הפעלת מכשירים מדעיים מתקדמים עם סוכני בינה מלאכותית שלומדים בעבודה

מכונות חכמות יותר למדעי היומיום

כלי מדע מודרניים, ממיקרוסקופים רנטגן רבי-עוצמה ועד מעבדות כימיה המופעלות ברובוטים, יכולים לאסוף נתונים מהר יותר מאי פעם. אך הפעלת המכשירים הללו עדיין דורשת תשומת לב מומחית והגדרה זהירה, מה שמגביל מי יכול להשתמש בהם וכמה מהר נעשים גילויים. מאמר זה בוחן כיצד דור חדש של "סוכני" בינה מלאכותית יכול ללמוד לצד מדענים אנושיים להפעיל כלים מורכבים בצורה בטוחה, גמישה ויעילה יותר.

ממעבר כפתורים לשותפים ילמדו

מעבדות מתקדמות של היום מאוטומטות צעדים שגרתיים רבים, אך עצמאות אמתית — תכנון ניסויים, פרשנות תמונות והחלטה מה לעשות הלאה — עדיין מחוץ להישג יד. המחברים בונים על דגמי שפה גדולים, אותו סוג בינה מלאכותית שמפעיל צ'אטבוטים מודרניים, והופכים אותם לסוכנים מונחי-מטרות שיכולים לכתוב קוד, לקרוא לכלי תוכנה ולהגיב לתמונות וסרטונים. במקום להחליף את המדענים, הסוכנים האלה מיועדים לעבוד בסגנון "האדם בלולאה": אנשים מתארים מה הם רוצים, מספקים תיקונים כשצריך, והבינה המלאכותית זוכרת את הלקחים האלה לשימוש עתידי.

שותף דיגיטלי למיקרוסקופ רנטגן

המשטח הבדיקה הראשון הוא קו קרן ננופרוב רנטגן קשה, מכשיר שמשתמש בקרני רנטגן ממוקדות כדי למפות את מבנה החומרים בקנה מידה של מיליארדיות המטר. בגלל סכנות קרינה, אין איש בחדר בזמן הפעולה, וכל ההגדרה נשלטת על ידי תוכנה וסקריפטים מיוחדים. הצוות מחבר מספר סוכני בינה מלאכותית למערכת זו. סוכן אחד כותב את הפקודות הנדרשות לסריקת הדגימה; סוכן אחר בודק את הקוד מבחינת בטיחות ונכונות; סוכן חזוני מסתכל על התמונות הנוצרות ומציע היכן להתקרב לזיהוי מדויק יותר. הסוכנים לא צריכים רק לתרגם בקשות בשפה פשוטה לפקודות סריקה נכונות, אלא גם לקרוא נקודות זוהרות זעירות בתמונות דיפרקציה ופלוורסנציה ולהמיר את מיקומן לתיאום מדויק לסריקות חדשות.

מה שהבינה עשתה נכון — והיכן התקשתה

בהשוואה בין מספר דגמי שפה חזותיים מובילים, החוקרים מוצאים הבדלים ברורים בביצועים. חלק מהדגמים טובים במעקב אחרי הוראות טקסט וקוראים את הפונקציה הנכונה, במיוחד לאחר שמראים להם דוגמאות ומתקנים אותם בני אדם. אחרים טובים הרבה יותר בהיסק חזותי, כמו לזהות חלקיקים זוהרים מבודדים ולהימנע מצבירים צפופים בבחירת מקום לסריקה. הדגם הבולט במחקר זה משלב שתי נקודות חוזק אלו ומראה את ההתנהגות הקונסיסטנטית ביותר בניסויים חוזרים. עם זאת, המחברים גם מגלים כי מתן משוב משפר בעיקר כישורים מבוססי טקסט כגון בחירת פרמטרים; זה אינו מתקן באופן קסום הבנה חזותית חלשה.

ללמד רובוטים לבצע ניסויים בעצמם

משטח הבדיקה השני הוא תחנה אוטומטית להכנת סרטים פולימריים דקים, המשמשים באלקטרוניקה ובמכשירי אנרגיה. כאן, זרוע רובוטית המצוידת בכפפות אחיזה שונות מזיזה מבחנות, מצעדים, קצות פיפטה וכלי למריחת להב בין תחנות שונות. החוקרים מסירים רוב שגרות ברמה גבוהה ונותנים לסוכנים רק פקודות ברמת נמוכה ומפת מיקום של כל הפריטים. הבינה המלאכותית חייבת לקרוא מאמר מדעי כדי לחלץ תנאי ציפוי מתאימים, לתכנן שרשרת ארוכה של צעדים — כמו לקחת מצע, להניחו במכונת הציפוי, להסיר פקק ממבחנה, לדלל ולנזול תמיסה ולמרוח אותה תחת טמפרטורה ומהירות מבוקרות — ואז לייצר ולאמת את קוד הרובוט לביצוע. מפקחים אנושיים מאשרים כל רצף חדש, ותיקוניהם נשמרים במערכת זיכרון כך שהסוכנים יוכלו להשתמש שוב בתבניות מוצלחות מאוחר יותר.

בונים לעבר מעבדות נוהגות-עצמן

בכל קו הקרן הרנטגן ופלטפורמת הייצור הרובוטית, המחקר מראה שסוכני בינה מלאכותית יכולים ללמוד בעבודה, והופכים הדרגתית הדרכה מומחית לידע שניתן לשימוש חוזר. עם זיכרון מובנה ובדיקות בטיחות שמגבילות מה מותר למערכת לעשות, מערכות אלה יכולות להיעשות אמינות יותר עם הזמן בעוד שהחלטות קריטיות נשארות בידי אדם. המחברים מדגישים שמעבדות אוטומטיות לחלוטין ידרשו עוד עבודה על כיולים, ניהול זיכרון לטווח ארוך וטיפול במשימות שעדיין תלויות במיומנות ואינטואיציה אנושית. גם כך, עבודה זו מצביעה על עתיד שבו מדענים מקדישים פחות זמן להאבק עם בקרים מורכבים ויותר זמן לשאול שאלות נועזות, בעוד ששותפי הבינה המלאכותית מסייעים להפעיל את הכלים שהופכים רעיונות לגילויים.

ציטוט: 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

מילות מפתח: סוכני בינה מלאכותית, מעבדות נוהגות-עצמם, ציוד מדעי, ניסויים רובוטיים, דגמי שפה גדולים מולטימודליים