На протяжении десятилетий в научных кругах время от времени возникают заявления о том, что наука достигла своего предела. В 1903 году известный физик Альберт Михельсон утверждал, что "факты физической науки уже все открыты". В 1980-х годах Стивен Хокинг предсказал, что теоретическая физика может завершиться к концу века. С появлением искусственного интеллекта это ощущение вновь стало актуальным, и на этот раз оно сопровождается Нобелевской премией. В 2024 году Демис Хассабис и Джон Джампер из Google DeepMind получили часть Нобелевской премии по химии за свою нейронную сеть AlphaFold, которая предсказывает трехмерные структуры белков, обучаясь на тысячах экспериментально измеренных форм. Эта сложная задача оставалась нерешенной на протяжении полувека, и AlphaFold, казалось, наконец, решила ее. Хассабис и его команда назвали AlphaFold "шаблоном для того, как ИИ может ускорить всю науку до цифровой скорости". Вслед за успехом DeepMind возникла волна стартапов, создающих базовые модели для биологии, химии и открытия материалов, которые привлекли миллиарды долларов инвестиций. AlphaFold продемонстрировала, что сочетание ИИ и достаточного объема данных может приводить к революционным открытиям, даже если мы не понимаем задействованные механизмы. Однако, несмотря на это, становится все более очевидным, что AlphaFold и подобные ей разработки могут не стать лучшим шаблоном для трансформации науки. Ключевым условием успеха AlphaFold стало наличие Protein Data Bank — базы данных, содержащей около 170 000 экспериментально подтвержденных структур белков, на которой команда DeepMind могла обучать свою модель. Создание этой базы данных не было простым: оно потребовало 53 лет международного научного сотрудничества и, по последним оценкам, около 21 миллиарда долларов на экспериментальные работы. Проекты такого масштаба notoriously difficult to fund, их сложно координировать и они требуют огромного времени на выполнение, что часто приводит к неудачам. Даже в тех областях, где есть необходимые ресурсы и данные не находятся под коммерческой собственностью, существует еще одно мало обсуждаемое препятствие: научная невозможность генерации сопоставимых данных. В случае структур белков ключевой экспериментальный метод — кристаллография белков — является необычайно воспроизводимым и надежным инструментом, на основе которого было присуждено более 25 Нобелевских премий. Но в большинстве экспериментальной науки результаты часто варьируются. Клеточные линии изменяются, химические вещества содержат следовые загрязнители, меняется влажность в лаборатории. Создание измеренных наборов данных, которые будут достаточно последовательными, точными и масштабируемыми для обучения современных нейронных сетей в биологии или большей части химии, потребует новых методов измерения и новых стандартизированных подходов, которые не будут готовы в ближайшее время. Тем не менее, есть несколько областей, где эти требования выполняются: прогнозирование погоды, большая часть геномики, очень ограниченные области химии. В этих областях могут произойти прорывы в стиле AlphaFold в ближайшее время, если они уже не произошли. Поддержка правительства в производстве и координации этих наборов данных будет критически важна, как утверждает Национальная комиссия США по новым биотехнологиям. Но для большинства открытых вопросов в науке нам понадобится другой план, по крайней мере в краткосрочной перспективе. К счастью, что-то более скромное и тихое начало демонстрировать обещание. Ученые всегда работали в условиях неопределенности. Биологи, стремящиеся идентифицировать новые мишени для лекарств, никогда не имели идеальных наборов данных. Вместо этого они комбинируют расчеты докинга и известные структуры, учитывают молекулярную динамику, проводят несколько тестов связывания и используют свое суждение, чтобы взвесить каждый метод в зависимости от его сильных и слабых сторон. Искусство науки заключается не в каком-то одном инструменте, а в синтезе того, что производят многие инструменты, и пересмотре результатов по мере поступления новых данных. Так происходит большинство научных исследований. Но до недавнего времени ни одно программное обеспечение не могло этого сделать. Теперь агенты могут. Просто говоря, агент — это ИИ-движок рассуждений, которому предоставлен доступ к инструментам — цифровым или физическим — и возможностям их использования. За последние несколько лет фундаментальный архитектурный сдвиг в ИИ позволил быстро распространить эти программы, которые работают на основе больших языковых моделей, значительно снижая потребность