🤩 В Nature опубликовали сразу три работы об ИИ-инструментах для науки

Представили агента Robin (FutureHouse), который автоматизирует весь цикл от гипотезы до анализа данных и уже нашел кандидатов для лечения возрастной дегенерации сетчатки. Еще опубликовали информацию о сервисе Empirical Research Assistance, который пишет научный код под конкретную задачу.

Самая масштабная работа — о Co-Scientist. Это не языковая модель с набором ролевых промптов, а мультиагентная система на базе Gemini, где пять специализированных агентов делают разные части работы:

➡️ Generation agent предлагает области исследования и первичные гипотезы на основе литературы и структурированных баз данных.
➡️ Proximity agent кластеризует гипотезы — чтобы система не схлопывалась в одну линию мышления и покрывала пространство поиска шире.
➡️ Reflection agent играет роль рецензента: критикует каждую гипотезу на корректность, новизну и строгость.
➡️ Ranking agent проводит «турнир идей» — попарные сравнения и симулированные научные дебаты .
➡️ Evolution agent дорабатывает, рекомбинирует и расширяет лучшие гипотезы.

Три верифицированных кейса проведенных исследований из статьи:

1️⃣ Острый миелоидный лейкоз: система предложила репозиционирование существующего препарата для лечения AML. Лабораторное подтверждение получено.

2️⃣ Фиброз печени: предложены новые терапевтические мишени. Проверка идёт.

3️⃣ Антимикробная резистентность: это самый показательный кейс. Исследовательская группа попросила Co-Scientist изучить, как cf-PICIs (капсид-образующие фаговые острова) существуют сразу в нескольких видах бактерий. Это была тема их недавнего, но ещё не опубликованного открытия. Система независимо предположила: cf-PICIs взаимодействуют с разными фаговыми хвостами, расширяя круг хозяев. Именно это учёные только что открыли сами.

Что еще можно исследовать?

➡️ Drug repurposing — поиск новых применений существующих препаратов: самый быстрый путь к клинике, препарат уже проверен на безопасность.

➡️ AMR — механизмы распространения резистентности, которые требуют синтеза микробиологии, экологии и эволюции одновременно.

➡️ Онкология — комбинации мишеней в сложных раках, где один специалист физически не может держать в голове всю литературу.

➡️ Редкие болезни — малоизученные области, где Co-Scientist может стать первым систематическим «читателем» всего, что написано.

Основная критика: что может пойти не так

Агент-рецензент и агент-генератор — это один и тот же Gemini. Никакой подлинной эпистемической независимости между ними нет. Система судит собственные идеи собственными же паттернами.

Ранжирование гипотез элегантно, но нет гарантии, что «победившие» гипотезы верны, а не просто хорошо сформулированы.

Кейс с cf-PICIs впечатляет, но допускает два прочтения: либо подлинное независимое открытие, либо сложное сопоставление паттернов из публичной литературы, которую учёные сами же цитировали ранее. Разграничить их без дополнительных экспериментов невозможно.

Co-Scientist генерирует гипотезы — и на этом останавливается. Wet-lab шаг по-прежнему требует людей. Для областей с небольшой или разрозненной литературой система работает хуже: ей просто не на чем рассуждать.

Главная ценность Co-Scientist — это не замена учёного, а преодоление специализации. Биолог читает биологию. Химик читает химию. Co-Scientist может мгновенно синтезировать литературу из трёх областей и предложить гипотезу на стыке.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться