System ERA od Google DeepMind automatycznie przepisuje kod naukowy, usprawniając analizę danych
ERA wykorzystuje przeszukiwanie drzewa oparte na LLM do optymalizacji oprogramowania. System stworzył 14 modeli prognozowania hospitalizacji z COVID-19, które przewyższyły ensemble CDC CovidHub, skracając czas pracy z tygodni do godzin.
System ERA (Evolving Research Agent), opublikowany 19 maja 2026 roku w Nature równocześnie z Co-Scientist, rozwiązuje problem, o którym milczy się w kręgach akademickich: współczesna nauka utknęła nie z powodu braku pomysłów, ale z powodu niekompetencji obliczeniowej. Większość kodu naukowego piszą ludzie, których główną specjalizacją jest biologia lub medycyna, a nie inżynieria oprogramowania. Rezultat – krytyczne opóźnienia w przetwarzaniu danych, błędy powtarzalności i lata spędzone na debugowaniu skryptów. ERA to autonomiczny programista AI, który odbiera naukowcowi ostatnią rutynową funkcję: pisanie i optymalizację potoku obliczeniowego. To zmienia ekonomię badań bardziej fundamentalnie niż jakikolwiek generator hipotez.
Istota: automatyzacja ostatniej mili metody naukowej
ERA to agent LLM, który otrzymuje na wejściu zadanie naukowe sformułowane w języku naturalnym i przechodzi pełny cykl od projektowania architektury kodu po jego wykonanie, debugowanie i optymalizację. System wykorzystuje tree-search – przeszukiwanie drzewa decyzyjnego, testując setki wariantów implementacji i wybierając najlepszy według zadanych metryk. To nie autouzupełnianie w IDE ani generowanie statycznego skryptu. To agent, który iteracyjnie ulepsza kod, czyta komunikaty o błędach, naprawia bugi i przepisuje całe moduły bez udziału człowieka.
Kluczowa demonstracja: ERA stworzyła 14 modeli prognozowania hospitalizacji z COVID-19 dla Deaths and Hospitalizations Forecasting Challenge. Rezultat – przewyższono ensemble CDC CovidHub, który do tej pory był wzorcem prognozowania, opartym na pracy dziesiątek zespołów eksperckich. Czas opracowania skrócił się z tygodni do godzin.
Chronologia i kontekst: trzy fale automatyzacji nauki
Automatyzacja nauki przeszła trzy etapy. Pierwsza fala – zrobotyzowane laboratoria, takie jak Emerald Cloud Lab, które zastąpiły ręce laboranta. Druga fala – generatory hipotez AI, takie jak Co-Scientist i Robin, które zastąpiły część funkcji kierownika naukowego. ERA reprezentuje trzecią falę – zastąpienie biologa obliczeniowego i data scientist. Przepaść między hipotezą a wynikiem, którą wcześniej wypełniały miesiące ręcznego kodowania, teraz zamyka się w godziny.
To nie przypadkowe uruchomienie. DeepMind zsynchronizował wydanie ERA z Co-Scientist, tworząc zintegrowaną platformę: jeden agent generuje hipotezę, drugi – natychmiast projektuje eksperyment do jej weryfikacji i pisze kod do analizy danych. Razem zamykają pełny cykl odkrycia naukowego bez udziału człowieka na pośrednich etapach.
Kto zyskuje, a kto traci
Zyskują wszystkie laboratoria, których wąskim gardłem jest obliczeniowe przetwarzanie danych. Badania genomiczne, modelowanie epidemiologiczne, biologia strukturalna, badania kliniczne z dużymi zbiorami danych pacjentów – wszędzie tam, gdzie wcześniej zatrudniano postdoka na 2 lata za 60 000–80 000 USD rocznie, teraz można uruchomić ERA. Oszczędność na jednym stanowisku – do 200 000 USD w ciągu dwóch lat, uwzględniając benefity i koszty ogólne uczelni.
Zyskują kraje z małym budżetem naukowym i niedoborem wykwalifikowanych programistów. Jeśli ERA zdemokratyzuje metody obliczeniowe, grupa z małego uniwersytetu w Afryce czy Azji Południowo-Wschodniej będzie mogła konkurować z MIT pod względem jakości analizy danych – pod warunkiem dostępu do zasobów obliczeniowych.
