ਏਆਈ ਮਾਡਲ ਨਵੀਆਂ ਪ੍ਰੀਮੀਅਮ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਕਿਉਂ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ?

ਨਵੰਬਰ 2020 ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਵਿਸ਼ਵ COVID-19 ਮਹਾਂਮਾਰੀ ਨਾਲ ਜੂਝ ਰਿਹਾ ਸੀ, ਇੱਕ ਵੱਖਰੀ ਕਿਸਮ ਦੀ ਸਫਲਤਾ ਨੇ ਵਿਸ਼ਵਵਿਆਪੀ ਧਿਆਨ ਖਿੱਚਿਆ। ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਨੇ ਘੋਸ਼ਣਾ ਕੀਤੀ ਕਿ ਇਸਦੇ ਅਲਫਾਫੋਲਡ ਮਾਡਲ ਨੇ ਪ੍ਰੋਟੀਨ-ਫੋਲਡਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਦਿੱਤਾ ਹੈ, ਜੋ ਕਿ ਜੀਵ ਵਿਗਿਆਨ ਦੀਆਂ ਸਭ ਤੋਂ ਜ਼ਿੱਦੀ ਪਹੇਲੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸ ਘੋਸ਼ਣਾ ਨੂੰ ਚੰਦਰਮਾ ‘ਤੇ ਉਤਰਨ ਦੇ ਵਿਗਿਆਨਕ ਬਰਾਬਰ ਮੰਨਿਆ ਗਿਆ। ਨਿਊਜ਼ਰੂਮ ਨੇ ਇਸ ਨੂੰ ਇੱਕ ਕ੍ਰਾਂਤੀ ਕਿਹਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਮਾਰਕੀਟ ਵਿੱਚ ਨਵੀਆਂ ਦਵਾਈਆਂ ਲਿਆ ਸਕਦਾ ਹੈ।

ਪਰ ਅੱਧਾ ਦਹਾਕਾ ਬੀਤ ਜਾਣ ਦੇ ਬਾਵਜੂਦ ਨਵੇਂ ਇਲਾਜਾਂ ਦਾ ਹੜ੍ਹ ਨਹੀਂ ਆਇਆ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਵਿੱਚ ਅਰਬਾਂ ਡਾਲਰਾਂ ਦੇ ਨਿਵੇਸ਼ ਦੇ ਬਾਵਜੂਦ, ਡਰੱਗ ਦੀ ਖੋਜ ਇੱਕ ਹੌਲੀ ਅਤੇ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਬਣੀ ਹੋਈ ਹੈ। ਇਹ ਵਿਰੋਧਾਭਾਸ ਵਿਸ਼ਲੇਸ਼ਕ ਜੈਕ ਸਕੈਨਲ, ਐਲੇਕਸ ਬਲੈਂਕਲੇ, ਹੈਲਨ ਬੋਲਡਨ, ਅਤੇ ਬ੍ਰਾਇਨ ਵਾਰਿੰਗਟਨ ਨੇ ਈਰੂਮ ਦੇ ਕਾਨੂੰਨ ਨੂੰ ਕਿਹਾ ਹੈ। 2012 ਪੇਪਰ,

ਮਾਤਰਾ-ਗੁਣਵੱਤਾ ਬੇਮੇਲ

ਜਦੋਂ ਗੋਰਡਨ ਮੂਰ ਨੇ 1965 ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ ਕਿ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਹਰ ਦੋ ਸਾਲਾਂ ਵਿੱਚ ਦੁੱਗਣੀ ਹੋ ਜਾਵੇਗੀ ਜਦੋਂ ਕਿ ਲਾਗਤ ਅੱਧੀ ਰਹਿ ਜਾਂਦੀ ਹੈ, ਉਸਨੇ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਵਿੱਚ ਤਰੱਕੀ ਦੀ ਹੈਰਾਨੀਜਨਕ ਗਤੀ ਨੂੰ ਹਾਸਲ ਕੀਤਾ – ਇੱਕ ਨਿਯਮ ਜਿਸ ਨੂੰ ਮੂਰਜ਼ ਲਾਅ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਪਰ ਮੈਡੀਕਲ ਸਾਇੰਸ ਵਿੱਚ ਇਸ ਦੇ ਉਲਟ ਹੋਇਆ ਹੈ। ਯੂਰਮ ਦਾ ਕਾਨੂੰਨ (‘ਮੂਰ’ ਦਾ ਸਪੈਲਿੰਗ ਪਿੱਛੇ ਵੱਲ ਕੀਤਾ ਗਿਆ ਹੈ) ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਪ੍ਰਤੀ ਬਿਲੀਅਨ ਡਾਲਰ ਖਰਚੇ ਜਾਣ ਵਾਲੀਆਂ ਨਵੀਆਂ ਦਵਾਈਆਂ ਦੀ ਗਿਣਤੀ ਦਹਾਕਿਆਂ ਤੋਂ ਲਗਾਤਾਰ ਘਟ ਰਹੀ ਹੈ।

