כלי AI של גוגל המסייע למדענים וחוקרים
גוגל פרסמה בכתב העת Nature את Empirical Research Assistance (ERA), מערכת מבוססת Gemini שמחפשת ספרות, כותבת וממטבת קוד לניסויים חישוביים באמצעות חיפוש-עץ על אלפי חלופות. הכלי כבר הודגם בגנומיקה, בריאות ציבור, חיזוי עיתי, לוויינים ומתמטיקה, ומשולב בניסוי החדש Computational Discovery דרך Google Labs.
גוגל מציגה את ERA שהיא מערכת בינה מלאכותית שפותחה ב-Google Research ומשתמשת ב-Gemini כדי לסייע למדענים במשימה שגוזלת זמן רב במחקר מודרני: כתיבה, הרצה ושיפור חוזר של ניסויים חישוביים וקוד אמפירי. לפי הפרסום (מאת Lizzie Dorfman, מנהלת מוצר, ו-Michael Brenner, חוקר), ERA מתוארת במאמר שפורסם בכתב העת Nature תחת הכותרת “AI system designed to help scientists write expert-level empirical software”.
במקום לעבוד באופן ליניארי כמו “צ׳אט שמציע קוד”, ERA הוגדרה לעבוד מול בעיה ומדד הצלחה, ואז לבצע תהליך שיטתי: חיפוש ספרות רלוונטית, כתיבת קוד, ניסוי גישות שונות, שילוב טכניקות והערכת תוצאות. הליבה האלגוריתמית שלה מבוססת חיפוש-עץ (tree search) שמאפשר לשקול אלפי אפשרויות ולמטב את הפתרון מול היעד שנבחר, בדומה לאופן שבו חוקרים מבצעים איטרציות רבות ידנית.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
בגוגל מדווחים שהמערכת נבחנה על שורת בנצ׳מרקים מכמה תחומים: גנומיקה, בריאות הציבור, ניתוח דימות לווייני, חיזוי במדעי המוח, בנצ׳מרק כללי לחיזוי סדרות-זמן ומתמטיקה. לפי התוצאות ב-Nature, ERA השיגה ביצועים “ברמת מומחה” בכל הבדיקות. אם הממצא הזה יחזיק גם מחוץ למעבדה, המשמעות היא הרחבת הנגישות ליכולות מידול ותכנות מתקדמות, וגם חיסכון משמעותי בזמן עבור חוקרים מנוסים.
מעבר לבנצ׳מרקים, החוקרים הפעילו את ERA על בעיות פתוחות עם ערך ציבורי. בין הדוגמאות: חיזוי אשפוזים בארה״ב לשפעת, COVID-19 ו-RSV עד ארבעה שבועות קדימה, שבו התחזיות דורגו בעקביות בצמרת לוחות הביצועים של ה-CDC; מודל לחיזוי נגר עונתי באגני נהרות מוזני-שלג בקליפורניה, עם דיוק מוקדם טוב מהתחזית הרשמית של המדינה; ומיפוי ריכוזי CO2 ברזולוציה מרחבית וזמנית גבוהה במיוחד בעזרת לוויין מזג אוויר גאוסטציונרי, עד כדי עדכון כל 10 דקות שמדגיש תבניות פליטה עירוניות.
הערך המוסף כאן הוא לא רק “קוד טוב יותר”, אלא שינוי תהליך העבודה המחקרי: אוטומציה של ניסוי וטעייה, השוואה הוגנת בין מודלים תחת אותו מדד, ותיעוד שחזורי של ניסויים. מנגד, אימוץ כזה מחייב סטנדרטים מחמירים: בדיקות הטיה ודליפות נתונים, ולידציה חיצונית, ושקיפות על פרה-פרוססינג כדי שמודלים לא “ינצחו” בבנצ׳מרק בלי להיות שימושיים בעולם האמיתי.
לבסוף, גוגל הודיעה על פתיחה הדרגתית של Computational Discovery (דרך labs.google/science), שנבנה עם ERA ו-AlphaEvolve במסגרת “Gemini for Science”. לצד זה הושקו ניסויים משלימים כמו Hypothesis Generation (מבוסס AI Co-Scientist) וכלי Literature Insights, שמטרתם לתמוך בשלבים שונים של השיטה המדעית.
החוקרים המרכזיים המוזכרים בפרסום כוללים את Lizzie Dorfman ו-Michael Brenner, ובתודות מצוינים מובילי הפיתוח האלגוריתמי Eser Aygun, Gheorghe Comanici ו-Shibl Mourad, לצד צוותים רחבים בפרויקטים היישומיים (למשל Zahra Shamsi, Sarah Martinson, Nicholas Reich, Martyna Plomecka, Brian Williams ועוד).