چینی لائف سائنس AI ماڈل GeneLLM 'بائیولوجیکل DeepSeek' کے طور پر سامنے آیا

DeepSeek -V4-Flash کا رسمی ورژن ابھی عالمی عام ماڈلز کے دائرے میں دھماکہ کر چکا ہے، اور چینی زندگی کی علوم کا ورژن Deepseek اس کے فوراً بعد آ گیا ہے۔

ہالیا وقت میں، جن دو شعبہ جاتی ماڈل GeneLLM کو جن دو شعبہ جاتی ماڈل GeneLLM، جسے چار آکسفورڈ یونیورسٹی کے واپس آنے والے ایکسپرٹس نے خود سے تیار کیا، نے بین الاقوامی سطح کے اعلیٰ اکادمک جرائد — نیچر کامیونیکیشنز اور ایڈوانسڈ سائنس — پر شائع ہونے کا اعزاز حاصل کیا۔

گین لی ایم، جو دنیا کا پہلا بہت سارے جینومکس اصل ڈیٹا کا استعمال کرنے والا پری ٹرینڈ بہت بڑا ماڈل ہے، گوگل کے الفا فولڈ اور اسٹین فورڈ یونیورسٹی کے ای وو 2 کے بعد ایک اور بڑا ماڈل ہے، جو چین کے زندگی کی علوم کے بنیادی بڑے ماڈل کی خالی جگہ بھرتا ہے، اور اسے چین کا ڈیپ سیک ورژن کہا جا سکتا ہے، جس سے AI زندگی کے متعدد 'زبانوں' اور پورے 'سسٹم' کو سمجھنا شروع کر رہا ہے۔

بیماری کی تشخیص GeneLLM کا صرف ایک استعمال کا شعبہ ہے، جنڈو بائیو سائنس کا اصل مقصد زندگی کی سائنس کے شعبے میں ایک 'Claude Code' تیار کرنا ہے۔

چیٹ جی پی ٹی، کلاڈ، DeepSeek بڑے زبان ماڈل کا مرکزی نقطہ، اگلے ٹوکن کا پیش گوئی ہے۔

GeneLLM کا خیال مشابہ ہے، لیکن یہ حروف کی بجائے زندگی کی معلومات کا پیشن گوئی کرتا ہے۔

RNA س퀀س میں چار بنیادی بازیس — ایڈینین (A)، یوریل (U)، گوانین (G)، اور سائٹوسین (C) — GeneLLM کے لیے زندگی کی زبان کو سمجھنے کے بنیادی ٹوکن بن جاتے ہیں۔

سنتی بائیو انفارمیٹکس کا تجزیہ عام طور پر جین نوٹیشن، سیکوئنس الائنمنٹ اور دستی طور پر تعریف کردہ لیبلز پر منحصر ہوتا ہے۔ یہ طریقہ اگرچہ درست ہے، لیکن مدل کے شناخت کے دائرے کو پہلے سے محدود کر دیتا ہے اور اصل ڈیٹا میں چھپے ہوئے بہت سے ناشناختہ بائیولوجیکل سگنلز کو ضائع کر سکتا ہے۔

جینیل ایم نے ایک الگ راستہ اپنایا اور زندگی کے قوانین کو براہ راست اولیہ ترتیب دہی ڈیٹا سے سیکھا۔

اسے RNA، پروٹین، میٹابولوم وغیرہ کے متعدد گروہوں کے اصل ڈیٹا کے طور پر تربیتی ڈیٹا کے طور پر استعمال کیا جاتا ہے تاکہ ماڈل بیماری سے متعلق نمونوں کو خود دریافت کر سکے۔

اب تک، GeneLLM نے 15 ارب پیرامیٹرز اور 3.5 ٹریلین قاعدہ تسلسل کے مدل کی پری ٹریننگ مکمل کر لی ہے، اور XLarge ورژن نے 30 ارب پیرامیٹرز کے مدل کی پری ٹریننگ حاصل کر لی ہے، جس سے ٹیکنالوجی کی رکاوٹیں مسلسل بڑھ رہی ہیں۔