ਅੱਜ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੁਧਾਰ ਕੀਤੇ ਕੰਪਿਊਟਰਾਂ, ਲੈਬਾਂ ਅਤੇ ਐਲਗੋਰਿਥਮਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਬਾਵਜੂਦ, ਕਿਸੇ ਦਵਾਈ ਨੂੰ ਮਾਰਕੀਟ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਲਾਗਤ 1970 ਦੇ ਦਹਾਕੇ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਵੱਧ ਹੈ। ਸੰਖੇਪ ਵਿੱਚ, ਚਿਪਸ ਵਧ ਗਏ ਹਨ ਪਰ ਗੋਲੀਆਂ ਹੌਲੀ ਹੋ ਗਈਆਂ ਹਨ।

ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੀ ਖੋਜ ਵਿੱਚ, ਹਰੇਕ ਨਵਾਂ ਇਲਾਜ ਇੱਕ ਅਨੁਮਾਨ, ਇੱਕ ਪੜ੍ਹੇ-ਲਿਖੇ ਵਿਚਾਰ ਜਾਂ ਅੰਦਾਜ਼ੇ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ ਕਿ ਇੱਕ ਅਣੂ ਬਿਮਾਰੀ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਦਹਾਕਿਆਂ ਤੋਂ, ਅਸਲ ਰੁਕਾਵਟ ਕਦੇ ਵੀ ਪਰਿਕਲਪਨਾ ਦੀ ਮਾਤਰਾ ਨਹੀਂ ਰਹੀ ਪਰ ਗੁਣਵੱਤਾ ਹੈ। ਏਆਈ ਦੇ ਆਗਮਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਲੱਖਾਂ ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਵਿਚਾਰ ਪੈਦਾ ਕੀਤੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਕਿਤੇ ਨਹੀਂ ਗਏ। ਅੱਜ ਦੇ ਏਆਈ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਨਾਲ, ਇਹ ਸੰਖਿਆ ਅਰਬਾਂ ਤੱਕ ਵਧ ਗਈ ਹੈ, ਫਿਰ ਵੀ ਅਨੁਮਾਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀਂ ਹੋਇਆ ਹੈ। ਐਲਗੋਰਿਦਮ ਅਨੁਮਾਨਾਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧਾ ਸਕਦੇ ਹਨ ਪਰ ਉਹਨਾਂ ਨੂੰ ਅਨੁਭਵ ਜਾਂ ਕਲਪਨਾ ਨਾਲ ਜੋੜ ਕੇ ਗੁਣਵੱਤਾ ਨੂੰ ਨਹੀਂ ਵਧਾ ਸਕਦੇ। ਮਾਤਰਾ ਤੋਂ ਗੁਣਵੱਤਾ ਤੱਕ ਦੀ ਛਾਲ ਇੱਕ ਵਿਲੱਖਣ ਤੌਰ ‘ਤੇ ਮਨੁੱਖੀ ਅਧਿਕਾਰ ਹੈ।

ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਹਫੜਾ-ਦਫੜੀ

ਐਲਫਾਫੋਲਡ ਵਰਗੀਆਂ ਡੂੰਘੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਏਆਈ ਪੈਟਰਨਾਂ ‘ਤੇ ਪ੍ਰਫੁੱਲਤ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਡੇਟਾ ਦੇ ਅੰਦਰ ਸਪਸ਼ਟ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਰਿਸ਼ਤੇ ਲੁਕੇ ਹੁੰਦੇ ਹਨ। ਪ੍ਰੋਟੀਨ-ਫੋਲਡਿੰਗ ਸਮੱਸਿਆ ਇਸ ਲਈ ਇੱਕ ਸੰਪੂਰਣ ਫਿੱਟ ਸੀ. 2015 ਤੱਕ, ਵਿਗਿਆਨੀਆਂ ਨੇ ਐਕਸ-ਰੇ ਕ੍ਰਿਸਟਲੋਗ੍ਰਾਫੀ, ਫਲੋਰੋਸੈਂਸ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ, ਅਤੇ ਪ੍ਰੋਟੀਨ ਨਿਊਕਲੀਅਰ ਮੈਗਨੈਟਿਕ ਰੈਜ਼ੋਨੈਂਸ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੰਜ ਦਹਾਕਿਆਂ ਦੇ ਮਨੁੱਖੀ ਯਤਨਾਂ ਰਾਹੀਂ 1.5 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਨੂੰ ਮੈਪ ਕੀਤਾ ਸੀ।

ਇੱਥੇ ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਸਵਾਲ ਸੀ, ਇੱਕ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟ, ਅਤੇ ਇੱਕ ਵਿਚਾਰ ਸੀ ਕਿ ਸਹੀ ਜਵਾਬ – ਸਾਰੇ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਸੰਕਲਪਿਤ – ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ ਅਲਫਾਫੋਲਡ ਦੀ ਸਫਲਤਾ ਇੱਕ ਹੁਸ਼ਿਆਰ ਵਿਦਿਆਰਥੀ ਵਰਗੀ ਸੀ ਜਿਸਨੇ NEET ਜਾਂ UPSC ਵਰਗੀ ਰਾਸ਼ਟਰੀ ਪ੍ਰਵੇਸ਼ ਪ੍ਰੀਖਿਆ ਵਿੱਚ ਟਾਪ ਕੀਤਾ ਸੀ। ਸਵਾਲ ਮੁਸ਼ਕਲ ਸਨ ਪਰ ਅਨੁਮਾਨ ਲਗਾਉਣ ਯੋਗ ਸਨ; ਕੋਰਸ ਵਿਸ਼ਾਲ ਪਰ ਮਸ਼ਹੂਰ ਸੀ; ਅਤੇ ਮਨੁੱਖੀ ਆਧਾਰ ਦੇ ਸਾਲਾਂ ਨੇ ਕੋਚਿੰਗ ਸਮੱਗਰੀ ਤਿਆਰ ਕੀਤੀ ਸੀ। ਕਾਫ਼ੀ ਗਣਨਾਤਮਕ ਅਭਿਆਸ ਨਾਲ, ਵਿਦਿਆਰਥੀ ਚੋਟੀ ਦਾ ਦਰਜਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਡਰੱਗ ਦੀ ਖੋਜ ਇੱਕ ਟੈਸਟ ਨਹੀਂ ਹੈ; ਇਹ ਖੋਜ ਦਾ ਕੰਮ ਹੈ। ਇਹ ਇੱਕ ਕ੍ਰਿਕੇਟ ਟੈਲੇਂਟ ਸਕਾਊਟ ਵਰਗਾ ਹੈ ਜੋ ਇੱਕ ਧੂੜ ਭਰੇ ਪਿੰਡ ਦੇ ਮੈਦਾਨ ਵਿੱਚ ਆਪਣੀ ਆਈਪੀਐਲ ਟੀਮ ਲਈ ਭਵਿੱਖ ਵਿਰਾਟ ਕੋਹਲੀ ਨੂੰ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜਾਂ ਇੱਕ ਰਾਜਨੀਤਿਕ ਵਿਸ਼ਲੇਸ਼ਕ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਭਾਰਤ ਦਾ ਅਗਲਾ ਪ੍ਰਧਾਨ ਮੰਤਰੀ ਕੌਣ ਬਣ ਸਕਦਾ ਹੈ। ਇਸਦਾ ਕੋਈ ਨਿਸ਼ਚਿਤ ਪੈਟਰਨ ਨਹੀਂ ਹੈ, ਕੋਈ ਨਿਰਧਾਰਤ ਪਾਠਕ੍ਰਮ ਨਹੀਂ ਹੈ, ਅਤੇ ਕੋਈ ਭਰੋਸੇਯੋਗ ਕੋਚਿੰਗ ਮੈਨੂਅਲ ਨਹੀਂ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਜੰਗਲ ਵਿਚ ਜਿਸ ਵਿਚ ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੀ ਖੋਜ ਚਲਦੀ ਹੈ, ਬੇਤਰਤੀਬਤਾ ਹਾਵੀ ਹੁੰਦੀ ਹੈ।

