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.
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.
