เมื่อข้อมูลใหญ่เกินกว่าคนจะอ่านทีละชิ้น
เอเจนต์ AI สำหรับวิจัยวิทยาศาสตร์คือระบบที่รับงานวิเคราะห์ข้อมูล สืบค้นวรรณกรรม และเสนอคำอธิบายที่ตรวจสอบได้ ก่อนรวบรวมผลเป็นสมมติฐานให้ผู้เชี่ยวชาญพิจารณาต่อ
เมื่อวันที่ 21 ตุลาคม 2026 OpenAI, PerturbAI และ Scripps Research ประกาศความร่วมมือที่ใช้เอเจนต์ซึ่งขับเคลื่อนด้วย GPT-Rosalind วิเคราะห์ข้อมูลการทดลองจากเซลล์สมองหนูหลายล้านเซลล์ภายใน 32 นาที และเปิดเผยแผนที่เหตุผลของเอเจนต์ต่อสาธารณะ งานนี้ใช้เอเจนต์ 1,946 ตัวกับแผนที่ CRISPR ทั่วสมอง ซึ่งมีเซลล์ราว 7.7 ล้านเซลล์ ขนาดของงานคือประเด็นสำคัญ ไม่ใช่เพราะเครื่องจักรทำให้การค้นพบเกิดขึ้นทันที แต่เพราะข้อมูลที่มีการรบกวนยีนราวสองพันรายการและผลในเซลล์หลายชนิดนั้นมากเกินกว่าทีมมนุษย์จะตรวจอ่านได้ละเอียดทีละรายการ การเพิ่มกำลังวิเคราะห์จึงช่วยคลายคอขวดที่แท้จริงของงานวิจัย และทำให้คำถามที่ซ่อนอยู่ในข้อมูลมีโอกาสถูกมองเห็น

แบ่งงานให้หลายพันเอเจนต์ แล้วประกอบเหตุผลกลับเข้าด้วยกัน
วิธีนี้ไม่ใช่การโยนตารางขนาดใหญ่ให้โมเดลตอบครั้งเดียว แต่แบ่งการรบกวนยีนแต่ละรายการให้เอเจนต์ตรวจการตอบสนองของเซลล์ สืบค้นเอกสารวิทยาศาสตร์ และเสนอคำอธิบาย จากนั้นจึงเชื่อมรายงานเข้ากับยีน ชนิดเซลล์ งานตีพิมพ์ และกลไกที่อาจเกี่ยวข้อง ระหว่างการประมวลผล เอเจนต์อ่านบทความรวม 39,185 ครั้ง และเก็บการอ้างอิงไว้ 16,445 รายการ ข้อมูลเบื้องหลังมีขนาด 205 กิกะไบต์ ครอบคลุมเซลล์ 7,739,370 รายการ โปรไฟล์อาร์เอ็นเอส่งสาร 19,070 รายการ และเอสจีอาร์เอ็นเอ 8,588 รายการ ตามการประเมินของทีม การวิเคราะห์และทบทวนเอกสารทีละรายการโดยมนุษย์อาจใช้เวลาหลายเดือนถึงหนึ่งปี นี่คือหัวใจของ brain research acceleration: ลดเวลาคัดกรอง เพื่อให้คนใช้เวลาไปกับการตรวจสอบคำอธิบายและออกแบบการทดลอง
เบาะแส DCTN1 น่าสนใจ แต่ยังไม่ใช่คำตอบ
สิ่งที่ GPT-Rosalind ค้นพบในแผนที่คือ เมื่อรบกวน Dctn1 การแสดงออกของยีนที่เกี่ยวข้องกับการสร้างคอเลสเตอรอลเพิ่มขึ้น DCTN1 เป็นยีนที่การกลายพันธุ์ทำให้เกิดกลุ่มอาการ Perry ซึ่งเป็นโรคเสื่อมของระบบประสาทที่มีอาการคล้ายพาร์กินสัน งานวิจัยที่มีอยู่เปิดทางให้ตั้งข้อสันนิษฐานว่า การขนส่งคอเลสเตอรอลที่ผิดปกติอาจทำให้เซลล์เพิ่มการสังเคราะห์เพื่อชดเชย แต่ความเชื่อมโยงนี้ยังไม่ใช่หลักฐานว่าคอเลสเตอรอลเป็นสาเหตุของการเสื่อมของเซลล์ประสาท ต้องแยกให้ชัดระหว่างสิ่งที่วัดได้ในแอตลาส กลไกที่อนุมานจากวรรณกรรม และสมมติฐานที่ยังต้องทดสอบ เพราะยังไม่มีการยืนยันข้อเสนอนี้ในเซลล์ประสาทหรือผู้ป่วย ผู้เชี่ยวชาญ 30 คนที่ประเมินโดยไม่ทราบที่มาของรายงานเห็นว่าคำถามดังกล่าวควรค่าแก่การติดตาม ไม่ได้ยืนยันว่ากลไกนั้นถูกต้องแล้ว
คุณค่าจริงอยู่ที่การสร้างคำถามที่ตรวจสอบซ้ำได้
ความเปลี่ยนแปลงสำคัญคือ AI agents วิจัยวิทยาศาสตร์ไม่ได้หยุดที่การจัดระเบียบข้อมูล แต่ช่วยเชื่อมรูปแบบที่ไม่คาดคิดกับคำถามที่นักวิจัยนำไปทดสอบได้ อย่างไรก็ดี งานที่เผยแพร่เป็นพรีพรินต์และยังไม่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ จุดแข็งคือมีทั้งข้อมูลและเครื่องมือเปิดให้ตรวจสอบ ทำซ้ำ หรือโต้แย้งได้ โดยเอเจนต์ทำงานโดยไม่เห็นข้อสรุปของแผนที่ต้นฉบับ ซึ่งช่วยลดโอกาสที่คำตอบจะเป็นเพียงการทวนผลเดิม ขั้นต่อไปจึงไม่ใช่การประกาศชัยชนะ แต่คือการตรวจว่าบทความที่อ้างถึงรองรับคำอธิบายจริงหรือไม่ แล้วทดสอบสมมติฐานในห้องทดลอง หากทำได้ เทคโนโลยีนี้จะเปลี่ยนบทบาทเครื่องจักรจากผู้ประมวลผลข้อมูลให้เป็นผู้ช่วยสร้างแนวทางค้นพบ โดยนักวิทยาศาสตร์ยังเป็นผู้ตัดสินว่าหลักฐานหนักแน่นพอหรือไม่







