Google DeepMind przedstawia Co-Scientist — AI do generowania hipotez naukowych oparty na samodzielnej grze
Wieloagentowy system oparty na Gemini samodzielnie wysunął i potwierdził kilka biomedycznych hipotez: znalazł inhibitor IRE1 do leczenia białaczki i odkrył na nowo mechanizm przenoszenia genów oporności u bakterii w ciągu dwóch dni obliczeń.
Artykuł w Nature z 19 maja 2026 roku to nie tylko demonstracja możliwości Gemini. To kluczowy element szerszej architektonicznej bitwy o kontrolę nad tym, jak generowana jest wiedza naukowa. Podczas gdy publiczność zachwyca się nowymi kandydatami na leki na białaczkę, w laboratoriach zachodzi tektoniczne przesunięcie: wieloagentowe systemy oparte na modelach językowych przechodzą od roli pasywnych wyszukiwarek informacji do roli arbitrów prawdy naukowej. Co-Scientist od Google DeepMind to nie narzędzie dla naukowca, to deklaracja stworzenia nowego systemu operacyjnego dla całego procesu badawczego, który jest w stanie nie tylko generować hipotezy, ale także je rankingować, krytykować i ewolucyjnie ulepszać.
Istota: od generatora tekstu do symulatora metody naukowej
System stanowi koalicję siedmiu wyspecjalizowanych agentów AI, podzielonych na trzy fazy: generację, debatę i ewolucję. Architektura zasadniczo różni się od zwykłych chatbotów. Agenci nie tylko generują tekst na żądanie – wchodzą w asynchroniczną interakcję, gdzie „generator” wysuwa pomysły, „reflektor” pełni rolę wirtualnego recenzenta, a „rankingowiec” przeprowadza turnieje pomysłów na zasadzie zapożyczonej z AlphaGo. Zamiast grać w go, system gra w naukowe debaty, optymalizując stawki nie na zwycięstwo na planszy, ale na nowość i weryfikowalność hipotezy.
Kluczową innowacją jest skalowanie obliczeń testowych. System przeznacza lwią część zasobów nie na generację, ale na weryfikację hipotez, porównując każde twierdzenie z literaturą naukową i bazami danych takimi jak ChEMBL i UniProt, a w niektórych przypadkach nawet angażując AlphaFold do weryfikacji strukturalnej. Co-Scientist nie tylko „wymyśla”, ale sprawdza – i to jest jego fundamentalna różnica w stosunku do halucynujących poprzedników.
Chronologia i kontekst: wyścig agentów naukowych
Zapowiedź Co-Scientist pojawiła się jednocześnie z publikacją konkurencyjnego systemu Robin od FutureHouse. Nature celowo zsynchronizował wydanie obu prac, sygnalizując rynkowi powstanie nowej klasy produktów. Za tym stoi wielomiesięczne przygotowanie: wczesne testy Co-Scientist odbywały się w trybie zamkniętym z Imperial College London, gdzie system pod kierownictwem profesora José Penadesa odkrył na nowo mechanizm horyzontalnego transferu genów u bakterii, który zespół Penadesa odkrył eksperymentalnie, ale jeszcze nie opublikował. Legenda głosi, że naukowiec, widząc wynik Co-Scientist, zapytał, czy AI nie podglądało jego szkiców – tak dokładnie system odtworzył logikę ludzkiego odkrycia w ciągu dwóch dni obliczeń.
Kto wygrywa, a kto przegrywa
Wygrywa przede wszystkim Google Cloud. Wypuszczenie Co-Scientist do mas za pośrednictwem platformy Google Labs to klasyczna strategia przejęcia rynku poprzez uzależnienie od infrastruktury. Naukowcy, którzy przyzwyczają się do uruchamiania „turniejów hipotez” na TPU Google, raczej nie przeniosą się do innej chmury.
Wygrywają duże firmy farmaceutyczne, które już mają kontrakty z DeepMind. Jak pokazuje praktyka Cohere, która kupiła startup Reliant AI w celu wertykalizacji AI w farmacji, przemysł jest gotów płacić ogromne pieniądze za systemy przyspieszające badania i rozwój.
Przegrywają postdokowie i młodsi naukowcy, których praca w 70% polegała na przeszukiwaniu literatury i generowaniu hipotez. Ich funkcja jest teraz automatyzowana przy zerowym koszcie krańcowym. Przegrywają firmy takie jak OpenAI, które jak dotąd nie przedstawiły podobnej wieloagentowej architektury dla nauki, ograniczając się do ogólnych rozważań o1.
Czego media nie mówią
Pierwszym „ślepym punktem” jest problem powtarzalności hipotez generowanych przez AI. Jeśli Co-Scientist używa jako „recenzenta” innego agenta opartego na tym samym modelu Gemini, to krytyka jest zamkniętym cyklem: model sprawdza model według reguł napisanych przez model.
Drugim nieoczywistym momentem jest strategiczne milczenie wokół „odkrycia na nowo” mechanizmu oporności. System wytrenowany na korpusie literatury naukowej nieuchronnie wchłania statystyczne wzorce, nawet jeśli konkretny artykuł był objęty embargiem. Sukces systemu może wynikać nie z kreatywności, ale ze zdolności Gemini do wychwytywania słabych sygnałów z pokrewnych publikacji.
Prognoza: następne 30 dni i 90 dni
W ciągu najbliższych 30 dni spodziewam się fali rejestracji na labs.google/science i pierwszych niezależnych prób odtworzenia zgłoszonych wyników. W perspektywie 90 dni nastąpi rozłam społeczności naukowej na tych, którzy akceptują Co-Scientist jako współautora (i składają granty napisane przez AI), i tych, którzy domagają się całkowitego zakazu używania takich systemów w peer-review z powodu ryzyka zanieczyszczenia środowiska intelektualnego syntetycznymi hipotezami. Wielkość rynku naukowych agentów AI do końca roku osiągnie 2 miliardy dolarów – a Google zamierza zdobyć z niego znaczący udział.
— Editorial Team
