ИИ-агенты превращают научные открытия в конвейер: гипотезы генерируются быстро и дёшево, а исследователи просто не успевают их проверять. Согласно докладу Google DeepMind «Conjecture Machines», разрыв между мгновенным потоком научных предположений и медленной, дорогой физической проверкой будет только увеличиваться. Это потребует радикальной реформы всей научной инфраструктуры — от лабораторий до системы рецензирования. Под основным ударом оказываются молодые ученые — они лишаются возможности развить собственное научное суждение и интуицию.
В отличие от привычных чат-ботов, ИИ-агенты способны самостоятельно планировать достижение долгосрочных целей. Они разбивают комплексные задачи на подпункты, запускают параллельные процессы, исправляют собственные ошибки в режиме реального времени и взаимодействуют с внешним миром — от запуска баз данных до управления лабораторными роботами. В качестве примера авторы приводят ИИ-агента Co-Scientist, который всего за два дня смог независимо сформулировать и приоритизировать сложную биологическую гипотезу о распространении устойчивости к антибиотикам, на доказательство которой у команды ученых из Имперского колледжа Лондона ушло около десяти лет.
Китай стал второй страной в мире, успешно вернувшей первую ступень ракеты-носителя
Взрывному росту полезности таких систем способствуют три фактора: развитие продвинутых базовых моделей ИИ, использование структурирующего программного «каркаса» (scaffolding) и кастомизация под нужды конкретных лабораторий. Новейшие ИИ-модели уже обходят людей-экспертов в сложнейших научных бенчмарках, таких как Humanity’s Last Exam и FrontierMath, благодаря технологиям рассуждения. Специальные программные оболочки дают моделям доступ к памяти, научному софту и инструментам поиска литературы. Кроме того, ученые могут переносить свой личный опыт, накопленный годами практики, в простые текстовые инструкции. Эти «наборы навыков» помогают ИИ-агенту сразу понять специфику работы конкретной лаборатории.
В результате процесс генерации гипотез становится невероятно дешевым и массовым. В то же время стадия опровержения или подтверждения (валидация) остается физической, медленной и дорогой.
Исключением можно назвать математику и программирование, где верификацию можно проводить полностью виртуально. Тем не менее, ученые уже предупреждают об угрозе «математического несварения», когда объемы генерируемых ИИ доказательств начнут превышать способность человеческого сообщества их осмыслить.
В большинстве же других дисциплин, от материаловедения до поиска лекарств, разрыв между теорией ИИ и практической проверкой стремительно увеличивается. ИИ-агент может мгновенно предложить цепочку модификации генома для борьбы со старением, но она останется лишь гипотезой, пока биологические клетки не вырастут в реальной лаборатории. Для преодоления этого барьера такие технологические гиганты, как Google DeepMind, Ginkgo Bioworks и Lila Sciences, уже начали инвестировать в строительство дорогостоящих роботизированных смарт-лабораторий.
Внедрение агентов сопряжено с социальными рисками. Первый — потеря квалификации («де-скиллинг») молодых учёных. Если исследователи-новички будут с самого начала полагаться на агентов, они не смогут развить собственное научное суждение и интуицию. Второй — институты могут предпочесть тратить бюджеты на вычислительные ресурсы, а не на персонал. Третий — снижение оригинальности в грантовых заявках и статьях из-за оптимизации текста под критерии фондов. Наконец, неравенство: если доступ к лучшим агентам будет ограничен, разрыв между богатыми и бедными институтами может усугубиться.
Авторы выводят четыре приоритета для политиков и фондов. Первый — обеспечить учёным широкий доступ к агентам, сравнимый по стратегической важности с доступом к суперкомпьютерам. Второй — адаптировать национальные научные данные под агентов через открытые API с метаданными и контролем качества. Третий — инвестировать в экспериментальную инфраструктуру для валидации, включая автоматизированные лаборатории. Четвёртый — реформировать рецензирование: агенты могут помочь рецензентам справляться с лавиной публикаций, но сначала нужно выработать прозрачные правила их использования.
Итоговый вывод доклада такой: вся научная инфраструктура — от лабораторий и грантов до системы рецензирования и карьерных путей — отстает от темпов развития ИИ. Авторы подчеркивают, что автоматизация исследований ни в коем случае не должна стать поводом для сокращения бюджетов. Наибольшую отдачу получат те страны, которые первыми запустят глубокую структурную трансформацию институтов науки.
Екатерина Шемякинская
SHAZOO
Больше интересных статей, новостей, обзоров здесь: https://t.me/mobilaser
