ИИ-агентите превръщат научните открития в конвейер: хипотезите се генерират бързо и евтино, а изследователите просто не успяват да ги проверят. Според доклада на Google DeepMind „Conjecture Machines“ разликата между мигновения поток от научни предположения и бавната, скъпа физическа проверка ще продължава да се увеличава. Това ще изисква радикална реформа на цялата научна инфраструктура — от лабораториите до системата за рецензиране. Най-силно засегнати са младите учени — те се лишават от възможността да развият собствена научна преценка и интуиция.
За разлика от обичайните чатботове, ИИ-агентите са способни самостоятелно да планират постигането на дългосрочни цели. Те разбиват сложните задачи на подзадачи, стартират паралелни процеси, коригират собствените си грешки в реално време и взаимодействат с външния свят — от стартиране на бази данни до управление на лабораторни роботи. Като пример авторите посочват ИИ-агента Co-Scientist, който само за два дни успя самостоятелно да формулира и да определи приоритетите на сложна биологична хипотеза за разпространението на резистентността към антибиотици, за доказването на която на екипа от учени от Имперския колеж в Лондон са били необходими около десет години.
Неоспоримата ползаТри фактора допринасят за експлозивния ръст на полезността на такива системи: развитието на усъвършенствани базови AI модели, използването на структурираща програмна „скеле“ (scaffolding) и адаптирането към нуждите на конкретните лаборатории. Най-новите AI модели вече превъзхождат човешките експерти в най-сложните научни тестове за сравнителна оценка, като „Humanity’s Last Exam“ и „FrontierMath“, благодарение на технологиите за разсъждение. Специални софтуерни среди дават на моделите достъп до памет, научен софтуер и инструменти за търсене на литература. Освен това учените могат да пренесат личния си опит, натрупан през годините на практика, в прости текстови инструкции. Тези „набори от умения“ помагат на AI агента веднага да разбере спецификата на работата в конкретна лаборатория.
В резултат на това процесът на генериране на хипотези става невероятно евтин и масов. В същото време етапът на опровергаване или потвърждаване (валидиране) остава физически, бавен и скъп.
От автоматизиран анализ към реални откритияИзключение представляват математиката и програмирането, където верификацията може да се извършва изцяло виртуално. Въпреки това учените вече предупреждават за опасността от „математическо претоварване“, когато обемът на генерираните от ИИ доказателства започне да надхвърля способността на човешкото общество да ги осмисли.
В повечето други дисциплини обаче, от материалознанието до търсенето на лекарства, разривът между теорията на ИИ и практическата проверка бързо се увеличава. ИИ-агентът може мигновено да предложи верига от модификации на генома за борба със стареенето, но тя ще остане само хипотеза, докато биологичните клетки не бъдат отгледани в реална лаборатория. За да преодолеят тази пречка, технологични гиганти като Google DeepMind, Ginkgo Bioworks и Lila Sciences вече започнаха да инвестират в изграждането на скъпоструващи роботизирани „умни“ лаборатории.
Въвеждането на агенти е свързано със социални рискове. Първият — загуба на квалификация („де-скилинг“) сред младите учени. Ако начинаещите изследователи разчитат от самото начало на агентите, те няма да могат да развият собствена научна преценка и интуиция. Вторият — институциите могат да предпочетат да изразходват бюджетите си за изчислителни ресурси, а не за персонал. Трето — намаляване на оригиналността в заявленията за грантове и статиите поради оптимизиране на текста според критериите на фондовете. И накрая, неравенство: ако достъпът до най-добрите агенти бъде ограничен, разликата между богатите и бедните институции може да се задълбочи.
Политиците и фондоветеАвторите формулират четири приоритета за политиците и фондовете. Първият — да се осигури на учените широк достъп до агентите, сравним по стратегическа важност с достъпа до суперкомпютрите. Вторият — да се адаптират националните научни данни към агентите чрез отворени API с метаданни и контрол на качеството. Третият — да се инвестира в експериментална инфраструктура за валидиране, включително автоматизирани лаборатории. Четвъртият — да се реформира рецензирането: агентите могат да помогнат на рецензентите да се справят с лавината от публикации, но първо трябва да се изработят прозрачни правила за тяхното използване.
Окончателното заключение на доклада е следното: цялата научна инфраструктура — от лабораториите и грантовете до системата за рецензиране и кариерните пътища — изостава от темповете на развитие на изкуствения интелект. Авторите подчертават, че автоматизацията на научните изследвания в никакъв случай не трябва да се превърне в повод за съкращаване на бюджетите. Най-голяма полза ще извлекат онези страни, които първи ще започнат дълбока структурна трансформация на научните институции.