جینیلم، جو اصل سیکوئینس ڈیٹا پر پری ٹرینڈ ہونے والا دنیا کا پہلا متعدد گروپس بڑا ماڈل ہے، دو مراحل پر مشتمل ہے:

(1) بے رہنمائی پیشگی تربیت اور پروٹوٹائپ کی کھوج

(2) مریض سطح کی بیماری فائن ٹیوننگ

GeneLLM کو سب سے پہلے ایک مسئلہ حل کرنے کی ضرورت ہے:

کیسے جٹل زندگی کے ڈیٹا کو AI کے لیے سمجھنے کی زبان میں تبدیل کیا جائے؟

Natural Language Processing میں، BPE الگورتھم جملوں کو ٹوکن میں تقسیم کرتا ہے؛ جبکہ GeneLLM، 7 نیوکلیوٹائڈز پر مشتمل سلائینگ ونڈو (7-mer) کے ذریعے تقریباً 150 bp لمبائی کے RNA سیکوئنسنگ فریگمنٹس کو زندگی کے ٹوکن میں تقسیم کرتا ہے۔

اس کے بعد، ماڈل ٹرانسفارمر آرکیٹیکچر کا استعمال کرتے ہوئے، جینی تشریح اور دستی لیبلز کے بغیر، اگلے بازیس کا پیش گوئی کرتا ہے۔

اس کا مطلب یہ ہے کہ AI انسانوں کے ذریعہ تیار کی گئی "ڈکشنری" کو پہلے دیکھنے کے بجائے، زندگی کے اصل سگنلز سے سیکھتا ہے۔

ٹریننگ کے دوران، GeneLLM نے NVIDIA A100 GPU کے سینٹ کے کلستر پر تقریباً دہاڑوں ٹریلین RNA reads کو پروسیس کیا۔

اس تک، GeneLLM کی عام کرنے کی صلاحیتیں شروع ہو گئیں۔

جنیلم، ایک گھریلو جینیٹکس ماڈل، جو زندہ علوم کے شعبے میں ایک بڑی نوآوری ہے، نئی دواوں کے ترقی، درست طب، مصنوعی زندگی، ماحولیاتی نگرانی، مائیکرو بائیوٹک اور بائیو اگریکلچر، پروٹین اور مالیکولر ڈیزائن جیسے کئی شعبوں میں استعمال کیا جا سکتا ہے، اور یہ دنیا بھر میں کم ہی ایسے ماڈلز میں سے ایک ہے جو عملی مناظر میں لاگو ہو چکا ہے۔

جب ہم گین لیم کے "ڈیٹا، آرکیٹیکچر، ٹریننگ" جیسے بنیادی ایجادات کا جائزہ لے لیتے ہیں، تو ہم سمجھ سکتے ہیں کہ اس کی وجہ سے یہ چین کا "بائیولوجیکل ورژن" کیوں ہے DeepSeek ».

سیلیکون ویلی میں تریلین پیرامیٹرز کے لیے ہزاروں H100 چپس کا استعمال کیا جاتا ہے، DeepSeek الگورتھمک نوآوری کے ذریعے کمپیوٹیشنل طاقت کی کارکردگی میں اضافہ کرتے ہوئے، جین ایل ایم بھی چار اونچے کے ذریعے ہزاروں کو ہلاتا ہے اور اربوں زندگی کے سائنسی ڈیٹا کو موڑ دیتا ہے۔

اگر AlphaFold نے AI کو زندگی کی "ساخت" سمجھنے کا پہلا موقع دیا، تو EVO2 نے AI کو زندگی کے "کوڈ" کو سمجھنے کا آغاز کیا، تو GeneLLM زندگی کے "سسٹم" کو مزید سمجھنے کی کوشش کرتا ہے۔

