Co-Scientist от Google DeepMind: зачем науке агент, который спорит сам с собой
Co-Scientist работает на этапе до эксперимента
Co-Scientist - система Google DeepMind на базе Gemini для генерации, критики и отбора научных гипотез. В мае 2026 года Google DeepMind опубликовала исследование о системе в Nature и начала открывать доступ отдельным исследователям через эксперимент Hypothesis Generation в составе Gemini for Science. Доступ разворачивают постепенно. На странице Google Labs можно оставить заявку, публичного запуска для всех пользователей компания не объявляла.
Здесь Google целится в конкретную боль науки: литературы и данных стало больше, чем один исследователь способен нормально удерживать в голове. Обычный AI-поиск помогает найти и пересказать статьи. Co-Scientist берёт другую часть работы: формулирует возможные направления исследования, сравнивает их между собой, ищет слабые места и собирает план, который человек может проверить экспериментально.
Редакторски это важное различие. Маркетинг вокруг «ИИ-учёного» легко звучит так, будто модель сама делает открытие. В реальности Co-Scientist работает ближе к сильной исследовательской группе на раннем брейншторме: читает, спорит, отбраковывает, ранжирует, но не заменяет мокрую лабораторию, приборы, контрольные группы и человеческую ответственность за выводы.
Как Gemini превращают в группу исследовательских агентов
Архитектура Co-Scientist устроена как набор специализированных агентов.
- Generation agent предлагает начальные направления и гипотезы,
- Proximity agent группирует их,
- Reflection agent критикует идеи как виртуальный рецензент,
- Ranking agent проводит сравнения между гипотезами,
- Evolution agent уточняет сильные версии,
- Meta-review agent собирает итоговое исследовательское предложение.
Над этим работает supervisor agent, который планирует шаги и распределяет задачи между остальными агентами.
Самая выразительная часть системы - «турнир идей». Co-Scientist может перебирать тысячи направлений, сталкивать гипотезы попарно и ранжировать их по результатам внутренних научных дебатов. Google DeepMind пишет, что большая часть вычислений уходит на проверку утверждений по литературе и данным; система использует веб-поиск, специализированные базы вроде ChEMBL и UniProt, а в отдельных исследовательских коллаборациях может подключать AlphaFold.
Для читателя без биоинформатического бэкграунда это можно объяснить на пальцах. Учёный задаёт цель: например, найти возможный механизм болезни или подобрать направление для переиспользования известного препарата. Агентная система строит набор гипотез, ищет для них подтверждения и противоречия, отбрасывает слабые варианты и отдаёт человеку не один красивый ответ, а карту проверяемых направлений.
Nature показывает потенциал, но не закрывает вопрос надёжности
В Nature Co-Scientist описан как многоагентная система для структурированного научного мышления и генерации гипотез. В аннотации статьи говорится, что систему проверяли в трёх биомедицинских сценариях: переиспользование лекарств, поиск новых мишеней и объяснение механизмов антимикробной устойчивости. Среди заявленных результатов - кандидаты для острого миелоидного лейкоза, подтверждённые in vitro, и новые эпигенетические мишени для фиброза печени, проверенные на человеческих печёночных органоидах.
Эта часть сильнее обычной демонстрации в стиле «модель красиво рассуждает». Google показывает не только текстовые ответы агента, но и лабораторные проверки отдельных направлений. Например, в кейсе по фиброзу печени компания пишет, что один из найденных кандидатов заблокировал 91% реакции, связанной с рубцеванием, в лабораторных тестах. В других примерах система помогала с идеями по ALS, клеточному старению, метаболической болезни печени, инфекционным заболеваниям и биологии старения.
Ограничение здесь не прячется в мелком шрифте. Страница Nature указывает, что опубликована неотредактированная версия рукописи для раннего доступа к результатам, а Google DeepMind отдельно пишет:
Co-Scientist предназначен как партнёр в исследовании, а не замена научной или клинической экспертизе.
Это ключевая оговорка: убедительная гипотеза остаётся гипотезой, пока её не выдержали эксперименты, воспроизводимость и независимая проверка.
Gemini for Science превращает исследовательский прототип в продуктовую линейку
Co-Scientist теперь встроен в более широкую рамку Gemini for Science. Google описывает её как набор научных инструментов и экспериментов: Hypothesis Generation построен на Co-Scientist, Literature Insights использует NotebookLM для работы с научной литературой, Computational Discovery опирается на AlphaEvolve и Empirical Research Assistance для генерации и оценки вариантов кода.
Hypothesis Generation на странице Google Labs описан достаточно прикладно: исследователь уточняет задачу в диалоге со специализированным агентом, после чего система запускает турнир гипотез, связывает идеи с проверенной базой научных источников и помогает находить критические изъяны в направлениях, которые на первый взгляд выглядят перспективно. Это уже заготовка пользовательского продукта с понятным интерфейсом и сценарием применения.
Интерес Google понятен. Компания давно строит линию AI for Science вокруг AlphaFold, AlphaEvolve, медицинских и исследовательских моделей. Co-Scientist добавляет к этой линии агентный слой: не модель для одной научной операции, а система, которая помогает выбирать следующие шаги исследования.
Сильный сценарий - области с перегрузкой литературой
Co-Scientist наиболее убедительно выглядит в науках, где проблема лежит на пересечении огромной литературы, разрозненных баз данных и дорогих экспериментов. Биомедицина подходит идеально: ошибочный эксперимент может стоить месяцы работы, а вот хорошая гипотеза экономит реальные циклы лабораторной проверки.
Поэтому подбор кейсов многое говорит о стратегии Google. Фиброз печени, антимикробная устойчивость, ALS, старение и инфекционные заболевания - темы, где исследователь часто ищет связи между генами, белками, лекарствами, механизмами болезни и уже опубликованными результатами. В такой среде агент может быть полезен как фильтр и генератор направлений, особенно если умеет показывать не только финальную идею, но и цепочку источников, сомнений и отбракованных вариантов.
Слабый сценарий тоже очевиден. Если область плохо представлена в данных, если публикации противоречат друг другу, если эксперименты плохо воспроизводятся, агент может красиво собрать правдоподобную конструкцию вокруг слабой основы. Для научного инструмента это опаснее обычной галлюцинации в чат-боте: ошибка может выглядеть как стройный исследовательский план.
Безопасность становится частью научной функции
Google DeepMind отдельно выделяет безопасность Co-Scientist из-за компетенций системы в биологических и физических науках. Компания пишет, что проводила внутренние и внешние оценки, включая независимую проверку на риски misuse в CBRN-доменах - химических, биологических, радиологических и ядерных направлениях. По итогам добавлены специальные классификаторы для неэтичных исследовательских целей и опасной информации.
Этот блок важен как часть самой категории AI for Science. Чем лучше агент умеет находить рабочие гипотезы в биологии и химии, тем выше двойное назначение такого инструмента. Если Co-Scientist действительно масштабирует исследовательское мышление, система должна масштабировать и контроль: кто получает доступ, какие задачи блокируются, как фиксируются основания для ответа, кто несёт ответственность за использование результата.
Научный агент пока полезнее как усилитель команды
Co-Scientist стоит рассматривать как ранний пример научного агента, который переносит агентный подход из офисных задач и программирования в исследовательскую работу. Его сила - не в магическом «открытии истины», а в переборе, споре, проверке и ранжировании направлений, которые человек мог бы не успеть рассмотреть.
Для учёных такой инструмент может стать способом быстрее пройти путь от вопроса к списку экспериментов. Для индустрии ИИ он показывает более крупный сдвиг: модели начинают упаковывать не в чат, а в рабочие процессы с ролями, критикой, памятью о промежуточных версиях и проверяемыми артефактами. Успех Co-Scientist будет измеряться тем, сколько его гипотез переживут независимую лабораторную проверку и окажутся полезными за пределами кейсов Google.
