Сразу две исследовательские команды — из Google DeepMind и стартапа FutureHouse — научили искусственный интеллект читать тысячи научных статей, устраивать дебаты между собственными субличностями и находить новые применения старым лекарствам. Однако успешные тесты в пробирке еще не делают нейросеть полноценным кандидатом наук: языковые модели всё еще остаются заложниками слов и пасуют перед суровой физической реальностью.
Анализ больших данных давно стал обыденностью в науке, но автоматизация самого процесса мышления и поиска новых гипотез — это Святой Грааль. В мае 2026 года журнал Nature опубликовал сразу несколько статей, которые показывают, как далеко продвинулись технологии. Две из них описывают системы Co-Scientist и Robin — мультиагентные нейросети, способные брать на себя роль полноправных партнеров в лаборатории.
Поддержать нас на Boosty
Поддержать нас на Дзен
Мультиагентность означает, что вместо одного чат-бота, которому поручают придумать гениальную идею, работают сразу несколько специализированных алгоритмов. Это напоминает виртуальную планерку: один «сотрудник» лопатит литературу, другой генерирует дикие гипотезы, третий выступает в роли безжалостного рецензента, а четвертый координирует проект.
Проект Co-Scientist от Google DeepMind построен на базе модели Gemini. Его главная фишка — механизм эволюции идей. Нейросеть не просто выдает первый попавшийся ответ. «Агенты-генераторы» создают множество гипотез, а затем устраивают настоящие турниры. Системы спорят о том, какая идея лучше, оценивая их потенциальную новизну и проверяемость. Для определения победителя используется рейтинг Эло — та самая математическая система, по которой оценивают силу игроков в шахматах или подбирают соперников в многопользовательских видеоиграх.
Чем больше вычислительных мощностей отдают системе, тем качественнее становятся итоговые гипотезы. И это не просто теоретическое упражнение. Чтобы проверить Co-Scientist в деле, ученые натравили его на поиск лекарств от острого миелоидного лейкоза (агрессивного вида рака крови). Искусственный интеллект предложил список кандидатов, живые онкологи отобрали самые перспективные, и их протестировали in vitro (на культурах человеческих клеток в пробирке). Один из предложенных вариантов — ингибитор KIRA6 — показал отличную избирательность: он уничтожал раковые клетки, почти не трогая здоровые лимфобласты.
Кроме того, всего за два дня вычислений Co-Scientist смог с нуля «переоткрыть» еще не опубликованные данные о том, как бактерии обмениваются генами антибиотикорезистентности.
Вторая система, Robin от некоммерческой организации FutureHouse, заточена на конкретную задачу: поиск новых применений для уже существующих лекарств (drug repurposing). Ей дали задание найти способ лечения сухой формы возрастной макулярной дегенерации — распространенной причины потери зрения.
Robin проанализировал 551 научную публикацию всего за 30 минут. В итоге искусственный интеллект предложил использовать рипасудил — препарат, который обычно назначают от глаукомы и никогда не рассматривали для этой болезни. Эксперименты на первичных человеческих стволовых клетках сетчатки подтвердили догадку машины: лекарство действительно почти в два раза усилило нужные механизмы клеточной очистки (фагоцитоз). Чтобы закрепить успех, Robin самостоятельно спланировал схему последующего генетического эксперимента (RNA-seq) и проанализировал его результаты, выявив конкретный ген-мишень (ABCA1).
Для сравнения, хваленый алгоритм Deep Research от OpenAI в аналогичном бенчмарке не выдал ни одной полезной зацепки.
Казалось бы, пора отменять гранты и отдавать науку машинам. Но профессор Карин Верспур, анализируя эти прорывы, призывает к сдержанности. Обе системы впечатляют, но работают исключительно в языковой среде.
Наука опирается не только на стройный текст. Она соткана из сырых, грязных данных, шума измерительных приборов и физических нестыковок. Новые ИИ-модели взаимодействуют с миром через слова, а слова часто бывают многозначными и неточными. Языковая модель может написать блестяще аргументированную гипотезу, которая разобьется о банальную химическую несовместимость элементов в реальной лабораторной колбе.
Попытки полностью доверить науку искусственному интеллекту уже приводили к курьезам. На конференции Agents4Science демонстрировалась система BadScientist, которая целенаправленно генерировала «убедительные, но фундаментально ошибочные» исследования. Искусственный интеллект способен выдумывать несуществующие ссылки на литературу и мастерски обосновывать ложные выводы так, что живой рецензент может не заметить подвоха. Да и сами создатели Robin признают, что их аналитический агент начинал серьезно буксовать на сложной статистике и биоинформатике, если оператор-человек не подкидывал ему спасительные подсказки.
Системы вроде Co-Scientist и Robin — это потрясающие инструменты, которые избавляют исследователей от рутины. Они способны найти неочевидные связи в миллионах публикаций, которые ни один человек не успел бы прочитать за всю жизнь. Но физический мир им пока не по зубам. Генерация идей — лишь первый шаг. Строгая валидация гипотез всё еще требует настоящих «мокрых» экспериментов, проведения длительных доклинических испытаний на мышах, а затем сложнейших проверок на людях.
Нейросети постепенно превращаются в идеальных лаборантов и аспирантов-теоретиков: они быстро обучаются, генерируют сотни идей и феноменально работают с литературой. Но ответственность за то, чтобы отличить гениальный инсайт от очень уверенной текстовой галлюцинации, полностью лежит на плечах человека.
Поддержать нас на Boosty
Поддержать нас на Дзен
Читайте также: Где заканчивается человеческое мышление и начинается искусственный интеллект?
Комментировать можно ниже в разделе “Добавить комментарий”.