ИИ-агенты ускоряют научные открытия, но создают новый дефицит - проверку гипотез
Машины гипотез меняют экономику научного поиска
Google DeepMind называет научных ИИ-агентов «машинами гипотез». Такие системы получают исследовательскую задачу, разбивают её на этапы, обращаются к базам данных и специализированным инструментам, запускают несколько параллельных процессов, сравнивают результаты и корректируют собственный план.
Их сильная сторона — масштаб перебора. Человеческая команда физически не может прочитать всю литературу по смежным областям, проверить тысячи возможных связей и последовательно рассмотреть миллионы кандидатов. Агент способен выполнить значительную часть этой работы автоматически.
В результате меняется стоимость первого этапа исследования. Сформулировать десятки правдоподобных гипотез становится дешевле. Найти среди них верную по-прежнему трудно.
Именно здесь проходит граница между убедительным ответом модели и научным результатом. Хорошо сформулированная гипотеза ещё не доказывает, что описанный механизм существует, препарат работает, материал обладает нужными свойствами, а математическое рассуждение не содержит скрытой ошибки.
Почему научные агенты стали полезнее именно сейчас
Рост возможностей объясняется сочетанием трёх факторов: более сильных базовых моделей, программной оболочки для управления их работой и настройки под конкретную лабораторию.
Современные модели лучше справляются с длинными рассуждениями и могут пересматривать промежуточные выводы перед ответом. Для науки ценен не столько результат на очередном тесте знаний, сколько способность сопоставлять сведения из разных дисциплин, выбирать подходящий инструмент и замечать противоречия в собственной работе.
Программная оболочка добавляет память, планирование, выполнение кода, поиск по литературе и доступ к научным базам. Вместо одного запроса исследователь получает процесс из нескольких этапов: одна часть системы предлагает идеи, другая критикует их, третья ранжирует, четвёртая проверяет источники.
Настройка под лабораторию позволяет перенести в агента рабочие инструкции, принятые методы анализа и требования к результатам. Часть неформального опыта исследователей можно оформить как набор правил или навыков. Полностью зафиксировать лабораторное мастерство таким способом пока нельзя: многое становится понятным лишь после лет практики, неудачных экспериментов и работы с конкретным оборудованием.
AI Co-Scientist уже предлагает гипотезы для биомедицины
Один из показательных примеров — многоагентная система AI Co-Scientist на базе Gemini. Она генерирует научные гипотезы, организует между ними своеобразный турнир, собирает критику и постепенно улучшает наиболее перспективные варианты.
Микробиолог Хосе Пенадес и его коллеги почти десять лет исследовали механизм распространения устойчивости к антибиотикам у некоторых бактерий. Когда учёный передал задачу агенту, система за два дня предложила пять объяснений. Первым оказался механизм, к которому команда Пенадеса пришла в ходе многолетней работы: бактерии используют элементы вирусов как своеобразные ключи для перехода между хозяевами.
В другом эксперименте система подбирала уже существующие препараты против фиброза печени. Два из трёх предложенных агентом кандидатов показали противофиброзную активность на живых клетках печени и помогли их восстановлению. Кандидаты, выбранные исследователем самостоятельно, такого результата не дали.
Эти случаи показывают реальную пользу агента: он способен поднять из литературы неочевидную связь и быстрее вывести исследователя к перспективному направлению. Они не подтверждают способность системы самостоятельно проводить полноценное открытие. Финальные выводы появились только после экспериментов с клетками и экспертной проверки.
AlphaEvolve ищет решения там, где можно автоматически считать результат
Наиболее уверенно научные агенты работают в задачах с понятной функцией оценки. Если качество кандидата можно быстро измерить кодом, система получает возможность многократно генерировать решения, отбрасывать слабые и улучшать сильные.
На этом принципе построен AlphaEvolve. Агент создаёт варианты алгоритмов, запускает их, сравнивает показатели и использует лучшие решения для следующего цикла поиска. Такой подход применяли при проектировании компонентов TPU, анализе геномных данных и работе над математическими задачами.
Здесь у агента есть преимущество, которого часто нет в биологии или химии: обратная связь приходит почти сразу. Алгоритм можно запустить, измерить скорость или точность и получить однозначную оценку.
За пределами вычислительных задач автоматическая оценка быстро заканчивается. Предложенный катализатор нужно синтезировать. Клеточную терапию необходимо проверить сначала в лаборатории, затем на животных и в клинических исследованиях. Хороший результат симуляции остаётся кандидатом, пока не встретится с физическим миром.
Генерация ускоряется сильнее, чем эксперимент
Научный процесс можно условно разделить на создание идей, поиск лучших кандидатов и проверку. ИИ заметно ускоряет первые два этапа, но гораздо слабее влияет на третий.
В математике и информатике часть проверки можно автоматизировать. Доказательство переводят в формальный язык и передают системе, которая подтверждает корректность каждого шага. Исследовательский агент Aletheia совмещает генерацию математических решений с их проверкой и доработкой. На первом соревновании FirstProof система решила шесть из десяти ранее не публиковавшихся задач по оценкам большинства экспертов.
Даже в математике возникает новый поток работы: людям приходится читать, понимать и оценивать машинные доказательства. Формальная корректность также не отвечает на вопросы о ценности результата, его новизне и связи с остальной областью.
