگل اکنون استراتژی «چالش‌های بزرگ» که ۹ سال گذشته را تعریف می‌کرد، کنار گذاشته است. جزئیات این جابجایی به شرح زیر است:
- انتقالات داخلی: پژوهشگران اکنون روی سامانه‌های مبتنی بر Gemini، طراحی آنزیم‌ها، ژنومیک و گداخت هسته‌ای تمرکز کرده‌اند.
- تفکیک شرکتی: بخشی از کارکنان به Isomorphic Labs منتقل شدند؛ زیرمجموعه‌ای از Alphabet که برای کشف دارو با نووارتیس و الی لیلی همکاری می‌کند. این رویکرد گوگل در ادغام هوش مصنوعی با فارماکولوژی، در راستای موج جدیدی از استارتاپ‌هاست که تلاش می‌کنند فرآیند کشف دارو را به‌طور کامل خودکار کنند.
- خروج استعدادها: نزدیک به ۲۵٪ از نویسندگان تمام‌وقت و اصلی AlphaFold گوگل دیپ‌مایند را ترک کرده‌اند.
بر اساس مستندات منتشر شده، این خروج‌ها شامل چهره‌های شاخصی است. جان جامپر، برنده جایزه نوبل ۲۰۲۴ و همکارش جonas Adler، ابتدا به تیم داخلی Code Strike برای بهبود کدنویسی AI رفتند، اما ماه گذشته هر دو به همراه الکساندر پریتزل به Anthropic پیوستند؛ شرکتی که به‌تازگی Claude Science را برای زیست‌شناسی عرضه کرده است.
این چرخش نشان‌دهنده یک شرط‌بندی بزرگ در صنعت است: مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — می‌توانند بخش‌های زیادی از فرآیند علمی را بهتر از یک مدل تک‌منظوره خودکار کنند. دیپ‌مایند با تخریب سیلوهای تخصصی، ادعا می‌کند «هوش مصنوعی برای علم» یک قابلیتِ مدل است، نه یک تیم مجزا.
برای شما به عنوان کاربر یا توسعه‌دهنده، این یعنی عصر «هوش مصنوعی متخصص» در حال پایان است. به‌زودی شاهد موجی از عامل‌های عمومی خواهید بود که در یک جلسه، هم کد می‌زنند و هم پروتئین‌ها را تا کنند.
گام بعدی شما
- اگر در حوزه‌های BioTech فعالیت می‌کنید، قابلیت‌های علمی Claude Science را به عنوان جایگزین مدل‌های تخصصی رصد کنید.
- تغییر رویکرد گوگل را به عنوان سیگنالی برای ادغام ابزارهای تخصصی در مدل‌های General-Purpose بپذیرید.
- خروجی‌های Gemini در تحلیل‌های علمی را با داده‌های مرجع مقایسه کنید تا سرعت جایگزینی مدل‌های تک‌منظوره را بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو