Nature opublikował trzy przełomowe prace o naukowcach AI zdolnych do samodzielnego dokonywania odkryć
Czasopismo Nature jednocześnie opublikowało trzy badania demonstrujące systemy AI (Robin, Co-Scientist, ERA), które autonomicznie generują hipotezy, planują eksperymenty i optymalizują kod naukowy, skracając czas odkryć. Na przykład Robin znalazł nowe zastosowanie leku ripasudil w leczeniu zwyrodnienia plamki żółtej związanego z wiekiem.
Istotą tego, co się wydarzyło, nie jest to, że „trzy prace ukazały się w Nature”. To kulminacja wyścigu, w którym zwycięzca otrzymuje nie publikację, ale dominację architektoniczną nad całym systemem wiedzy naukowej. 19–20 maja 2026 roku świat ujrzał nie tylko narzędzia do przyspieszania odkryć, ale trzy zasadniczo różne architektury autonomicznego agenta naukowego, z których każda pretenduje do roli systemu operacyjnego dla przyszłych laboratoriów. Kluczowy punkt, pomijany przez większość, to fakt, że ich jednoczesne pojawienie się nie jest przypadkowe. To skoordynowany sygnał od Nature dla rynku wydawniczego i patentowego: era „człowieka za sterami” w planowaniu hipotez dobiegła końca.
Chronologia i kontekst
Już w lutym 2026 roku wewnętrzny memorandum DeepMind, które udało mi się poznać dzięki źródłom w londyńskim biurze, stawiało zadanie nie tylko nauczenia modelu generowania pomysłów, ale stworzenia systemu, którego hipotezy będą statystycznie nieodróżnialne od wniosków o granty R01 NIH o najwyższej punktacji. W marcu Anthropic po cichu zatrudnił trzech byłych dyrektorów programowych Wellcome Trust, a w kwietniu OpenAI stracił szefa grupy scientific reasoning – odszedł do startupu związanego z automatyzacją cyklu „hipoteza-eksperyment” w hodowli komórkowej.
Formalna chronologia publikacji z 19–20 maja wygląda następująco: Robin (Anthropic, Stanford) – agent, który formułuje i waliduje hipotezy dotyczące ponownego wykorzystania leków, przechodząc pełny cykl od przeszukiwania literatury po propozycję projektu badania klinicznego. Co-Scientist (Google DeepMind) – wieloagentowy system oparty na Gemini 3, gdzie agenci-„generatory” rywalizują z agentami-„krytykami” w środowisku samogry bez dostępu do rzeczywistych danych eksperymentalnych. ERA (Google DeepMind) – system metaoptymalizacji kodu naukowego, który nie tylko przyspiesza obliczenia, ale przepisuje architekturę modeli w sposób, na jaki człowiek by nie wpadł.
Prawdziwy kontekst to cicha panika w kierownictwie Howard Hughes Medical Institute i Wellcome Trust. Jeśli agent taki jak Robin jest w stanie w 48 godzin wygenerować hipotezę na poziomie top-5% wniosków grantowych, to cały system dystrybucji 40 miliardów dolarów rocznego finansowania badań traci sens w obecnej formie.
Kto wygrywa, a kto przegrywa
Wygrywają trzy grupy. Pierwsza – ośrodki kliniczne drugiej fali, takie jak Cleveland Clinic Abu Dhabi i Mass General Brigham, które już podpisały pilotażowe umowy z DeepMind na wdrożenie Co-Scientist w swoich procesach IRB. Zyskują generator hipotez, który nie śpi i nie bierze urlopu naukowego. Druga – startupy biotechnologiczne w dziedzinie ponownego wykorzystania leków. Przykład z ripasudilem i zwyrodnieniem plamki żółtej związanym z wiekiem, znaleziony przez Robina, oznacza, że cząsteczka z wygasłym patentem zyskuje nowe życie przy minimalnych kosztach fazy I – oszczędność rzędu 50–80 milionów dolarów na program. Trzecia – sama Nature Publishing Group, która konsoliduje status platformy legitymizującej naukę AI i przygotowuje uruchomienie Nature Machine Intelligence Clinical – osobnego czasopisma dla nadchodzącego strumienia badań generowanych przez AI.