ਦੁਰਘਟਨਾਵਾਂ ਬਨਾਮ ਐਲਫਾਫੋਲਡ

ਪੈਨਿਸਿਲਿਨ ਦੀ ਖੋਜ ਇਸ ਲਈ ਹੋਈ ਕਿਉਂਕਿ ਅਲੈਗਜ਼ੈਂਡਰ ਫਲੇਮਿੰਗ ਆਪਣੀ ਪੈਟਰੀ ਡਿਸ਼ ਨੂੰ ਢੱਕਣਾ ਭੁੱਲ ਗਿਆ ਸੀ। ਇਨਸੁਲਿਨ ਦੀ ਖੋਜ ਫਰੈਡਰਿਕ ਬੈਂਟਿੰਗ ਅਤੇ ਚਾਰਲਸ ਬੈਸਟ ਦੁਆਰਾ ਕੁੱਤਿਆਂ ‘ਤੇ ਕੀਤੇ ਗਏ ਗੜਬੜ ਪ੍ਰਯੋਗਾਂ ਦੀ ਇੱਕ ਲੜੀ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਸੀ, ਜੋ ਸਿਰਫ਼ ਪੈਨਕ੍ਰੀਅਸ ਐਬਸਟਰੈਕਟ ਨੂੰ ਅਲੱਗ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਸਨ। ਪੈਰਾਸੀਟਾਮੋਲ 19ਵੀਂ ਸਦੀ ਦੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੋਟਬੁੱਕ ਵਿੱਚ ਇੱਕ ਗਲਤ ਪਛਾਣ ਤੋਂ ਉਤਪੰਨ ਹੋਇਆ ਸੀ, ਅਤੇ ਡਾਇਬੀਟੀਜ਼ ਵਿੱਚ ਇਸਦੀ ਭੂਮਿਕਾ ਨੂੰ ਸਮਝਣ ਤੋਂ ਪਹਿਲਾਂ ਫਲੂ ਦੇ ਇਲਾਜ ਲਈ ਮੈਟਫੋਰਮਿਨ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਸੀ।

ਅੱਜ ਦਾ ਸੰਸਾਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨੈਤਿਕ ਅਤੇ ਸਾਵਧਾਨ ਹੈ, ਅਤੇ ਸਹੀ ਵੀ ਹੈ। ਹਰੇਕ ਅਣੂ ਨੂੰ ਮਰੀਜ਼ਾਂ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਸਖ਼ਤ ਪ੍ਰੀਕਲੀਨਿਕਲ ਟੈਸਟਾਂ ਅਤੇ ਮਲਟੀ-ਫੇਜ਼ ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਵਿੱਚੋਂ ਲੰਘਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਸਾਵਧਾਨੀ, ਜਦੋਂ ਕਿ ਜ਼ਰੂਰੀ ਹੈ, ਨੇ ਖੋਜ ਦੀ ਯਾਤਰਾ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੱਤਾ ਹੈ. ਪਹਿਲੇ ਵਿਗਿਆਨੀ ਸਾਪੇਖਿਕ ਆਜ਼ਾਦੀ ਨਾਲ ਜੰਗਲੀ ਵਿਚਾਰਾਂ ਦੀ ਪਰਖ ਕਰ ਸਕਦੇ ਸਨ; ਅੱਜ ਦੇ ਖੋਜਕਰਤਾ ਕਾਗਜ਼ੀ ਕਾਰਵਾਈਆਂ ਅਤੇ ਜੋਖਮ ਮੁਲਾਂਕਣਾਂ ਦੇ ਪਹਾੜਾਂ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ ਜਦੋਂ ਵੀ AI ਇੱਕ ਸ਼ਾਨਦਾਰ ਅਣੂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦਾ ਹੈ, ਨੁਸਖ਼ੇ ਵਾਲੀ ਬੋਤਲ ਦਾ ਰਸਤਾ ਇੱਕ ਲੰਬਾ ਅਤੇ ਔਖਾ ਮੈਰਾਥਨ ਰਹਿੰਦਾ ਹੈ।

