- 27,045
- 46
- 8 Ноя 2022
Журналы тонут в фейковых исследованиях. И виноват тот, на кого все возлагали надежды.
ИИ-учёные уже умеют предлагать гипотезы, искать лекарства и разбирать научные статьи быстрее человека, но две новые работы в <em>Nature</em> показывают важный предел: связный текст не заменяет полноценное исследование. В одной статье описан Co-Scientist от Google DeepMind, в другой статье представлен Robin от Future House. Наука требует экспериментов, точных данных, проверки результатов и понимания систем, которые нельзя описать одними словами.
Учёные всё чаще используют искусственный интеллект для поиска идей, обзора литературы и анализа больших массивов данных. Современные системы на базе больших языковых моделей позволяют работать с научными публикациями почти как с собеседником: задавать вопросы, сравнивать гипотезы и искать связи между разными областями знаний.
Проблема в том, что научное открытие не сводится к работе с текстом. Исследователь должен не только прочитать статьи, но и сформулировать проверяемую идею, выбрать метод, поставить эксперимент, оценить данные и понять, где модель могла ошибиться.
Часть команд уже пытается автоматизировать почти весь научный процесс. Sakana AI и другие разработчики создают системы, которые сами предлагают идеи, пишут код и оформляют статьи. Пока подобные проекты чаще работают в информатике, где эксперимент нередко сводится к созданию и запуску программы.
Конференция Agents4Science , прошедшая в Стэнфорде в октябре 2025 года, показала более широкий набор ИИ-работ: от машиностроения и дизайна белков до системы BadScientist , которая специально создавала убедительные, но научно несостоятельные исследования.
Рост автоматической науки уже тревожит специалистов. Исследователи фиксируют рост числа статей и рецензий при снижении качества, находят вымышленные ссылки и ошибочные изображения в публикациях. Чем проще выпускать правдоподобные тексты с помощью ИИ, тем труднее журналам, рецензентам и читателям отделять нормальную работу от научного шума.
Robin и Co-Scientist предлагают более осторожный подход: ИИ не заменяет учёного, а помогает ускорить отдельные этапы исследования. Обе платформы работают как многоагентные системы, где несколько специализированных агентов выполняют разные задачи, а управляющий агент координирует общую работу.
Co-Scientist имитирует абстрактные исследовательские действия. Один агент оценивает гипотезу как научный рецензент, другие сравнивают идеи в турнирах, где несколько языковых моделей обсуждают сильные и слабые стороны разных предположений. Система также умеет ранжировать собственные предложения по новизне и возможной пользе.
В одном эксперименте Co-Scientist выбрал 30 препаратов-кандидатов для лечения острого миелоидного лейкоза. Врачи уточнили список, после чего пять средств проверили в лаборатории. Три препарата показали положительный результат, а один кандидат выглядел особенно перспективным. При этом систему не сравнивали с узкими методами машинного обучения, которые десятилетиями развивались для поиска новых применений лекарств.
Robin нацелен на похожую задачу, но устроен практичнее. Система ищет новые применения уже известных препаратов, подбирает экспериментальные тесты и анализирует биомедицинские данные. В работе с сухой возрастной макулярной дегенерацией Robin предложил 30 кандидатов, учёные выбрали пять вариантов для проверки, а после нескольких раундов анализа два препарата признали перспективными.
Проверка Robin показала сильные и слабые стороны подхода. Агенты, которые разбирали прежние научные работы, справлялись лучше универсальных языковых моделей. Аналитический агент хуже отвечал на вопросы по статистике и биоинформатике и сильно зависел от подсказок специалистов.
Главное ограничение у Robin и Co-Scientist общее: системы не проверяют гипотезы через полноценные физические эксперименты без участия людей. Учёные всё равно формулируют главный вопрос, отсеивают сомнительные идеи, выбирают кандидатов для проверки и интерпретируют результаты.
ИИ уже помогает науке находить закономерности в данных и связывать разрозненные знания из публикаций. Но естественный диалог с моделью не делает научный поиск автоматически точным. Язык допускает неоднозначность, а эксперимент требует измерений, строгих определений и воспроизводимых результатов.
Следующий шаг для ИИ-систем в науке связан не с более гладкими ответами, а с опорой на реальные данные: геномные последовательности, белковые структуры, клеточные изображения и результаты лабораторных проверок. ИИ станет полезным соисследователем не тогда, когда научится красиво связывать фразы из статей, а когда сможет моделировать процессы, которые стоят за научными терминами.