زیادہ گہرا اثر کارکردگی ہے۔ روایتی طریقہ 6 گیگا بائٹ گہری ترتیب دہی پر منحصر ہے، جس کی لاگت بہت زیادہ ہے اور اسے عملی جامہ پہنانا مشکل ہے۔ GeneLLM 1 گیگا بائٹ بہت ہلکی گہرائی (لاگت میں 83 فیصد کمی) پر بھی AUC > 0.8 برقرار رکھتا ہے۔

اس کا مطلب ہے کہ عام دستیابی والی درست طبی علاج کو عملی شکل دینے کی امید ہے۔

ایک نئی سائنسی ایپروچ ظاہر ہو رہی ہے: AI کو زندگی کے ڈیٹا سے سیکھنے دیں، جس سے زندگی کی سائنس کو پیش بینی، کمپیوٹیشنل، اور قابل توسیع تحقیق کے نئے مراحل تک پہنچایا جا سکے۔

لیکن جن ڈو سائنس کی منصوبہ بندی صرف بنیادی ماڈل تک محدود نہیں ہے۔

جینیل ایل ایم کے متعدد گروہوں کے بڑے ماڈل کو زندگی کی سمجھ کی بنیاد کے طور پر استعمال کرتے ہوئے، جن دو سائنس نے AI انتظامیہ اور فزیکل دنیا کو جوڑنے والا ایک انجن بنایا ہے، جس میں ہارنس AI ایکسپیریمنٹ ایکزیکیشن لیور اور ڈی بی ٹی ایل (ڈیزائن-بِلڈ-ٹیسٹ-لرن) ڈیٹا سائکل کے ذریعے، زندگی کے قوانین کو سمجھنا، سائنسی فرضیات تخلیق کرنا، خودکار تجربات کی تصدیق اور مستقل ترقی اور بہتر بنانا شامل ہے۔

جیسے کہ سابق OpenAI کے وائس پریزیڈنٹ اور بعد میں ٹریننگ لیڈر لیم فیڈس نے کہا، موجودہ LLM نے انٹرنیٹ پر محدود متن اور کوڈ کا استعمال ختم کر دیا ہے، اگلے سائنسی دریافتوں کے بڑے ترقیات کے لیے تجرباتی تکرار پر انحصار کرنا ہوگا۔

یعنی، نئی معلومات کی دریافت کے لیے صرف انسانوں کے لکھے ہوئے مواد کو پڑھنا کافی نہیں، AI کو خود تجربات کرنا ہوگا۔

لیکن سوال یہ ہے—

انٹرنیٹ سروسز کا اپنا ایپی ہوتا ہے اور ویب کی معلومات ڈیجیٹل ہوتی ہیں، لیکن سائنسی اوزار مختلف فروشندگان سے آتے ہیں، ان کے پروٹوکول مختلف ہیں، جو پیچیدہ اور مہنگے ہیں، اور کوئی بھی کچھ ماہوں میں انہیں ڈھا کر دوبارہ نہیں بناسکتا۔

آج کے زیادہ تر لیبز انسانوں کے لیے ڈیزائن کیے گئے ہیں: اداروں کے پینل، پیپٹنگ حرکتیں، نمونوں کی حالت، اور مقامی ججمنٹ، زیادہ تر میکنیکل سمجھنے کے قابل سگنلز میں تبدیل نہیں ہوئے ہیں۔

AI لیب میں داخل ہو گیا ہے، اب صرف ماڈل کی صلاحیت کا مسئلہ نہیں، بلکہ ایک نئی انفراسٹرکچر کی بھی ضرورت ہے۔

اس لیے، AI لیب میں داخل ہوا ہے، اور اب صرف ماڈل کی صلاحیت کا مسئلہ نہیں، بلکہ فزیکل ہارنس کی بھی ضرورت ہے: لیب کو ایک قابل کمپائل، قابل شیڈول، قابل نگرانی اور قابل ٹریس کرنے والے سسٹم میں تبدیل کرنا۔

