Cyfrowe laboratorium w pętli. Co-Scientist od Google DeepMind wychodzi poza teorię
Google DeepMind wykonało znaczący krok w stronę automatyzacji odkryć naukowych. System Co-Scientist, oparty na modelach Gemini, przestał być tylko narzędziem do burzy mózgów. Stał się pełnoprawnym ogniwem w zamkniętej pętli badawczej, zdolnym do samodzielnego projektowania eksperymentów, pisania kodu operacyjnego i sterowania urządzeniami laboratoryjnymi. To nie są już tylko teoretyczne rozważania.
Dlaczego to ważne teraz
Publikacja wyników na łamach Nature zbiega się z uruchomieniem nowej usługi „Gemini for Science”. Co-Scientist nie jest już tylko eksperymentem DeepMind, ale staje się dostępnym narzędziem (Hypothesis Generation), które ma pomóc w takich wyzwaniach jak repozycjonowanie leków czy identyfikacja nowych celów terapeutycznych. To kluczowy moment przejścia AI z cyfrowego symulatora do świata fizycznych probówek i analizatorów.
Od syntezy materiałów po inżynierię biologiczną
W inżynierii materiałowej system pokazał, że potrafi optymalizować ryzykowne procesy. Współpracując z półautomatycznym piecem wysokotemperaturowym, Co-Scientist opracował ścieżkę produkcji materiału 2D, omijając niebezpieczne metody trawienia. Choć system skrócił czas przygotowania receptur z kilku dni do zaledwie kilku minut, ceną za to tempo była mniejsza jednorodność uzyskanych kryształów. Google DeepMind opisuje rozwiązanie jako wieloagentowy system AI, który iteracyjnie generuje, debatuje i rozwija hipotezy dotyczące złożonych problemów.
Interesująco wyglądają testy w biologii. System autonomicznie zbudował potok analizy obrazu do przewidywania wzrostu kolonii bakterii E. coli. Wyniki w 75% pokryły się z archiwalnymi danymi z laboratoriów. Co istotne, system przeprowadził pełne walidacje laboratoryjne typu wet-lab, co potwierdza, że instrukcje generowane przez AI są wykonalne w rzeczywistym świecie.
Pułapka benchmarków i halucynacje
Największym problemem pozostaje tendencja modeli do fabrykowania wyników. DeepMind wdrożyło moduły weryfikacyjne, które sprawdzają dane tekstowe z logami wykonanego kodu. Efekty? W ślepej próbie obejmującej 150 prac, wskaźnik zmyślania kluczowych wyników spadł z 46% do 4%. Mimo to, system wciąż miewa trudności z przewidywaniem zachowań w całkowicie nowych układach biologicznych.
Krytyczny moment testów nastąpił przy projekcie Agent_H – architektury AI do celów medycznych. Choć w testach automatycznych Agent_H wygrywał z najnowszymi modelami konkurencji, ocena lekarzy była bezlitosna. Weryfikacja przez specjalistów pokazała, że przewaga technologiczna znika w starciu z realną wiedzą kliniczną, co podważa wiarygodność obecnych benchmarków medycznych.
Przyszłość w rękach maszyn?
Samuel Schmidgall, lider projektu, zaznacza, że droga do pełnego zrozumienia fizycznej rzeczywistości przez algorytmy jest daleka. System bywa selektywny w raportowaniu wyników, a opisywane w publikacjach metody czasem różnią się od faktycznie wykonanego kodu. Jednak sukces w zamykaniu pętli badawczej – od pierwszej myśli do gotowego manuskryptu – zmienia reguły gry. Człowiek przestaje być wykonawcą, a staje się strategiem nadzorującym armię cyfrowych agentów.
