Он закрывал сессию, посвященную научному ИИ, и центральным моментом стал ролик о WeatherNext – софте для предсказания погоды, который, по данным СМИ, заранее предупредил о надвигающемся на Ямайку урагане "Мелисса" в прошлом году. Если WeatherNext помог кому-то спастись или укрепить свой дом – это огромное достижение. Но это вряд ли доказательство приближающейся сингулярности.
Сопоставление высокой риторики Хассабиса с реальными результатами WeatherNext подчеркивает напряженность между двумя разными подходами к ИИ для науки. Первый фокусируется на специализированных инструментах, таких как WeatherNext, разработанных для решения конкретных научных задач. Второй – на "агентах", системах на основе LLM, которые когда-нибудь смогут проводить передовые исследования без участия человека.
Именно вторая концепция сейчас подпитывает энтузиазм вокруг AI, включая разговоры о рекурсивном самосовершенствовании, когда AI-системы сами становятся двигателями прогресса AI. И такие системы уже вносят реальный вклад в науку, иногда с минимальным участием человека.
На этой неделе Пушмит Коли, главный научный сотрудник Google Cloud, опубликовал статью, в которой написал: "Мы движемся к AI, который не просто помогает науке, а начинает заниматься наукой". С автономными AI-учеными на горизонте сложнее оправдать огромные усилия по разработке узкоспециализированных инструментов – даже таких, как AlphaFold, за который ученые DeepMind получили Нобелевскую премию, или WeatherNext. Это предвещает странное будущее науки, в котором люди и AI сотрудничают как равные – или AI делает научные открытия самостоятельно.
Разумеется, Google не отказывается от работы над специализированными AI-инструментами. AlphaGenome и AlphaEarth Foundations, обученные для генетики и наук о Земле, были выпущены прошлым летом, а новая версия WeatherNext вышла в ноябре.
Более того, такие инструменты по-прежнему очень популярны среди ученых. В прошлом году Google сообщил, что прогнозы структуры белка от AlphaFold использовали более трех миллионов исследователей по всему миру. А Isomorphic Labs, дочерняя компания Google, которая стремится использовать AlphaFold для разработки новых лекарств, только что привлекла 2 миллиарда долларов в рамках раунда финансирования Series B.
Но есть признаки переориентации, как в энтузиазме, так и в ресурсах. По данным Los Angeles Times, научный сотрудник Google Джон Джампер, получивший Нобелевскую премию за AlphaFold, теперь работает над AI-кодированием, а не над научными AI-инструментами. Неудивительно, что Google поручает своим лучшим умам проблему кодирования, поскольку компания недавно получила удар по репутации из-за того, что ее инструменты кодирования не соответствуют тем, что предлагают Anthropic и OpenAI. Но это также может сигнализировать о приоритете "агентной" науки со стороны Google, поскольку навыки кодирования являются ключом к успеху некоторых из этих систем.
В масштабах отрасли "агентные" исследовательские системы демонстрируют реальный потенциал. На этой неделе OpenAI объявила, что одна из их моделей опровергла важную математическую гипотезу – возможно, самый значимый вклад, который генеративный AI внес в математику на сегодняшний день, по мнению некоторых математиков.
Важно отметить, что модель, используемая OpenAI, не специализируется на решении математических задач или даже на исследованиях; по данным компании, это модель общего назначения в духе GPT-5.5. Если общие агенты могут вносить независимый вклад в математические исследования, они могут вскоре сделать то же самое и в науке (хотя тот факт, что идеи в науке должны быть проверены экспериментально, делает ее более сложной областью для AI).
Google, безусловно, уделяет много внимания "агентному" научному будущему. Главным научным анонсом на I/O стал новый пакет Gemini for Science, который объединяет несколько научных систем компании на основе LLM под одним брендом.
Сюда входят AI Co-Scientist, генерирующий гипотезы, и AlphaEvolve, оптимизирующий алгоритмы, которые пока недоступны публично. Но поскольку Google теперь позволяет любому исследователю подать заявку на доступ к Gemini for Science, они могут вскоре получить более широкое распространение в научном сообществе. Ученые, участвовавшие в раннем тестировании, в восторге от их потенциала: Гэри Пельтц, генетик из Стэнфорда, сравнил использование AI Co-Scientist с "консультацией с оракулом из Дельф" в статье Nature Medicine.
Gemini for Science не несовместим со специализированными инструментами; напротив, "агентные" системы могут быть разработаны для обращения к таким инструментам, когда они могут быть полезны. И ни одна "агентная" система не может предсказать структуру, в которую свернется белок, без помощи AlphaFold (по крайней мере, пока). Но компания, похоже, смещает свой публичный имидж – и, по крайней мере, часть ресурсов и персонала, таких как Джампер, – от разработки именно таких инструментов. Хотя прошло всего пять лет с тех пор, как AlphaFold решил проблему сворачивания белков, как технология, так и дискурс быстро вышли за рамки этого некогда революционного достижения.
Google старается позиционировать этот новый набор научных агентов как ускоритель для ученых, а не как замену им – выбор названия AI Co-Scientist, а не AI Scientist, кажется вполне преднамеренным. Хассабис использует ту же человеко-ориентированную формулировку, когда говорит об изменениях в ландшафте научного AI. "В течение следующего десятилетия или около того мы должны думать об AI как об удивительном инструменте, помогающем ученым", – сказал Хассабис в интервью, опубликованном в выпуске Daedalus. "По истечении этого срока трудно сказать что-либо с какой-либо уверенностью, но, возможно, эти системы станут больше похожи на сотрудников".