یہی AI4S کی حقیقی آخری کلومیٹر ہے۔

اس کے لیے جن دو نے BioFord Harness نامی ایک سسٹم تیار کیا۔

یہ ایک ایسی بنیادی ڈھانچہ ہے جو AI اور فزیکل لیب کو جوڑتا ہے۔

انہوں نے مکینیکل آرم کو انسانی ہاتھ کی نقل کرنے کے لیے نہیں بنایا، بلکہ لیب کو ایک قابل پروگرام، قابل شیڈول، قابل نگرانی اور قابل ٹریس کرنے والے سسٹم میں تبدیل کر دیا۔

اس عمل کے دوران، فزیکل ہارنز کو کم از کم تین کاموں کو مکمل کرنا ہوگا:

1. سائنسی مقصد یا تجرباتی DSL کو مختلف ڈیوائسز کے لیے قابل اجراء حکمات میں تبدیل کریں؛

2. متعدد ڈیوائسز کے درمیان شیڈولنگ، وسائل اور سیکیورٹی کے پابندیوں کا انتظام کریں اور استثنائی صورتحال کا حل کریں؛

3. تجربی نتائج، ڈیوائس لاگز اور ماحولیاتی پیرامیٹرز کو واپس بھیجیں تاکہ اگلے مدل اور تجربے کے ڈیزائن کے لیے انپٹ بن جائیں۔

سائنسی سوال → AI سمجھنا → تجرباتی منصوبہ → ڈیوائس کی تفویض → انجام دینا → ڈیٹا واپسی → ماڈل کی بہتری → اگلا دور۔

ایک سائنسی تجربے کے ڈیٹا کا فلائی ویل اس طرح شروع ہو گیا۔

پانچ ایجنٹس، سائنسی عمل کو لائن پر ڈال دیتے ہیں

BioFord ایجنٹ ایک جسمانی ذہانت کا تحقیقی پلیٹ فارم ہے جو نیچے لیب کی فزیکل لیئر سے جُڑتا ہے اور اوپر سائنسدانوں کی شناختی لیئر کو سہارا دیتا ہے، جبکہ درمیان میں فزیکل AI تجزیہ اور انجام کے درمیان خلیج کو پُر کرتا ہے۔

سائنسی سطح پر، بائیوفورڈ ایجنٹ پانچ ذکی ایجینٹس پر مشتمل ایک تعاونی نیٹ ورک ہے جو زندگی کے تحقیق کے مکمل عمل کو جوڑتا ہے اور تحقیقی کارکردگی کو کئی گنا بڑھاتا ہے۔

لیٹرچر ری سرچ ایجنٹ

تجربہ ڈیزائن ایجنٹ

سائنسی ایجینٹ

تجربہ شیڈولنگ ایجنٹ

ڈیٹا تجزیہ ایجنٹ

مثال کے طور پر، ادب کی تلاش کرنے والا ذہین ایجینٹ آپ کی مدد سے لاکھوں ادبی مضامین کی تلاش اور پڑھائی کر سکتا ہے، ادبی جائزہ تیار کر سکتا ہے اور فرضیہ تجویز کرنے میں مدد کر سکتا ہے۔

تجربی ڈیزائن ایجنٹ نے سائنسی ٹیم کو تجرباتی ڈیزائن کے دوران کئی ماہ کے عرصے کو صرف ایک ہفتے میں کم کر دیا۔

جینڈو بایو سائنس کے ذریعہ متعارف کرائے گئے تجرباتی شیڈولنگ ایجنٹ، جنرل انسٹرومنٹ ایبسترکشن لیئر (Universal Instrument Abstraction Layer) پر مبنی ہے، جو متعدد غیر متجانس ڈیوائسز کے درمیان پروٹوکول کی دیواروں کو توڑ دیتا ہے۔