Tracą bioinformatycy średniego szczebla. Branża się dzieli: specjaliści najwyższego poziomu, tworzący nowe algorytmy, pozostaną poszukiwani; ci, których praca w 80% polegała na pisaniu skryptów do przetwarzania RNA-seq i tworzeniu wykresów, stają się zbędni. Tracą platformy takie jak Galaxy Project i Nextflow – jeśli agent pisze kod na bieżąco, potrzeba wizualnych środowisk potokowych gwałtownie maleje.
Czego media nie mówią
Pierwsza nieoczywista kwestia – problem uczciwości statystycznej. ERA wykorzystuje tree-search z optymalizacją według zadanych metryk. Jeśli celem jest „minimalizacja błędu prognozy”, agent będzie uczciwie szukał modelu, który daje najlepszy wynik. Ale w prawdziwej nauce badacz podświadomie lub świadomie wybiera metryki, które potwierdzają jego hipotezę. ERA jest pozbawiona tego obciążenia, ale także intuicji naukowej – może znaleźć wzór idealnie przewidujący przeszłe dane, a całkowicie bezużyteczny dla przyszłych. Przeuczenie na skalę przemysłową, wbudowane w funkcję nagrody, to ryzyko, o którym się milczy.
Druga kwestia dotyczy kodu jako artefaktu. Kod naukowy to nie tylko narzędzie do uzyskania wyniku, ale także część powtarzalnej metodologii. Jeśli ERA generuje tysiące linii kodu w sekundach, jak recenzja ma sprawdzić jego poprawność? Obecny system recenzowania nie jest zaprojektowany do audytu automatycznie generowanych potoków. Istnieje ryzyko, że za 2-3 lata większość artykułów obliczeniowych będzie zawierać kod, którego nikt – w tym autorzy – nie czytał i nie rozumie.
Trzeci insight dotyczy strategii Google. ERA i Co-Scientist to nie tylko projekty badawcze, to demonstracja możliwości dla klientów korporacyjnych Google Cloud. Każde uruchomienie ERA to rachunek za TPU i Vertex AI. Darmowy dostęp przez Google Labs to przynęta. Gdy laboratorium uzależni się od agentów DeepMind, koszt migracji na inną platformę stanie się astronomiczny. Google buduje nie narzędzie dla nauki, ale lejek sprzedażowy dla usług chmurowych z rocznym kontraktem od 100 000 USD na laboratorium.
Prognoza: następne 30 dni i 90 dni
W ciągu najbliższych 30 dni spodziewam się pojawienia dziesiątek preprintów, w których autorzy spróbują odtworzyć lub zakwestionować wyniki ERA na niezależnych zbiorach danych. Kluczowe pytanie, które będzie testowane: czy ERA przewyższyła ensemble CDC CovidHub dzięki przewadze architektonicznej, czy też agent znalazł statystyczny artefakt w danych, wykorzystując konkretne słabości benchmarku?
W perspektywie 90 dni nastąpi rozłam w polityce czasopism naukowych. Nature, które już zainwestowało kapitał reputacyjny w naukowców AI, będzie akceptować artykuły, w których część obliczeniowa została wykonana przez ERA, pod warunkiem ujawnienia użycia agenta. Bardziej konserwatywne czasopisma wprowadzą moratorium na kod generowany przez AI do czasu opracowania standardów audytu.
Główna prognoza – pojawienie się pierwszego startupu zbudowanego w całości wokół API DeepMind. Zespół trzech osób – biolog, klinicysta i product manager – będzie mógł wykonać pracę, do której wcześniej potrzebne było laboratorium z 15–20 pracownikami. Cykl „hipoteza Co-Scientist – kod ERA – publikacja” skróci się z 12–18 miesięcy do 2–4 tygodni. To nie utopia, ale bezpośrednia konsekwencja architektury, którą Google wypuścił 19 maja 2026 roku. Nauka już nigdy nie będzie taka sama – pytanie tylko, czy instytucje zdążą dostosować się do prędkości, którą narzuciły te systemy, czy zostaną zmiecione przez potok odkryć wspomaganych AI.
— Editorial Team