ИИ-учёные уже умеют предлагать гипотезы, искать лекарства и разбирать научные статьи быстрее человека, но две новые работы в <em>Nature</em> показывают важный предел: связный текст не заменяет полноценное исследование. В одной статье описан Co-Scientist от Google DeepMind, в другой статье представлен Robin от Future House. Наука требует экспериментов, точных данных, проверки результатов и понимания систем, которые нельзя описать одними словами.
Учёные всё чаще используют искусственный интеллект для поиска идей, обзора литературы и анализа больших массивов данных. Современные системы на базе больших языковых моделей позволяют работать с научными публикациями почти как с собеседником: задавать вопросы, сравнивать гипотезы и искать связи между разными областями знаний.
Проблема в том, что научное открытие не сводится к работе с текстом. Исследователь должен не только прочитать статьи, но и сформулировать проверяемую идею, выбрать метод, поставить эксперимент, оценить данные и понять, где модель могла ошибиться.
Часть команд уже пытается автоматизировать почти весь научный процесс. Sakana AI и другие разработчики создают системы, которые сами предлагают идеи, пишут код и оформляют статьи. Пока подобные проекты чаще работают в информатике, где эксперимент нередко сводится к созданию и запуску программы.
Конференция Agents4Science , прошедшая в Стэнфорде в октябре 2025 года, показала более широкий набор ИИ-работ: от машиностроения и дизайна белков до системы BadScientist , которая специально создавала убедительные, но научно несостоятельные исследования.
Рост автоматической науки уже тревожит специалистов. Исследователи фиксируют рост числа статей и рецензий при снижении качества, находят вымышленные ссылки и ошибочные изображения в публикациях. Чем проще выпускать правдоподобные тексты с помощью ИИ, тем труднее журналам, рецензентам и читателям отделять нормальную работу от научного шума.
Robin и Co-Scientist предлагают более осторожный подход: ИИ не заменяет учёного, а помогает ускорить отдельные этапы исследования. Обе платформы работают как многоагентные системы, где несколько специализированных агентов выполняют разные задачи, а управляющий агент координирует общую работу.
Co-Scientist имитирует абстрактные исследовательские действия. Один агент оценивает гипотезу как научный рецензент, другие сравнивают идеи в турнирах, где несколько языковых моделей обсуждают сильные и слабые стороны разных предположений. Система также умеет ранжировать собственные предложения по новизне и возможной пользе.
В одном эксперименте Co-Scientist выбрал 30 препаратов-кандидатов для лечения острого миелоидного лейкоза. Врачи уточнили список, после чего пять средств проверили в лаборатории. Три препарата показали положительный результат, а один кандидат выглядел особенно перспективным. При этом систему не сравнивали с узкими методами машинного обучения, которые десятилетиями развивались для поиска новых применений лекарств.
Robin нацелен на похожую задачу, но устроен практичнее. Система ищет новые применения уже известных препаратов, подбирает экспериментальные тесты и анализирует биомедицинские данные. В работе с сухой возрастной макулярной дегенерацией Robin предложил 30 кандидатов, учёные выбрали пять вариантов для проверки, а после нескольких раундов анализа два препарата признали перспективными.
Проверка Robin показала сильные и слабые стороны подхода. Агенты, которые разбирали прежние научные работы, справлялись лучше универсальных языковых моделей. Аналитический агент хуже отвечал на вопросы по статистике и биоинформатике и сильно зависел от подсказок специалистов.
Главное ограничение у Robin и Co-Scientist общее: системы не проверяют гипотезы через полноценные физические эксперименты без участия людей. Учёные всё равно формулируют главный вопрос, отсеивают сомнительные идеи, выбирают кандидатов для проверки и интерпретируют результаты.
ИИ уже помогает науке находить закономерности в данных и связывать разрозненные знания из публикаций. Но естественный диалог с моделью не делает научный поиск автоматически точным. Язык допускает неоднозначность, а эксперимент требует измерений, строгих определений и воспроизводимых результатов.
Следующий шаг для ИИ-систем в науке связан не с более гладкими ответами, а с опорой на реальные данные: геномные последовательности, белковые структуры, клеточные изображения и результаты лабораторных проверок. ИИ станет полезным соисследователем не тогда, когда научится красиво связывать фразы из статей, а когда сможет моделировать процессы, которые стоят за научными терминами.
- Источник новости
- www.securitylab.ru