ਅਲਫਾਫੋਲਡ ਇੱਕ ਗਣਨਾਤਮਕ ਚੁਣੌਤੀ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਸਫਲ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਸੀਮਤ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਰਿਹਾ ਸੀ: ਇੱਕ ਜਿੱਥੇ ਨਿਯਮ ਮੌਜੂਦ ਸਨ ਅਤੇ ਮਨੁੱਖੀ ਵਿਗਿਆਨੀਆਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਖੇਤਰ ਨੂੰ ਮੈਪ ਕੀਤਾ ਸੀ। ਯਕੀਨੀ ਤੌਰ ‘ਤੇ, AI ਦਵਾਈ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਣਾ ਜਾਰੀ ਰੱਖੇਗਾ, ਜਿਸ ਵਿੱਚ ਸਕ੍ਰੀਨਿੰਗ, ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ, ਅਤੇ ਡਰੱਗ ਰੀਪਰਪੋਜ਼ਿੰਗ ਸ਼ਾਮਲ ਹੈ। ਪਰ ਇਹ ਉਮੀਦ ਕਰਨਾ ਕਿ ਉਹ ਇਕੱਲੇ-ਇਕੱਲੇ ਨਵੇਂ ਇਲਾਜ ਤਿਆਰ ਕਰੇਗਾ ਜਾਂ ਵਿਕਸਿਤ ਕਰੇਗਾ ਮੂਰਖਤਾ ਹੈ। AI ਉੱਤਮ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਉਹਨਾਂ ਪ੍ਰਸ਼ਨਾਂ ਦੁਆਰਾ ਮਾਰਗਦਰਸ਼ਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਮਨੁੱਖ ਪਹਿਲਾਂ ਹੀ ਪੁੱਛਣ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਲਈ ਜਾਣਦੇ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਇਸਦੇ ਜਵਾਬ ਸਹੀ ਅਤੇ ਭਰੋਸੇਮੰਦ ਹਨ। ਵਧੇਰੇ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ, AI ਇੱਕ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਨਾਲ ਗਿਆਨ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਪਰ ਇਸਦੀ ਕਲਪਨਾ ਜਾਂ ਰਚਨਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਸ ਲਈ ਜਦੋਂ ਇਹ ਦਵਾਈ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਣਾ ਜਾਰੀ ਰੱਖੇਗਾ, ਜਿਸ ਵਿੱਚ ਸਕ੍ਰੀਨਿੰਗ, ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ ਅਤੇ ਡਰੱਗ ਰੀਪਰਪੋਜ਼ਿੰਗ ਸ਼ਾਮਲ ਹੈ, ਇਹ ਆਪਣੇ ਆਪ ਨਵੇਂ ਇਲਾਜ ਬਣਾਉਣ ਜਾਂ ਵਿਕਸਤ ਕਰਨ ਦੀ ਉਮੀਦ ਕਰਨਾ ਮੂਰਖਤਾ ਹੋਵੇਗੀ।

ਜਿਵੇਂ ਕਿ ਇਤਿਹਾਸ ਦਰਸਾਉਂਦਾ ਹੈ, ਦਵਾਈ ਵਿੱਚ ਹਰ ਵੱਡੀ ਛਾਲ, ਇਨਸੁਲਿਨ ਤੋਂ ਪੈਰਾਸੀਟਾਮੋਲ ਤੱਕ, ਮਨੁੱਖੀ ਮਨ ਦੇ ਅੰਕੜਿਆਂ ਤੋਂ ਪਰੇ ਭਟਕਣ ਲਈ ਤਿਆਰ ਹੋਣ ਨਾਲ ਸ਼ੁਰੂ ਹੋਈ।

(ਨੋਟ: ਇੱਥੇ ਵਰਣਿਤ AI ਸਮਰੱਥਾਵਾਂ ਨਵੰਬਰ 2025 ਤੱਕ ਹਨ।)

ਡਾ. ਸੀ. ਅਰਵਿੰਦਾ ਇੱਕ ਅਕਾਦਮਿਕ ਅਤੇ ਜਨਤਕ ਸਿਹਤ ਡਾਕਟਰ ਹਨ। ਪ੍ਰਗਟਾਏ ਵਿਚਾਰ ਨਿੱਜੀ ਹਨ।