Krongkwun Rithiwong
แม้ว่าหุ่นยนต์ที่ขับเคลื่อนด้วย AI กำลังเข้ามามีบทบาทในห้องแล็บ แต่ทีมนักวิจัยยืนยันว่า ทักษะของมนุษย์นั้นก็ยังคงสำคัญอย่างยิ่ง
หุ่นยนต์ “ทำแล็บ” แทนคนได้จริงหรือไม่?
เมื่อปีที่แล้ว Meagan Olsen เธอเป็นทั้งนักชีววิทยาสังเคราะห์ และนักศึกษาระดับปริญญาเอกจาก Northwestern University ในเมืองเอแวนสตัน รัฐอิลลินอยส์ ได้ทำการทดลองครั้งยิ่งใหญ่ที่สุดในอาชีพของเธอ
เธอได้ผลิตโปรตีนในหลอดทดลอง เพื่อได้พบสูตรผสมที่ประหยัดต้นทุนกว่าสูตรการสังเคราะห์โปรตีนนอกเซลล์ที่มีอยู่เดิมถึง 6 เท่า โดยทำการทดลองมากกว่า 40 ครั้งตลอด 4 เดือน โดยทดสอบส่วนผสม 1,231 รูปแบบ ทั้งน้ำตาล กรดอะมิโน และส่วนประกอบอื่นๆ รวมถึงเครื่องจักรระดับเซลล์ (Cellular machinery)
แต่ก็ได้ถูกทำลายสถิติลงด้วย “ห้องปฏิบัติการอัตโนมัติ” ซึ่งประกอบด้วยนักวิทยาศาสตร์ คือโมเดลภาษาขนาดใหญ่ (LLM) ที่คอยทำงานอัตโนมัติง่าย ๆ เช่น การถ่ายเทของเหลว และมีผู้ดูแลที่เป็นมนุษย์ สร้างโดยความร่วมมือของนักวิทยาศาสตร์จากบริษัทปัญญาประดิษฐ์ OpenAI ในซานฟรานซิสโก รัฐแคลิฟอร์เนีย และ Ginkgo Bioworks บริษัทเทคโนโลยีชีวภาพในเคมบริดจ์ รัฐแมสซาชูเซตส์ ได้ทำลายสถิติของ Olsen ลง โดยสามารถลดต้นทุนได้อีก 40% หลังจากการทดสอบสภาวะการทดลองกว่า 30,000 เงื่อนไขภายใน 6 เดือน
ผลงานวิจัยที่เผยแพร่ลงเซิร์ฟเวอร์ bioRxiv เมื่อวันที่ 5 ก.พ. ได้ทำให้เกิดการถกเถียงกันว่า หุ่นยนต์ที่ควบคุมด้วยแชตบอตจะสามารถเข้ามาแทนที่มนุษย์ได้มากน้อยเพียงใด หรือว่าสิ่งนี้คือ “อนาคตของชีววิทยา” ดังที่ Philip Romero วิศวกรโปรตีนจาก University of Wisconsin–Madison กล่าว
ถึงอย่างนั้น เทคโนโลยีนี้ยังต้องพัฒนาอีกมาก ก่อนที่จะมีการนำมาใช้งานอย่างแพร่หลาย หุ่นยนต์ที่มีอยู่แล้วยังคงต้องเผชิญกับความยากลำบากในการทำงานที่ต้องอาศัยทักษะความคล่องแคล่ว หรือการทดลองที่ต้องออกแบบมาเฉพาะกิจ (Bespoke experiments) เช่น การทดลองที่เกี่ยวข้องกับตัวอย่างเนื้อเยื่อหรือสัตว์ทดลอง และการบรรลุเป้าหมายการวิจัยที่ซับซ้อนบางอย่าง ก็ยังเกินขีดความสามารถของเครื่องมือ AI แม้ว่าระบบอัตโตมัติจะมีความสามารถขึ้นเรื่อย ๆ แต่นักสิทยาศาตร์ก็ยังคงย้ำว่า ความเชี่ยวชาญของมนุษย์จะยังคงเป็นองค์ประกอบสำคัญที่ขาดไม่ได้สำหรับการวิจัย
ภาพจาก: Du Yu/Xinhua via Alamy
ห้องปฏิบัติการที่ขับเคลื่อนด้วยตัวเอง (Self-driving labs)