В экспериментальных дисциплинах разрыв шире. Клетки растут с определённой скоростью. Химические реакции требуют времени. Телескопы, ускорители и лабораторные установки имеют ограниченную пропускную способность. Агент может за ночь предложить сотню направлений, но очередь к оборудованию от этого не исчезнет.
Слабое место научной автоматизации перемещается из производства идей в распределение ресурсов для их проверки.
Автономные лаборатории решают лишь часть проблемы
Один из очевидных ответов — автоматизированные лаборатории, где роботы готовят образцы, проводят измерения и передают результаты агенту. Такой контур позволяет быстро повторять цикл: гипотеза, эксперимент, анализ, новая гипотеза.
Подобную инфраструктуру развивают Google DeepMind, Ginkgo Bioworks, Lila Sciences и другие организации. DeepMind также создала лабораторию в британском Институте Фрэнсиса Крика для проверки гипотез, полученных с помощью ИИ.
Однако роботизированная лаборатория остаётся дорогим и специализированным объектом. Автоматизация хорошо работает с повторяемыми процедурами, но хуже подходит для экспериментов, где установку приходится постоянно перестраивать, а неожиданный результат требует вмешательства опытного специалиста.
Главной метрикой зрелости научного агента поэтому станет не число сгенерированных идей. Гораздо полезнее считать долю гипотез, которые выдержали независимую проверку, стоимость одного подтверждённого результата и количество ресурсов, потраченных на ошибочные направления.
Рецензирование рискует стать ещё более узким местом
ИИ снижает стоимость подготовки статьи или заявки на грант. Научные журналы и фонды могут получить больше текстов, причём внешне они будут выглядеть аккуратнее прежних. Качество изложения перестаёт помогать отличать сильную работу от слабой.
Проверяющим придётся анализировать происхождение гипотез, исходные данные, код, промежуточные шаги и роль человека в исследовании. Одной отметки «использовался ИИ» для этого недостаточно. Нужны записи о том, какие задачи выполнял агент, какие источники использовал, где исследователь вмешивался и как проверялись ключевые утверждения.
Рецензентам, вероятно, тоже потребуются агенты. Они могут искать противоречия, проверять ссылки, воспроизводить вычисления и сравнивать выводы с исходными данными. Запрет ИИ в рецензировании будет всё труднее поддерживать, особенно если авторы уже применяют такие системы на каждом этапе работы.
Опасность состоит в появлении замкнутого процесса, где одна система генерирует статью, другая её оценивает, а человек видит только итоговые баллы. Научная проверка требует прозрачности: исследователь должен иметь возможность восстановить ход работы и понять, почему агент сделал конкретный вывод.
Доступ к агентам может усилить старое научное неравенство
Если сильные исследовательские агенты станут важной частью работы, доступ к вычислениям превратится в такой же инфраструктурный вопрос, как доступ к суперкомпьютерам, лабораториям и научным базам.
Крупные университеты и технологические компании смогут запускать длинные агентские процессы, обслуживать собственные базы данных и оплачивать экспериментальную проверку. Небольшие лаборатории рискуют получить лишь урезанные инструменты или оказаться в зависимости от закрытых платформ.
Возможен и обратный эффект. Доступный агент способен помочь небольшой группе выполнить анализ, для которого раньше требовалась отдельная команда программистов и специалистов по данным. Итог будет зависеть от стоимости вычислений, условий доступа к моделям и наличия открытой научной инфраструктуры.
Финансирование одних лицензий не решит задачу. Агентам нужны структурированные данные, документированные API, вычислительные мощности и возможность передавать перспективные гипотезы в реальные лаборатории.
Учёным придётся учиться сомневаться в убедительных ответах
Научные агенты пока остаются ненадёжными в трудно заметных местах. Одна выдуманная ссылка или неверная предпосылка способна обесценить длинный отчёт, хотя остальные страницы будут выглядеть профессионально.
Системам нужна калиброванная оценка уверенности: агент должен показывать, какие части вывода опираются на надёжные данные, где есть спорные допущения и чего он не знает. AlphaFold оказался полезен исследователям в том числе благодаря оценкам уверенности для предсказанных структур. Перенести такой механизм на открытые научные рассуждения значительно сложнее.
Слишком осторожная модель будет пересказывать известное. Слишком смелая предложит больше оригинальных идей вместе с большим числом ошибок. Универсальной настройки между новизной и надёжностью пока нет.
Поэтому роль учёного не сводится к постановке задания агенту. Исследователь выбирает значимые вопросы, замечает странные результаты, проектирует проверку и решает, какому свидетельству доверять. Чем убедительнее становятся ответы моделей, тем важнее это профессиональное сомнение.
Научная инфраструктура должна догнать скорость моделей
ИИ-агенты способны сделать научные идеи дешёвыми и многочисленными. Проверка останется дорогой, медленной и зависимой от людей, оборудования и институтов. Этот дисбаланс будет определять реальный темп научного прогресса сильнее, чем очередной прирост результатов модели на тестах.
Наиболее полезными окажутся системы, встроенные в полный цикл исследования: они показывают источники, фиксируют неопределённость, передают гипотезы в воспроизводимый эксперимент и получают независимую обратную связь. Без такого контура агент производит интеллектуально привлекательные заготовки, а не подтверждённое знание.
Следующий этап развития ИИ для науки потребует инвестиций в лаборатории, данные, автоматическую проверку и рецензирование. Модели уже ускоряют сторону догадок. Теперь научной системе предстоит ускорить сторону доказательств.