в специализированных научных наборах данных. Для науки это технологическое достижение представляет собой основополагающее изменение: оно позволило создать цифровые инструменты, которые могут имитировать итеративный, высокозависимый процесс реального исследования. В то время как такие инструменты, как AlphaFold, применяют мощный подход к ограниченному вопросу, агенты по своей сути являются универсалами. Они не представляют собой новый способ ведения науки — вместо этого они цифрово моделируют человеческий процесс открытия. Рассмотрим AI Co-Scientist от Google, который был анонсирован в мае. Исследователи предоставили ему одностраничное задание и цель: выяснить, как распространяется устойчивость к антибиотикам между видами бактерий, что является ключевым фактором устойчивых к лекарствам инфекций. Система создала подагентов. Один из них сформулировал гипотезы на основе литературы. Другой разобрал их, как рецензент. Третий провел турниры для оценки сильнейших кандидатов. Четвертый уточнил выигравшую гипотезу. В результате агент пришел к выводу, что гены устойчивости "передаются" на бактериальных вирусах, используя любой вирус, который может перенести их в нового хозяина. Гипотеза оказалась верной. Исследователи Имперского колледжа Лондона потратили десятилетие на достижение того же вывода через кропотливую лабораторную работу; их работа, ранее неизвестная Co-Scientist, все еще находилась на этапе рецензирования. Агенты, такие как Co-Scientist, все еще являются новыми инструментами, и перед ними стоят реальные проблемы, которые необходимо решить, прежде чем они станут повсеместной частью научного процесса: они все еще могут "галлюцинировать", их суждения не всегда последовательны, и у них есть ограничения по памяти и входным данным, которые ограничивают время, в течение которого они могут работать автономно. Но эти технические барьеры будут преодолены, и по мере этого мы начнем замечать накопительные эффекты научных агентов на надежность, последовательность и скорость, с которой осуществляется наука. Возможно, наиболее заметным последствием будет структурное решение проблемы "кризиса воспроизводимости" в науке — широко распространенной проблемы, связанной с неспособностью исследователей воспроизводить результаты друг друга. На протяжении десятилетий научное сообщество призывало исследователей делиться своими сырыми данными и точным кодом в попытке стандартизировать экспериментальные процессы. Но исследователи долгое время сопротивлялись этой утомительной административной работе, которая происходит после того, как интересная наука уже завершена. Агенты, напротив, автоматически фиксируют каждое свое действие, создавая точный отчет о методе, который привел к их результатам, что позволяет точно воспроизводить эксперименты. Вторым последствием станет усиление научной памяти. Передача знаний между исследователями — процесс, известный своей запутанностью; если это не происходит в течение многих лет обучения и наблюдения, аспиранты вынуждены просматривать неаккуратные лабораторные записи, оставленные предшественниками, в поисках деталей, которые могут сделать или сломать их протокол. Однако по мере того, как агенты становятся все более важной частью научного процесса, вся научная история лаборатории будет записываться в центральном, стандартизированном репозитории институциональных знаний. Но наиболее важным воздействием агентов будет скорость. В любой области, когда тестирование идеи занимает меньше времени, чем обсуждение ее на встрече, люди перестают спорить и просто проводят тест. Агент, который может прочитать тысячу статей за час, разработать 500 молекул и учиться на своих неудачных тестах к утру, снизит стоимость экспериментов и коренным образом изменит темп, с которым осуществляется наука. Это также даст исследователям свободу преследовать смелые, странные вопросы, на которые они никогда бы не рискнули потратить свое время ранее, открывая научные двери, которые мы еще не можем представить. Хотя шаблон AlphaFold, безусловно, будет ключом к невероятным открытиям, он один не приведет нас к концу науки. Вместо этого переход к агентному ИИ представляет собой гораздо более редкий уровень прорыва: инструмент, который охватывает каждую область науки сразу. Исторически такие инструменты широкого спектра появлялись всего несколько раз: исчисление, статистическая инференция, спектроскопия, компьютер. Каждый из них открыл мир проблем, о которых никто не задумывался, и эти проблемы, в свою очередь, переопределили свои области. С агентами мы находимся на пороге еще одной такой трансформации.