تشغيل الأجهزة العلمية المتقدمة بوكالات ذكاء اصطناعي تتعلم أثناء العمل

آلات أذكى للعلم اليومي

تستطيع الأدوات العلمية الحديثة، من مجاهر الأشعة السينية القوية إلى مختبرات الكيمياء التي تعمل بالروبوت، جمع البيانات بسرعة أكبر من أي وقت مضى. لكن تشغيل هذه الآلات لا يزال يتطلب اهتماماً خبيراً وإعداداً دقيقاً، مما يقيّد من يستطيع استخدامها ومدى سرعة إجراء الاكتشافات. تستكشف هذه الورقة كيف يمكن لجيل جديد من «وكلاء» الذكاء الاصطناعي أن يتعلّم بالتوازي مع العلماء البشريين لتشغيل الأجهزة المعقدة بشكل أكثر أماناً ومرونة وكفاءة.

من ضغط الأزرار إلى شركاء يتعلمون

تعمل المختبرات المتقدمة اليوم على أتمتة العديد من الخطوات الروتينية، لكن الاستقلال الحقيقي—التخطيط للتجارب، تفسير الصور، واتخاذ قرار بشأن الخطوة التالية—ما زال بعيد المنال. يبني المؤلفون على نماذج اللغة الكبيرة، نفس نوع الذكاء الذي يقوّي الدردشات الآلية الحديثة، ويحوّلونها إلى وكلاء موجهين بالهدف يستطيعون كتابة الشيفرة، استدعاء أدوات برمجية، والتفاعل مع الصور والفيديو. وبدلاً من استبدال العلماء، صُمِّم هؤلاء الوكلاء للعمل في نمط «الإنسان في الحلقة»: يصف الناس ما يريدون، يقدمون تصحيحات عند الحاجة، ويتذكّر الذكاء الاصطناعي تلك الدروس للاستخدام المستقبلي.

مساعد رقمي لمجهر أشعة سينية

كان أول ميدان اختبار هو خط شعاع نانوبروب للأشعة السينية الصلبة، جهاز يستخدم أشعة سينية مركزة لرسم خريطة بنية المواد على مقياس الملياري من المتر. وبسبب مخاطر الإشعاع، لا يمكن لأحد أن يتواجد في الغرفة أثناء تشغيله، وتتم إدارة الإعداد بالكامل بواسطة برمجيات ونصوص متخصصة. يربط الفريق عدداً من وكلاء الذكاء الاصطناعي بهذا نظام التحكم. يكتب وكيل واحد الأوامر اللازمة لمسح عينة؛ يراجع آخر الشيفرة للتأكد من السلامة والصحة؛ ينظر وكيل رؤية إلى الصور الناتجة ليقترح مناطق للتكبير لإلقاء نظرة أدق. يجب على الوكلاء ليس فقط ترجمة الطلبات بلغة بسيطة إلى أوامر مسح صحيحة، بل أيضاً قراءة بقع صغيرة ساطعة في صور حيود وتفلّق وتحويل مواقعها إلى إحداثيات دقيقة لعمليات المسح الجديدة.

ما صحيح لدى الذكاء الاصطناعي — وأين واجه صعوبات

بمقارنة عدة نماذج لغة رائدة قادرة على الرؤية، يجد الباحثون اختلافات واضحة في الأداء. بعض النماذج جيدة في اتباع تعليمات نصية واستدعاء الدالة الصحيحة، خصوصاً بعد أن تُعرض عليها أمثلة وتُصحّح من قبل البشر. وأخرى أفضل بكثير في الاستدلال البصري، مثل تحديد جسيمات ساطعة معزولة وتجنب العناقيد المزدحمة عند اختيار مكان المسح التالي. النموذج المتميز في هذه الدراسة يجمع بين قوتَيْن ويظهر سلوكاً أكثر اتساقاً عبر التجارب المتكررة. مع ذلك، يجد المؤلفون أيضاً أن تقديم التغذية الراجعة يحسّن أساساً المهارات المعتمدة على النص مثل اختيار المعاملات؛ لكنه لا يصلح فجأة فهماً بصرياً ضعيفاً.

تعليم الروبوتات لإدارة تجاربها بنفسها

ميدان الاختبار الثاني هو محطة مؤتمتة لصنع أغشية بوليمر رقيقة، تُستخدم في الإلكترونيات وأجهزة الطاقة. هنا، يحرك ذراع روبوتية مزودة بمشابك مختلفة القوارير والرقائق وقطع رؤوس الماصّ وأداة طلاء بالشفرة بين محطات متعددة. يزيل الباحثون معظم الروتين عالي المستوى ويعطون الوكلاء أوامر منخفضة المستوى فقط وخريطة بمواقع كل شيء. يجب على الذكاء الاصطناعي قراءة ورقة علمية لاستخراج ظروف طلاء مناسبة، وتخطيط سلسلة طويلة من الخطوات—مثل التقاط ركيزة، وضعها في جهاز الطلاء، فتح غطاء قنينة، صرف المحلول، وتمديده تحت درجة حرارة وسرعة محكومين—ثم إنشاء والتحقق من شيفرة الروبوت لتنفيذ ذلك. يوافق المشرفون البشريون على كل تسلسل جديد، وتُخزّن تصحيحاتهم في نظام ذاكرة بحيث يمكن للوكلاء إعادة استخدام الأنماط الناجحة لاحقاً.

البناء نحو مختبرات ذاتية القيادة

عبر كل من خط شعاع الأشعة السينية ومنصة التصنيع الروبوتي، تُظهر الدراسة أن وكلاء الذكاء الاصطناعي يمكنهم التعلم أثناء العمل، وتحويل الإرشاد الخبروي تدريجياً إلى معرفة قابلة لإعادة الاستخدام. مع ذاكرة منظمة وفحوصات أمان تحد من ما يُسمح للذكاء الاصطناعي بالقيام به، يمكن لهذه الأنظمة أن تصبح أكثر موثوقية مع مرور الوقت مع إبقاء القرارات الحرجة في يد البشر. يؤكد المؤلفون أن المختبرات الآلية بالكامل الحقيقية ستتطلب مزيداً من العمل في المعايرة، إدارة الذاكرة على المدى الطويل، والتعامل مع المهام التي لا تزال تعتمد على مهارة وحدس الإنسان. ومع ذلك، تشير هذه الدراسة إلى مستقبل يقضي فيه العلماء وقتاً أقل في التعامل مع أدوات التحكم المعقدة ووقتاً أكثر في طرح أسئلة طموحة، بينما تساعدهم شركاء الذكاء الاصطناعي في تشغيل الأجهزة التي تحول الأفكار إلى اكتشافات.

الاستشهاد: Vriza, A., Prince, M.H., Zhou, T. et al. Operating advanced scientific instruments with AI agents that learn on the job. npj Comput Mater 12, 160 (2026). https://doi.org/10.1038/s41524-026-02005-0

الكلمات المفتاحية: وكلاء الذكاء الاصطناعي, مختبرات ذاتية القيادة, الأجهزة العلمية, التجارب الروبوتية, نماذج لغة كبيرة متعددة الوسائط