PCR ڈیوائس، ایلیزا ریڈر، فلو سائٹومیٹر، یا آٹومیٹڈ پیپٹنگ ورکسٹیشن، سب کو ایک ہی نظام میں اور ایک ہی طرح سے منظم کیا جا سکتا ہے۔ سسٹم میں ڈائنانک سکیڈولنگ الگورتھم شامل ہے جو خودکار طور پر بیچ سکیڈولنگ، ریل ٹائم تنازعات کو دور کرتا ہے، اور تجربات کے تمام پیرامیٹرز کو ریکارڈ کرتا ہے تاکہ قابلِ رجوع اڈٹ چین بن جائے۔

اس کا مطلب یہ ہے کہ AI صرف "مشورہ دینے" کے مرحلے تک محدود نہیں رہا، بلکہ اب وہ حقیقی طور پر لیب میں داخل ہو گیا ہے، ڈیوائسز کو چلاتا ہے اور کام انجام دیتا ہے، اور ایک قابل اعتماد "سائنسی مددگار" بن گیا ہے۔

ناکامی کا ڈیٹا، کامیابی کے ڈیٹا سے زیادہ قیمتی ہو سکتا ہے

اس نظام کا گہرا ترین فائدہ یہ ہے کہ یہ ہر تجربہ — چاہے کامیاب ہو یا ناکام — کو ایک ایسا ڈیٹا بناتا ہے جسے نظام سمجھ سکے۔

روایتی لیب میں، ایک ناکامی کا ریکارڈ صرف ایک لائن ہو سکتا ہے جیسے "نتیجہ توقع کے مطابق نہیں تھا"، اور تجربہ انسان کے دماغ میں موجود ہوتا ہے، جب انسان چلا جاتا ہے، تجربہ بھی غائب ہو جاتا ہے۔

BioFord سسٹم میں، ہر ناکامی قیمتی تربیتی ڈیٹا ہوتی ہے — پیرامیٹر کے انتخاب کا منطق، ماحولیاتی حالات کا ریکارڈ، غلط راستوں کا ثبوت… سب کچھ جمع ہو کر سسٹم کی “تجربہ” کا حصہ بن جاتا ہے۔

اگلی بار، AI جان جائے گا: یہ راستہ بند ہے۔

دلچسپ بات یہ ہے کہ اس راستے میں، سب سے زیادہ کیلکولیشن پاور والے نہیں جیتتے، اور نہ ہی سب سے بڑا ماڈل جیتتا ہے۔

ہیش ریٹ خریدا جا سکتا ہے، لیکن سائنسی ڈیٹا نہیں۔

جن یونگ سیونگ، جن دو سائنس کے بانی اور سی ای او، کا کہنا ہے: "ریسرچ کے دوران، ہم نے逐渐 محسوس کیا کہ AI for BioScience صرف ماڈلز اور ڈیٹا کو جمع کرنا نہیں ہے۔ تجربات کرنے والوں کے لیے، آخری طور پر حل کرنا یہی ہے کہ کیسے اس کا حساب لگانے کے بعد تجربہ نہیں کیا جا سکتا، اور اگر کیا جائے تو غلط ہو جائے۔"

یہی AI4S سیکٹر کا سب سے اہم اور سب سے مشکل سے نقل کیا جانے والا تحفظ ہے۔

2022 میں، جن یونگ سونگ نے آکسفورڈ یونیورسٹی سے بائیو انجینئرنگ میں ڈاکٹریٹ کی ڈگری حاصل کرتے ہی ایک انتخاب کا سامنا کیا۔

اس کے استاد برطانوی رائل سوسائٹی کے ممبر، تین نسل کے ترتیب دہی کے بڑے ہولڈنگ، برطانوی لسٹڈ کمپنی Oxford Nanopore کے بانی ہیگن بیلی ہیں، اور لیب میں "نتائج کا عملی استعمال" کا روایتی طور پر گہرا تقاضا ہے۔ برطانیہ میں رہنا ایک واضح راستہ ہے۔

