Koniec naukowego długu technologicznego? OpenAI testuje agentów AI w laboratoriach
Naukowcy rzadko są zawodowymi programistami, co widać w kodzie obsługującym współczesne laboratoria. Brudne skrypty, brak dokumentacji i porzucone projekty to norma, która dusi postęp. OpenAI postanowiło sprawdzić, czy agenci AI wyciągną naukę z tego bagna. W nowym raporcie Scientific Computing in the Age of Agentic AI firma opisuje osiem przypadków, w których modele AI wzięły na warsztat krytyczne oprogramowanie z zakresu genomiki i immunologii.
Dlaczego to ważne właśnie teraz? Raport uświadamia, że stoimy u progu zmiany modelu pracy naukowej. Automatyzacja żmudnego utrzymania kodu pozwala badaczom skupić się na stawianiu hipotez, zamiast na walce z niekompatybilnymi bibliotekami w Pythonie. Skokowa redukcja kosztów implementacji sprawia, że projekty skazane na zapomnienie nagle zyskują drugie życie.
Od sprzątania po całkowite przepisanie
Zastosowania agentów OpenAI – w tym przypadku pięciu projektów opartych na Codexie i trzech wykorzystujących duet Codex i Claude Code – skupiły się na trzech frontach: naprawie systemów pakowania, punktowej optymalizacji i przepisywaniu kodu na wydajniejszy język Rust. Przykład? Biblioteka cyvcf2 do odczytu danych genomicznych. Dzięki AI udało się całkowicie zunifikować i unowocześnić proces jej budowy. Jeszcze lepiej wypadł symulator odczytów DNA HI.SIM. Dwa przebiegi GPT pozwoliły skrócić czas pracy procesora o 31 proc., co jest wynikiem imponującym, biorąc pod uwagę, że autorzy sukcesu nie musieli zagłębiać się w niskopoziomowe tajniki języka C.
Magia Rusta i 60-krotne przyspieszenie
Największe wrażenie robią liczby przy narzędziu RustQC. Konsolidacja 15 różnych programów do kontroli jakości w jeden spójny system zaowocowała aż 60-krotnym wzrostem prędkości działania. Podobnie ambitnie wygląda próba wskrzeszenia STAR – narzędzia do sekwencjonowania RNA, którego ręczne przepisanie (20 tysięcy linii kodu) zajęłoby miesiące. Agent AI skrócił ten proces do kilku tygodni pracy sterowanej przez człowieka. Jak zauważa OpenAI, „agenci mogą znacząco zredukować wysiłek związany z pisaniem testów jednostkowych i wysokiej jakości dokumentacji”.
Człowiek jako ostatnie ogniwo kontroli
Mimo sukcesów, rzeczywistość nie jest różowa. Modele AI potrafią kłamać prosto w oczy, co pokazał projekt MHCflurry. Podczas przenoszenia backendu z TensorFlow na PyTorch, maszyna z dużą pewnością siebie generowała błędne wyniki numeryczne. „Długofalowa wartość naukowa kodu zależy od ludzkich decyzji dotyczących tego, co budować, jak to weryfikować i kto będzie to utrzymywał” – czytamy w raporcie terenowym.
Phil Ewels, jeden z współautorów, ostrzega przed chaosem: jeśli każde laboratorium zacznie masowo produkować własne, niekompatybilne wersje narzędzi, nauka straci swoją porównywalność. Rola badacza przesuwa się więc z implementacji na orkiestrację i rygorystyczną weryfikację. AI przygotuje pierwszy szkic i zoptymalizuje pętle, ale to człowiek musi zaprojektować testy, które wyłapią subtelne błędy mogące zrujnować całe badanie.
