تسعى المؤسسات العلمية والذكاء الاصطناعي معًا لتسريع وتيرة الاكتشافات من خلال استغلال كميات هائلة من المعرفة المسجلة، غير أن دراستين جديدتين نُشرتتا في مجلة نيتشر تكشفان عن حدود الاعتماد الكلي على النماذج اللغوية في البحث العلمي. بينما تهدف أنظمة مثل "روبن" من مؤسسة المستقبل غير الربحية، و"كو-ساينتست" من جوجل ديب مايند، إلى مساعدة العلماء عبر التعاون المشترك، فإنها أثبتت أنها لا تزال عاجزة عن استبدال العملية العلمية كاملة دون تدخل بشري دقيق. تعتمد هذه الأنظمة على مفهوم "الوكلاء المتعددين"، حيث يعمل كل وكيل متخصص في مهمة محددة مثل صياغة الفرضيات أو تقييم البيانات، تحت إشراف وكيل منسق. يركز "كو-ساينتست" على محاكاة النقاشات العلمية بين وكلاء مختلفين لمقارنة جودة الفرضيات، بينما يُستخدم "روبن" تحديدًا في مجال إعادة توظيف الأدوية للعثور على علاجات جديدة لأمراض معينة. أظهرت التجارب أن "كو-ساينتست" قدّم قائمة بـ30 مرشحًا دوائيًا لعلاج سرطان الدم، وقام أطباء الأورام البشر باختيار خمسة منهم للبحث المخبري، حيث أظهر ثلاثة منها نتائج إيجابية. كما استخدم "روبن" لتحديد عقاقير واعدة لعلاج الضمور البقعي المرتبط بالعمر، حيث ساعدت عملية التحليل الدقيق في اختيار عقارين ناجحين بعد استبعاد اقتراحات أخرى من قبل العلماء. رغم هذه الإنجازات، كشف التحليل عن قيود جوهرية. أولًا، لم تقارن النتائج مع أساليب الذكاء الاصطناعي المتخصصة المطورة على مدار عقود في علم الأحياء الحسابي، مما يجعل من الصعب الجزم بأن هذه الأدوات العامة تفوق التقنيات المحددة. ثانيًا، فشلت الأنظمة في التحقق المباشر من صحة فرضياتها من خلال تجارب مادية فعلية، واعتمدت كليًا على البشر في صياغة الأسئلة العلمية الأساسية وفحص التنبؤات وترتيب أولوياتها. بالإضافة إلى ذلك، أظهرت اختبارات "روبن" أن الوكلاء المسؤولين عن تحليل الإحصاءات وعلم الوراثة كان أداؤهم أقل كفاءة من الوكلاء الذين يبحثون في الأبحاث السابقة، مما دفعهم للاعتماد بشكل كبير على تعليمات البشر المباشرة. يُظهر هذا الواقع أن اللغة وحدها، مهما كانت النماذج اللغوية الكبيرة متطورة، لا تكفي لفهم تعقيدات العالم الطبيعي. التواصل اللغوي قد يكون غامضًا أو غير دقيق، بينما تتطلب العلوم تحديدًا صارمًا وارتباطًا بالبيانات الهيكلية مثل تسلسلات الجينات وهياكل البروتينات. المستقبل يكمن في نماذج هجينة تجمع بين قوة اللغة الطبيعية في التواصل وفهم الأنظمة القائمة على البيانات الكمية المباشرة. ستظل أدوات الذكاء الاصطناعي مفيدة في تنظيم وفهم المعلومات الضخمة، لكن فعاليتها الحقيقية لن تتحقق إلا عندما تتجاوز مجرد ربط الكلمات لتمثيل وتعقيد النظم التي تصفها هذه الكلمات فعليًا.