لیکن اس نے ایک دوسری راہ اپنائی — لیب میں ایک "پروٹو ٹائپ ٹیکنالوجی" کو اپنے سامان میں رکھ کر اپنے ملک لے آیا۔ اس کے ساتھ تین اور آکسفورڈ کے فریقین تھے: زندگی کی علوم کے ڈاکٹر ڈینگ سووی، کمپیوٹر سائنس کے ایسوسی ایٹ ریسرچر شا لی (پکنگ یونیورسٹی کے کمپیوٹر سائنس ڈاکٹر، میئو کے بڑے ماڈل کے ذمہ دار لو فولی کے ساتھ طالب علم)، اور پروڈکٹ کو عملی شکل دینے میں ماہر ژو تینیاؤ۔ چاروں کے پاس بائیو انجینئرنگ، آرٹیفیشل انٹیلی جنس، کمپیوٹیشنل بائیولوجی، اور تجارتی آپریشنز جیسے متعلقہ علمی پس منظر تھا، جو ہر ایک کے بغیر مکمل نہیں ہوتا۔ انہوں نے پہلے بھی مل کر مشترکہ سائنسی منصوبوں پر کام کیا تھا، جہاں AI اور ٹرانسکرپٹوم ٹیکنالوجی کو ملا کر بیماریوں کے پہلے سے پتہ لگانے کا عمل کیا گیا۔ چاروں ایک پازل کی طرح مکمل طور پر ایک دوسرے کو مکمل کرتے تھے، جس سے وہ بہت زیادہ متعدد شعبوں پر مشتمل تحقیق کر سکتے تھے۔

کمپنی کا نام "جن دو سائنس" ہے، "جن" کو آکسفورڈ سے لیا گیا ہے، جس کا مطلب ہے کہ وہ آکسفورڈ کے عالی شان لیبز جیسے اکیڈمک مرکزز سے شروع ہوئے، اور "دو" کا مطلب ہے لوگوں کو عبور دینا، جو ان کے خیال میں AI for Science کا حتمی مقام ہونا چاہیے۔

ابھی، جن دو سائنس کے BioFord Agent فزیکل AI ریسرچ پلیٹ فارم نے کچھ مشہور چینی یونیورسٹیز میں اپنا کام شروع کر دیا ہے، جس سے ریسرچ کا دورانیہ پہلے کے کئی ماہ سے گھٹ کر ایک ہفتہ ہو گیا ہے۔

لیکن، ایک "پہلے کبھی نہیں اٹھائی گئی" راہ پر چلنا ضرور تنہائی کے ساتھ آتا ہے۔

شروعاتی مراحل میں، بہت سے مشکلات تھیں۔ اس وقت AI کے لیے کاروباری شروعاتیں تیزی سے بڑھ رہی تھیں، لیکن حیاتیاتی علوم کے شعبے میں 'AI+' کے تجربات بہت کم تھے۔ "جو لوگ AI سمجھتے ہیں، وہ حیاتیاتی علوم کو ضروری طور پر نہیں سمجھتے، اور جو حیاتیاتی علوم کے ماہر ہیں، ان میں سے زیادہ تر AI کو نہیں سمجھتے۔"

جین یونگ سونگ نے کہا: "سرمایہ کاروں نے ایک وقت کے لیے نہیں سمجھا کہ ہم کیا کر رہے ہیں۔"

ٹیم نے ایک "سب سے مشکل راستہ" منتخب کیا: زندہ جانور کے بنیادی ماڈل سے شروع کرتے ہوئے، دنیا بھر میں اس سمت میں کام کرنے والی کمپنیاں بہت کم ہیں۔

2025 میں، تبدیلی آئی۔

اس وقت، وزیراعظم کے دفتر نے "آرٹیفیشل انٹیلی جنس +" ایکشن کی گہرائی سے لاگو کرنے کے بارے میں رائے جاری کی، جس میں AI for Science شامل تھا، اور یہ سیکٹر تیز ہو گیا۔

