Инфраструктура цифровых научных агентов

Предыдущий пост был о лабораториях, где ИИ замыкает цикл с физическим миром. Но рядом растёт другой, более простой, но широко распространяющийся класс систем — цифровые агенты для научной работы.

Они не синтезируют материал и не включают криостат. Зато читают литературу, работают с данными, пишут и запускают код, проводят вычислительные эксперименты, проверяют воспроизводимость и ведут журнал решений. Их называют AI Scientist, research agent, co-scientist или workbench — но суть одна: исследовательский процесс становится программируемым и частично агентным.

Недавний (далеко не первый и один из многих) пример с открытым кодом — OpenScience. Это не модель, которой предлагают «сделай открытие», а среда вокруг агента: файлы, терминал, Python/R, ноутбуки, научные базы, удалённые вычисления и параллельная делегация. В проекте задача сформулирована так: автоматизировать «настоящую работу, но не идею» — сбор данных, воспроизведение утверждений, проверку ссылок и подготовку методов.

Это не универсальные виртуальные учёные. Они возникают из признания, что исследование состоит из дорогих, повторяющихся и проверяемых операций. Если агент надёжно берёт часть из них, учёный может больше времени тратить на выбор вопроса, интерпретацию и проверку неожиданного.

Но именно «надёжно» — главный вопрос. YouRA исходит из неприятной проблемы: агент способен написать убедительную статью, но её утверждения могут разойтись с выполненными экспериментами. Авторы предлагают сохранять гипотезы, ссылки на доказательства, историю неудач и правила восстановления.

Другой необходимый слой — память об опыте. В EEM агент извлекает из вычислительных экспериментов повторно используемые записи. Если данных недостаточно, сперва запускает дешёвый пилотный эксперимент. Не просто делать больше попыток, а помнить, какие уже не стоило делать — пока редкая инженерная функция.

И даже корректные ссылки не гарантируют корректного вывода. Работа CESS показывает, как агентный поиск создаёт систематическое смещение: первые найденные статьи меняют следующие запросы, выбор документов и момент остановки. В результате отчёт может быть аккуратно процитирован, но нерепрезентативен для доступного корпуса. Значит, проверять нужно не только «правда ли эта ссылка подтверждает фразу», но и какие свидетельства поиск систематически не увидел.

В работе по теоретической физике одиночные агенты редко восстанавливали сложную формулу целиком; зато команда «руководитель + два агента» разделила аналитическую и численную работу, восстановила известный результат и получила новую проверенную формулу. Это не безошибочный ИИ-учёный, а новая форма организации вычислительного исследования.

Формируется не одна особенная система, а общий стек: модели, инструменты, память, данные, вычислительная среда, проверка артефактов и человек, отвечающий за цель и смысл результата. Одни команды открывают его как продукт; другие собирают внутренние инструменты и не рассказывают о них публично.

Поэтому важный тренд — не появление очередного «AI Scientist», а превращение исследовательской рутины в инфраструктуру, с которой ИИ может работать напрямую.

В физической лаборатории узкое место — получить новые факты о мире. В цифровом — не потерять связь между вопросом, кодом, данными, отрицательным результатом и выводом. Оба контура пока требуют человека, но уже меняют то, что значит «провести исследование».