Несколько стартапов и университетов, которые разрабатывают ИИ-ученых для самостоятельного проектирования и проведения лабораторных экспериментов — включая роботов-биологов и химиков, — получили дополнительное финансирование от британского государственного агентства, занимающегося амбициозными научными проектами. Конкурс организовала ARIA (Advanced Research and Invention Agency), и он четко показывает, насколько быстро продвигается эта технология: агентство рассмотрело 245 заявок от команд, уже создающих инструменты для автоматизации все большего объема лабораторных задач.
ARIA определяет ИИ-ученого как систему, способную пройти полный цикл научной работы: придумать гипотезы, спроектировать и запустить эксперименты для их проверки, проанализировать результаты. Часто система возвращает эти результаты в себя и повторяет цикл множество раз. Люди-ученые при этом выступают надзирателями: формулируют исходные вопросы для исследования, а ИИ берет на себя всю рутинную работу.
"Докторанты способны на большее, чем торчать в лаборатории до трех ночи, чтобы убедиться, что эксперимент завершился," — отмечает Ант Роустрон, технический директор ARIA.
Из 245 заявок ARIA выбрала 12 проектов, удвоив запланированное финансирование из-за их высокого качества и количества. Половина команд — из Великобритании, остальные — из США и Европы. Среди них есть как университетские группы, так и компании. Каждая получит около 500 000 фунтов стерлингов (примерно 675 000 долларов) на 9 месяцев работы. К концу срока они должны показать, что их ИИ-ученый открыл новые научные факты.
Среди победителей — Lila Sciences, американская компания, создающая AI NanoScientist. Эта система будет проектировать и проводить эксперименты, чтобы найти оптимальные способы создания и обработки квантовых точек — наночастиц полупроводников, которые применяют в медицинской визуализации, солнечных панелях и QLED-телевизорах.
"Мы используем грант и время, чтобы доказать идею на практике," — говорит Рафа Гомес-Бомбарелли из Lila Sciences. "Он позволит нам построить настоящий цикл ИИ-робототехники вокруг конкретной научной задачи, собрать доказательства ее работы и описать методологию, чтобы другие могли повторить и развить ее."
Команда из Университета Ливерпуля в Великобритании разрабатывает робота-химика, который запускает несколько экспериментов одновременно и использует модель компьютерного зрения с языковыми возможностями для исправления ошибок робота.
Лондонский стартап работает над ИИ-ученым под названием ThetaWorld. Он применяет большие языковые модели для проектирования экспериментов по изучению физических и химических взаимодействий, влияющих на характеристики батарей. А сами опыты проведут в автоматизированной лаборатории Sandia National Laboratories в США.
Пульс передовой
По сравнению с обычными проектами ARIA на 5 миллионов фунтов и 2–3 года, 500 000 фунтов — это небольшая сумма. Но в этом и была задумка, объясняет Роустрон: агентство само проводит эксперимент. Финансируя разные проекты на короткий срок, оно оценивает изменения в научной практике и их скорость. Полученные выводы станут основой для крупных грантов в будущем.
Роустрон признает, что сейчас много шума вокруг темы, особенно с учетом того, что ведущие ИИ-компании заводят научные команды. Когда результаты анонсируют пресс-релизами, а не рецензируемыми статьями, сложно понять реальные возможности технологий. "Это вечная проблема для агентств, финансирующих передний край," — говорит он. "Чтобы работать на передовой, нужно точно знать, где она проходит."
Пока передовой край — это агентные системы, которые на лету вызывают готовые инструменты. "Они запускают большие языковые модели для генерации идей, потом другие модели для оптимизации и экспериментов, а затем возвращают результаты в цикл," — описывает Роустрон.
Он видит технологии в виде уровней. Внизу — инструменты, созданные людьми для людей, вроде AlphaFold. Такие помощники ускоряют медленные этапы научного процесса, но все равно требуют месяцев лабораторных проверок. ИИ-ученый автоматизирует и это.
ИИ-ученые стоят выше и используют нижележащие инструменты по необходимости, продолжает Роустрон. "Но скоро — и не через десять лет — ИИ-ученый скажет: 'Мне нужен инструмент, которого нет', и создаст что-то вроде AlphaFold прямо по пути к решению главной задачи. Весь нижний уровень автоматизируется."
До этого еще далеко, подчеркивает он. Все проекты ARIA используют существующие инструменты, а не генерируют новые.
Есть и общие проблемы агентных систем: они не могут долго работать автономно без сбоев или ошибок. Недавно исследователи из индийской ИИ-лаборатории Lossfunk выложили в сеть статью под названием "Why LLMs aren’t scientists yet". В тесте на полный научный workflow агенты на базе LLM провалили 3 из 4 попыток. Причины сбоев: изменение исходных условий и "перевозбуждение, объявляющее успех при явных неудачах".
"Пока эти инструменты на ранней стадии, и они могут остановиться в развитии," — говорит Роустрон. "Я не жду от них Нобелевских премий."
"Но есть сценарий, где такие инструменты ускорят науку в разы. И если он реализуется, важно быть готовыми."