جینڈو شینگکی نے "ایک سال میں 4 فنڈنگ راؤنڈز" کا ریکارڈ حاصل کیا۔ کمپنی کی بنیادی فنڈنگ کی تاریخیں صنعت کا معیار ہیں۔

天使 + رول: سیکو چائنہ سیڈ فنڈ کی قیادت میں فنڈنگ حاصل ہوئی؛

پری-ای+ راؤنڈ: کریچوانگ ڈونگ فنڈ نے کروڑوں کے سطح پر لیڈ انویسٹمنٹ کی؛

پری-ای+ راؤنڈ: نان شن وار نیو انویسٹمنٹ سے کروڑوں ڈالر کا سرمایہ کاری؛

سری A: گاوتیا انسٹیمنٹس نے قریبًا ایک ارب یوان کی قیادت کی۔

گوٹیا انویسٹمنٹ کے ایگزیکٹو پارٹنر تین یوہانگ نے کہا: "جن دو سائنس نے زندگی کی سائنس کی بنیادی تحقیق کو قابلِ سبسکرپشن اور قابلِ توسیع 'کمپیوٹنگ پاور + تجربہ' کی بنیادی ڈھانچہ بنا دیا ہے۔"

جین یونگ سونگ کا مقصد مزید دور ہے: "ہم صرف سافٹ ویئر بیچنے سے راضی نہیں، ہم زندگی کی سائنس کے شعبے میں ایک ذکی آپریٹنگ سسٹم تعمیر کرنا چاہتے ہیں۔ جیسے اینٹل نے پی سی کے دور میں کمپوٹیشنل پاور کو تعریف کیا، ہم AI کے دور میں زندگی کی سائنس کے تحقیق کے نئے طریقہ کار کو تعریف کرنا چاہتے ہیں۔"

اوکسفورڈ لیب سے شنزن تک، بے‌سُر سمجھ سے لے کر اولیٰ سرمایہ کاروں کی طرف سے بڑی سرمایہ کاری تک، چار اوکسفورڈ کے لوگوں کی کہانی صرف ایک کاروباری کامیابی نہیں، بلکہ "ہم انسانیت کے لیے کیا کر سکتے ہیں؟" کا ایک روحانی سوال ہے۔

جب AI نے خود کو "رات بھر" تحقیق کرنے کا طریقہ سیکھ لیا، تو سائنسی دریافتوں کا انحصار شاید عظیم ذہنوں کی تصادفی تخلیقات پر نہیں رہے گا، بلکہ قابل پیشگوئی ضرورت بن جائے گا۔ یہ راستہ، وہ صرف شروع کر رہے ہیں۔

بڑے AI for BioScience نقشے پر، جن دو کوئی اکیلا نہیں ہے، لیکن داخلہ کا نقطہ بالکل الگ ہے۔

پہلی قسم، ڈیجیٹل AI سائنسدان ہیں۔

اسٹنفورڈ کے اسپن آف Biomni (جو Phylo کے طور پر کمرشلائز ہو چکا ہے) کے پاس 150 سے زیادہ پیشہ ورانہ ٹولز ہیں جو لٹریچر ریویو، فرضیہ جنریشن اور بائیو انفارمیٹکس اینالیسس کو آٹومیٹ کرتے ہیں۔

ایرک شمیٹر کی حمایت یافتہ فیچرہاؤس، خودکار فرضیات تیار کرنے اور تحقیقی مقالے لکھنے والے AI سائنسدان بنانے پر مرکوز ہے۔

تاہم، وہ اپنی طاقت کے باوجود صرف ڈیجیٹل دنیا تک محدود ہیں۔

دوسرا قسم، مکمل خود مختار راستہ ہے۔

جینگ تائی ٹیکنالوجی نے "AI + روبوٹ" کے ذریعے عالمی سطح پر 300 سے زیادہ اسٹیشنوں کو منتشر کیا ہے۔

