Nowy agent AI pisze kod naukowy. I zaczyna poprawiać ludzi w laboratorium

Naukowcy opisali w Nature system ERA, który wykorzystuje modele AI do automatycznego tworzenia oprogramowania naukowego. Według komunikatu o publikacji narzędzie potrafiło generować programy do zadań z biologii, fizyki i modelowania, w części testów rywalizując z ręcznie pisanym kodem ekspertów. To nie jest chatbot do pisania maili, lecz zapowiedź laboratorium, w którym AI zaczyna projektować narzędzia badawcze.

W świecie AI łatwo zmęczyć się kolejnym hasłem o przełomie. Dlatego temat ERA jest ciekawy z innego powodu: nie dotyczy kolejnego asystenta do streszczania dokumentów, ale automatyzacji bardzo konkretnej pracy naukowej. System opisany w Nature ma generować oprogramowanie potrzebne badaczom do analiz, symulacji i eksperymentów. Innymi słowy: AI nie tylko pomaga pisać o nauce, lecz zaczyna pisać narzędzia, którymi nauka się posługuje.

Według komunikatu EurekAlert system ERA łączy duże modele językowe z automatycznym przeszukiwaniem przestrzeni rozwiązań. Ma tworzyć i ulepszać kod dla zadań, które w klasycznym laboratorium wymagają pracy specjalistów od programowania naukowego. W testach pojawiły się m.in. zadania z biologii, fizyki i modelowania zachowania. To obszary, w których dobry kod nie jest dekoracją, tylko warunkiem uzyskania sensownych wyników.

Ważny jest mechanizm. Naukowiec nie dostaje po prostu odpowiedzi w oknie czatu. ERA ma iteracyjnie proponować programy, testować je, poprawiać i szukać lepszych wersji. To trochę jak stażysta, który nie tylko mówi „mam pomysł”, ale od razu wraca z działającym prototypem, wynikami i kolejną poprawką. Różnica polega na tym, że taki stażysta nie śpi, nie nudzi się i może przepisać setki wariantów kodu szybciej, niż człowiek zdąży zaparzyć kawę.

Największy potencjał leży w przyspieszeniu badań. W wielu laboratoriach wąskim gardłem nie jest już brak danych, ale brak czasu i kompetencji, żeby dane właściwie przetworzyć. Biologia generuje obrazy komórek, sekwencje genomowe i pomiary aktywności neuronów. Fizyka i klimatologia pracują na modelach, które wymagają precyzyjnych obliczeń. Jeżeli AI potrafi szybciej tworzyć kod dopasowany do konkretnego problemu, może przesunąć tempo całej pracy badawczej.

Ale temat ma też ciemniejszy, bardziej przyziemny brzeg. Kod naukowy musi być wiarygodny. Jeśli błąd w aplikacji zamawia za dużo pizzy, jest śmiesznie. Jeśli błąd w kodzie analizy prowadzi do fałszywego wniosku biologicznego albo medycznego, robi się poważnie. Automatyczne generowanie programów wymaga walidacji, wersjonowania, testów i przejrzystości. AI może przyspieszyć laboratorium, ale nie może stać się magiczną czarną skrzynką, której wszyscy grzecznie wierzą, bo brzmi pewnie.

To szerszy trend: sztuczna inteligencja wchodzi do nauki nie tylko jako narzędzie wyszukiwania publikacji czy pisania streszczeń, ale jako współtwórca eksperymentu. Google DeepMind rozwija modele dla biologii i chemii, laboratoria akademickie testują agentów do hipotez, a systemy kodujące zaczynają działać w specjalistycznych domenach. ERA wpisuje się w moment, w którym pytanie nie brzmi już „czy AI zna odpowiedź”, tylko „czy AI potrafi zbudować instrument, który odpowiedź pomoże znaleźć”. Dla zwykłego odbiorcy znaczenie jest zaskakująco konkretne. Szybsze oprogramowanie naukowe może oznaczać szybszą analizę obrazów medycznych, lepsze modele leków, dokładniejsze symulacje klimatu albo sprawniejsze projektowanie materiałów. Droga od publikacji w Nature do codzienności jest długa, ale zaczyna się właśnie od takich narzędzi: małych silników pod maską wielkich odkryć.

Następny etap będzie testem dojrzałości. Jeśli systemy takie jak ERA trafią do laboratoriów, nauka będzie musiała wypracować nowe zasady kontroli kodu generowanego przez AI. Najciekawsze nie jest więc to, że maszyna pisze program. Najciekawsze jest to, czy człowiek potrafi stworzyć taki proces, w którym maszyna przyspiesza odkrycie, a nie rozmywa odpowiedzialność za wynik.