Systém ERA od Google DeepMind automaticky přepisuje vědecký kód a zlepšuje analýzu dat
ERA využívá stromové vyhledávání založené na LLM k optimalizaci softwaru. Systém vytvořil 14 modelů predikce hospitalizací s COVID-19, které překonaly ensemble CDC CovidHub a zkrátily dobu zpracování z týdnů na hodiny.
Systém ERA (Evolving Research Agent), publikovaný 19. května 2026 v Nature společně s Co-Scientist, řeší problém, o kterém se v akademických kruzích mlčí: moderní věda nenaráží na nedostatek nápadů, ale na výpočetní nekompetentnost. Většinu vědeckého kódu píší lidé, jejichž hlavní specializací je biologie nebo medicína, nikoli softwarové inženýrství. Výsledkem jsou kritická zpoždění při zpracování dat, chyby v reprodukovatelnosti a roky strávené laděním skriptů. ERA je autonomní AI vývojář, který vědci odebírá poslední rutinní funkci: psaní a optimalizaci výpočetního pipeline. A to mění ekonomiku výzkumu zásadněji než jakýkoli generátor hypotéz.
Podstata: automatizace poslední míle vědecké metody
ERA je LLM agent, který na vstupu obdrží vědecký úkol formulovaný v přirozeném jazyce a projde celým cyklem od návrhu architektury kódu až po jeho spuštění, ladění a optimalizaci. Systém využívá tree-search – prohledávání stromu rozhodnutí, zkouší stovky variant implementace a vybírá tu nejlepší podle daných metrik. Není to automatické doplňování v IDE ani generování statického skriptu. Je to agent, který iterativně vylepšuje kód, čte chybové zprávy, opravuje bugy a přepisuje celé moduly bez zásahu člověka.
Klíčová demonstrace: ERA vytvořila 14 modelů predikce hospitalizací s COVID-19 pro Deaths and Hospitalizations Forecasting Challenge. Výsledek – překonal ensemble CDC CovidHub, který byl do té doby benchmarkem predikce založeným na práci desítek expertních týmů. Doba vývoje se zkrátila z týdnů na hodiny.
Chronologie a kontext: tři vlny automatizace vědy
Automatizace vědy prošla třemi fázemi. První vlna – robotizované laboratoře jako Emerald Cloud Lab, které nahradily ruce laboranta. Druhá vlna – AI generátory hypotéz jako Co-Scientist a Robin, které nahradily část funkcí vedoucího výzkumu. ERA představuje třetí vlnu – nahrazení výpočetního biologa a datového vědce. Propast mezi hypotézou a výsledkem, která se dříve vyplňovala měsíci ručního kódování, se nyní smrskne na hodiny.
Nejde o náhodné spuštění. DeepMind synchronizoval vydání ERA s Co-Scientist a vytváří integrovanou platformu: jeden agent generuje hypotézu, druhý okamžitě navrhne experiment k jejímu ověření a napíše kód pro analýzu dat. Dohromady uzavírají celý cyklus vědeckého objevu bez účasti člověka v mezilehlých fázích.
Kdo vyhrává a kdo prohrává
Vyhrávají všechny laboratoře, jejichž bottleneckem je výpočetní zpracování dat. Genomický výzkum, epidemiologické modelování, strukturní biologie, klinické studie s velkými soubory pacientských dat – všude, kde dříve najímali postdoka na 2 roky za 60 000–80 000 USD ročně, lze nyní spustit ERA. Úspora na jedné pozici činí až 200 000 USD za dva roky včetně benefitů a režijních nákladů univerzity.
Vyhrávají země s malým vědeckým rozpočtem a nedostatkem kvalifikovaných programátorů. Pokud ERA demokratizuje výpočetní metody, skupina z malé univerzity v Africe nebo jihovýchodní Asii bude moci konkurovat MIT v kvalitě analýzy dat – za předpokladu přístupu k výpočetním zdrojům.
Prohrávají středně kvalifikovaní bioinformatici. Odvětví se dělí: špičkoví specialisté vytvářející nové algoritmy zůstanou žádaní; ti, jejichž práce z 80 % spočívala v psaní skriptů pro zpracování RNA-seq a tvorbě grafů, se stávají nadbytečnými. Prohrávají platformy jako Galaxy Project a Nextflow – pokud agent píše kód za běhu, potřeba vizuálních pipeline prostředí prudce klesá.
Co média neříkají
První ne zcela zřejmý bod – problém statistické poctivosti. ERA používá tree-search s optimalizací podle daných metrik. Pokud je cílem „minimalizovat chybu predikce“, agent bude poctivě hledat model, který dává nejlepší skóre. Ale v reálné vědě výzkumník podvědomě nebo vědomě volí metriky, které potvrzují jeho hypotézu. ERA toto zkreslení postrádá, ale postrádá i vědeckou intuici – může najít vzor, který dokonale předpovídá minulá data a je naprosto nepoužitelný pro budoucnost. Přeučení v průmyslovém měřítku, zabudované do funkce odměny, je riziko, o kterém se mlčí.
Druhý bod se týká kódu jako artefaktu. Vědecký kód není jen nástroj k získání výsledku, ale také součást reprodukovatelné metodologie. Pokud ERA generuje tisíce řádků kódu během vteřin, jak má peer-review kontrolovat jeho správnost? Současný systém recenzování není navržen na audit automaticky generovaných pipeline. Vzniká riziko, že za 2–3 roky bude většina výpočetních článků obsahovat kód, který nikdo – včetně autorů – nečetl a nerozumí mu.
Třetí insight se týká strategie Googlu. ERA a Co-Scientist nejsou jen výzkumné projekty, jsou to demonstrace možností pro firemní zákazníky Google Cloud. Každé spuštění ERA je účet za TPU a Vertex AI. Bezplatný přístup přes Google Labs je návnada. Jakmile si laboratoř na agenty DeepMind zvykne, náklady na migraci na jinou platformu se stanou prohibitivními. Google nestaví nástroj pro vědu, ale prodejní trychtýř pro cloudové služby s ročním kontraktem od 100 000 USD na laboratoř.
Predikce: následujících 30 dní a 90 dní
V nejbližších 30 dnech očekávám desítky preprintů, kde se autoři pokusí reprodukovat nebo zpochybnit výsledky ERA na nezávislých datasetech. Klíčová otázka, kterou budou testovat: překonal ERA ensemble CDC CovidHub díky architektonické převaze, nebo agent našel statistický artefakt v datech využívající konkrétní slabiny benchmarku?
V horizontu 90 dnů dojde k rozkolu v politice vědeckých časopisů. Nature, který již investoval reputační kapitál do AI vědců, bude přijímat články, kde výpočetní část provedla ERA, za předpokladu uvedení použití agenta. Konzervativnější časopisy zavedou moratorium na AI generovaný kód, dokud nebudou vytvořeny standardy auditu.
Hlavní predikce – vznik prvního startupu postaveného výhradně kolem API DeepMind. Tým tří lidí – biolog, klinik a product manager – bude schopen vykonávat práci, na kterou dříve potřebovali laboratoř s 15–20 zaměstnanci. Cyklus „hypotéza Co-Scientist – kód ERA – publikace“ se zkrátí z 12–18 měsíců na 2–4 týdny. To není utopie, ale přímý důsledek architektury, kterou Google vypustil 19. května 2026. Věda už nikdy nebude stejná – a otázkou je pouze to, zda se instituce stihnou přizpůsobit rychlosti, kterou tyto systémy nastavily, nebo budou smeteny přívalem AI asistovaných objevů.
— Editorial Team