فلاگشپ پائونیئرنگ کے ذریعے اسٹارٹ اپ Lila Sciences نے 5.5 ارب ڈالر کی سرمایہ کاری حاصل کی ہے، جو AI کو تجربات کے ڈیزائن، انجام اور دوبارہ ڈیزائن پر مکمل طور پر چلانا چاہتی ہے، اور اس کا مقصد "سائنسی سپر انٹیلی جنس" ہے۔

لیکن یہ سب بہت مہنگے ہیں۔

تیسری قسم، اینڈ تو اینڈ مینیجڈ رُٹ ہے۔

英矽智能 �ے AI کو اپنی خود کی گئی دوائوں کی نالی میں ب без تبدیلی لایا گیا ہے، اور ان کا پہلا AI ڈرگ III مرحلہ کلینیکل ٹرائل میں داخل ہو چکا ہے، لیکن وہ "گاڑی بنانے والے" ہیں، "سڑکیں درست کرنے والے" نہیں۔

جینڈو بایو سائنس کا انتخاب یہ ہے: فزیکل ہارنیس کی تعمیر پر توجہ مرکوز کرنا، ماڈل اور جسمانی تجرباتی نظام کے درمیان "آخری کلومیٹر" کی بنیادی ڈھانچہ فراہم کرنا۔

بنیادی مقابلہ نہ کریں، اینڈ تو اینڈ پائپ لائن نہ کریں، صرف ڈیجیٹل دنیا کے AI سائنسدان نہ بنیں۔ صرف اس ایک کلومیٹر پر توجہ دینا بے حد ہلکا پھلکا طریقہ ہے۔

جین یونگ سونگ نے اس جائزے کو واضح طور پر بیان کیا: "سائنس کے لیے AI کا اصل تقسیمی نقطہ، ماڈل کا سائنسدان کی طرح کتنی زیادہ جواب دینا نہیں، بلکہ یہ ہے کہ لیب کیا شروع ہو جائے گا ایک مسلسل سیکھنے والے نظام کی طرح۔"

اور، عالمی AI for Science شعبے میں، جن دو صرف "آخری کلومیٹر" تک محدود نہیں ہے۔

بیشتر اس کا اندازہ آخری کلومیٹر کے ذریعے لگایا جاتا ہے، جہاں یہ پورے سائنسی عمل کے تنظیم کے لیے مقابلہ کرتا ہے۔

اس کی مثال صرف ڈیجیٹل AI سائنسدانوں سے ہے جو فزیکل دنیا کو چھو سکتے ہیں؛ اپنی خود کی گئی بھاری سائنسی فیکٹریوں سے ہے جو صارفین کے پہلے سے موجود لیبز کو سنبھالنے کا موقع رکھتی ہیں؛ اور ایک مکمل AI دوا کمپنی سے ہے جو کسی ایک بالینی لائن پر اپنا بھاگ نہیں لگاتی۔

اس کا اصل قلعہ نہ تو پیرامیٹر کی تعداد ہوگا، بلکہ مستقل طور پر جمع ہوتے جانے والے تجرباتی راستے، ڈیوائس انٹرفیس، ناکامی کے تجربات اور کراس لیب ایکزیکشن نیٹ ورک ہوں گے۔

جیسے کہ جن یونگ سونگ نے کہا، جانوروں کے جسم میں لاکھوں سگنل پاتھوں اور ناشناں مکینزمز دلچسپ ہیں۔ "جتنا زندگی کی حیثیت سے امیر ہے، اتنا ہی AI for Science کا مستقبل خوبصورت ہے۔"

AI کی ذکاوت کے ساتھ زندگی کے رازوں کی تلاش کریں، اس گروہ کے آکسفورڈ کے طلبہ کا ستاروں اور سمندر کا سفر ابھی شروع ہوا ہے۔

یہ مضمون ویچن گروپ "نیوزی یوان" سے ہے، مصنف: نیوزی یوان؛ ایڈیٹر: ایینیس کنگHZ