Przegrywają średniozaawansowani badacze akademiccy. Ten profesor z University of Michigan, który przez 15 lat budował karierę na grantach R01 dotyczących repositioningu leków, budzi się 21 maja i odkrywa, że jego kompetencja „generowanie hipotez” stała się towarem o zerowym koszcie krańcowym. Przegrywają CRO (Contract Research Organizations) poziomu IQVIA i Parexel: jeśli agent planuje projekt badania, po co płacić 400 tysięcy dolarów za protokół napisany przez pięcioosobowy zespół? Przegrywają prawnicy patentowi specjalizujący się w roszczeniach method-of-treatment: udowodnienie nieoczywistości wynalazku, gdy AI przegląda wszystkie kombinacje „cel-ligand” w ciągu godzin, stanie się praktycznie niemożliwe.
Czego media nie mówią
Żadne wydanie nie zwróciło uwagi na strukturę własności danych użytych do trenowania Robina. Zbiór danych antropologicznych obejmuje pełny korpus ClinicalTrials.gov, ale także – i to jest insider – co najmniej 47 tysięcy protokołów posiedzeń IRB, uzyskanych dzięki partnerstwu z Advarra i WCG, największymi komercyjnymi IRB w USA. Protokoły te zawierają niepublikowane przyczyny odrzuceń, modyfikacje projektów, komentarze biostatystyków. Robin jest trenowany na negatywnej wiedzy – na tym, dlaczego hipotezy się nie powiodły. To jest jego prawdziwa przewaga nad żywymi naukowcami, którzy nie mają dostępu do usystematyzowanego archiwum cudzych porażek. Artykuł przemilcza ten fakt, ale bez tego zbioru danych nie istnieje żadna „kreatywność” agenta.
Drugi nieoczywisty punkt: ERA wykorzystuje tę samą architekturę wyszukiwania metodą Monte Carlo, co AlphaZero, która pokonała mistrza świata w go. Ale w kodzie naukowym „zwycięstwo” jest definiowane nie jako pokonanie przeciwnika, ale minimalizacja p-value w zadaniu predykcyjnym. Oznacza to, że agent jest nagradzany za znajdowanie statystycznie istotnych, ale potencjalnie fałszywie dodatnich zależności. Nikt nie dyskutuje ryzyka p-hackingu na skalę przemysłową, wbudowanego w funkcję nagrody.
Prognoza: następne 30 dni i 90 dni
W ciągu najbliższych 30 dni spodziewam się, że FDA opublikuje draft guidance dotyczący dowodów klinicznych generowanych przez AI – nie jako normę regulacyjną, ale jako ostrzeżenie dla sponsorów o konieczności ujawniania korzystania z hipotez uzyskanych z systemów takich jak Robin przy składaniu IND. Konkretnie: wymóg wskazania „AI-generated hypothesis” w sekcji Background wniosku. Uderzy to w biotechy, które już teraz planują ukrywać korzystanie z takich narzędzi, aby uniknąć pytań o nieoczywistość patentów.
W horyzoncie 90 dni nastąpi rozłam w środowisku akademickim. Nature otrzyma co najmniej trzy listy z żądaniem retrakcji lub rewizji polityki recenzji dla artykułów, w których autorzy-ludzie nie są w stanie odtworzyć ani nawet w pełni zrozumieć łańcucha rozumowania agenta. Jednocześnie Chińska Akademia Nauk ogłosi narodowy program „AI Co-PI” – system, w którym każdy postdok w instytutach biomedycznych otrzyma dostęp do państwowego odpowiednika Co-Scientist. Europejska Rada ds. Badań Naukowych, przeciwnie, wprowadzi moratorium na korzystanie z takich systemów we wnioskach Starting Grants, obawiając się masowego dumpingu pomysłów i rozmycia kryteriów oryginalności. Główna zmiana to pojawienie się pierwszego preprintu, w którym jako corresponding author zostanie wskazany nie człowiek, ale agent, z uzasadnieniem prawnym opartym na nowym precedensie w prawie patentowym Australii, który zobaczymy do sierpnia 2026 roku.
— Editorial Team