ความพยายามส่วนใหญ่ในการนำห้องปฏิบัติการอัตโนมัติมาใช้ เน้นไปที่วิศวกรรมโปรตีน เช่น ทีมของ Romero ได้จับคู่ Machine Learning แบบง่ายเข้ากับหุ่นยนต์จัดการของเหลวเพื่อปรับปรุงความทนทานต่อความร้อนของโปรตีน โดยรายอื่นใช้ โมเดลภาษาโปรตีน (Protein language models) ที่ซับซ้อนยิ่งขึ้น เพื่อคาดการณ์การเปลี่ยนแปลงของกรดอะมิโน ดำเนินการโดยหุ่นยนต์ในห้องแล็บ เพื่อเพิ่มประสิทธิภาพการทำงานของเอนไซม์
Joy Jiao หัวหน้าทีมวิจัยวิทยาศาสตร์ชีวภาพของ OpenAI กล่าวว่า การสังเคราะห์โปรตีนแบบไร้เซลล์ ซึ่งเป็นการนำสารเคมีหลายชนิดมาผสมกับสารสกัดจากแบคทีเรียที่มีกลไกการสร้างโปรตีนและลำดับ DNA ที่เข้ารหัสโปรตีน ดูเหมือนจะเป็นความท้าทายที่เหมาะสมสำหรับ LLM ชั้นนำอย่าง GPT-5 ของ OpenAI ที่มีความเชี่ยวชาญเป็นพิเศษในด้านคณิตศาสตร์ การเขียนโค้ดคอมพิวเตอร์ และฟิสิกส์เชิงทฤษฎีอยู่แล้ว เธอกล่าวว่า “เราต้องการวัดประสิทธิภาพของ GPT-5 ในงานชีววิทยาจริงๆ”
ระบบของ Ginkgo-OpenAI ใช้ GPT-5 ในการตีความผลลัพธ์และออกแบบการทดลอง เพื่อให้หุ่นยนต์ของ Ginkgo ปฏิบัติงาน นักวิจัยทำหน้าที่จัดหาสารตั้งต้นและนำการออกแบบการทดลองของ GPT-5 ไปใช้ นอกจากนี้ พวกเขายังมีการปรับแต่งรายละเอียดในขั้นตอนการทดลอง (Protocol tweaks) และหลังจากผ่านการทดลองไป 3 รอบ พวกเขาก็ได้ให้ GPT-5 เข้าถึงเอกสารวิจัยฉบับร่างของ Olsen รวมถึงความสามารถในการเข้าถึงเอกสารวิชาการอื่นๆ บนอินเทอร์เน็ต โดย GPT-5 จะทำหน้าที่จดบันทึกการตีความข้อมูลและสมมติฐานไว้ในสมุดบันทึกแล็บ
ก่อนที่ GPT-5 จะได้เข้าถึงอินเทอร์เน็ตและงานของ Olsen มันได้ตั้งสมมติฐานเกี่ยวกับการเปลี่ยนสารตั้งต้นเพื่อลดต้นทุน เป็นวิธีเดียวกับที่ทีมของ Olsen ใช้ “จริง ๆ แล้วโมเดลมีความสามารถในการใช้เหตุผลทางชีวเคมีที่ค่อนข้างดีเลยทีเดียว” Jiao กล่าว
อย่างไรก็ตาม การปรับปรุงประสิทธิภาพการสังเคราะห์โปรตีนที่ยิ่งใหญ่ที่สุดเกิดขึ้นในขั้นตอนการทดลองหลังจากที่ GPT-5 ได้เข้าถึงข้อมูลใหม่ ๆ “ทั้งหมดนั้นทำให้มันก้าวกระโดดครั้งใหญ่ และสามารถเอาชนะความล้ำหน้าของมนุษย์ได้จริง” Jiao กล่าวเสริม
Michael Jewett นักชีววิทยาสังเคราะห์จาก Stanford University ในแคลิฟอร์เนีย ซึ่งเป็นผู้ดูแลงานวิจัยของ Olsen ได้กล่าวว่า “สูตรการสังเคราะห์โปรตีนนอกเซลล์ของ Ginkgo-OpenAI มีความคล้ายคลึงกับสูตรที่เขา Olsen และเพื่อนร่วมงานร่วมกันคิดค้นขึ้น แต่ก็ยากที่จะระบุได้ว่างานวิจัยของพวกเรา มีส่วนช่วยให้ GPT-5 ออกแบบการทดลองได้มากน้อยเพียงใด”
ที่มา: nature
