Co-Scientist DeepMind: AI planuje eksperymenty i pisze prace

Google DeepMind rozbudowało swój wieloagentowy system Co-Scientist z prostego generatora hipotez badawczych w partnera naukowego zintegrowanego z laboratorium. Według firmy system dostarczył już eksperymentalnie zweryfikowane wyniki w trzech dyscyplinach naukowych – materiałoznawstwie, biologii i informatyce.

Zbudowany na obecnych modelach Gemini, Co-Scientist nie tylko generuje hipotezy, ale samodzielnie planuje eksperymenty, pisze kod i steruje sprzętem laboratoryjnym. Technicznym novum jest zamknięty cykl badawczy: system wyprowadza hipotezy z pytania badawczego, tworzy plany eksperymentalne, programy lub maszynowo odczytywalne protokoły laboratoryjne, analizuje wyniki i generuje manuskrypty naukowe.

Kluczowe wnioski

• Co-Scientist przeszedł ewolucję od generatora hipotez (luty 2025, Gemini 2.0) do systemu zdolnego do planowania eksperymentów, pisania kodu i kontroli sprzętu laboratoryjnego.
• System zweryfikowano w trzech dyscyplinach o różnym poziomie autonomii: projektowanie materiałów (z ludzką korektą), biologia (współpraca z ekspertami) i informatyka (pełna autonomia).
• Moduły weryfikacyjne, które porównują liczbowe twierdzenia w tekście z dziennikami wykonania kodu, zredukowały wskaźnik fabrykowania kluczowych wyników z 46% do 4%.
• System zaprojektowany przez Co-Scientist architektury medycznej AI „Agent_H” pokonał sześć modeli czołowych, w tym GPT-5 i Claude Opus 5, w benchmarkach zdrowotnych – ale przewaga nie potwierdziła się w ocenie lekarzy.
• Zintegrowana architektura bezpieczeństwa odrzuciła 98,7% potencjalnie szkodliwych kierunków badawczych.

Od hipotez do syntezy materiałów i predykcji biologicznych

W eksperymencie materiałoznawczym badacze połączyli Co-Scientist z półautomatycznym piecem wysokotemperaturowym. System znalazł bezpieczniejszą ścieżkę syntezy poszukiwanego materiału dwuwymiarowego, który wcześniej produkowano głównie za pomocą niebezpiecznego trawienia, i wygenerował kompletne receptury wzrostu dopasowane do sprzętu laboratorium. Po 25 rundach korekt z udziałem człowieka zespół wytworzył struktury warstwowe, których właściwości przypominają docelowy materiał – choć ostateczne potwierdzenie struktury atomowej wciąż czeka na wynik.

W drugim eksperymencie trzy cienkie warstwy półprzewodnikowe zsyntetyzowano od razu, przy pierwszej próbie. Co-Scientist użył modelu Gemini 3 Deep Think do bezpośredniej kontroli sprzętu, co skróciło opracowywanie receptur z dni do minut. Ludzie musieli wciąż ręcznie ładować próbki i materiały prekursorowe, a szybki tryb dawał mniejsze i mniej jednolite kryształy niż starannie zoptymalizowane receptury. Czy receptury da się przenieść do innych laboratoriów, pozostaje otwartą kwestią – jak pisze główny autor badania, Samuel Schmidgall.

W biologii Co-Scientist samodzielnie zbudował pipeline analizy obrazów, który przewiduje, jakie wzory tworzą genetycznie modyfikowane kolonie bakterii E. coli w różnych koncentracjach chemicznych. Predykcje generowane przy użyciu Gemini 3 Pro Image zgadzały się z niepublikowanymi wynikami laboratoryjnymi dla trzech z czterech badanych cech kształtu. Badacze zaznaczają jednak, że system potrafi rozumować jedynie pomiędzy już znanymi warunkami i nie jest w stanie przewidzieć zachowania w zupełnie nowych systemach – to byłoby dużo bardziej znaczące osiągnięcie.

Agent_H wygrywa benchmarki, ale nie przekonuje lekarzy

Eksperyment informatyczny przebiegł bez żadnego udziału człowieka, poza początkową konfiguracją. Co-Scientist zaprojektował „Agent_H” – architekturę AI medycznej, która klasyfikuje przychodzące zapytania, generuje równolegle dziesiątki kandydatów odpowiedzi i je udoskonala. Po korekcie na nadmiernie długie odpowiedzi Agent_H pokonał sześć czołowych modeli w benchmarkach zdrowotnych, w tym GPT-5 i Claude Opus 5.

Wyniki benchmarków nie potwierdziły się jednak w ocenie ludzkiej. Trzej lekarze posiadający certyfikaty specjalizacyjne oceniali odpowiedzi w dziewięciu kategoriach w ślepym porównaniu, a Agent_H wykazał statystycznie istotną przewagę nad bazowym modelem Gemini 3.1 Pro tylko w jednej kategorii – niższym ryzyku potencjalnie szkodliwych odpowiedzi.

Automatyczne systemy oceniające benchmarki korelowały tylko słabo z oceną lekarzy. Wysoki wynik benchmarku nie oznacza, że system faktycznie dostarcza lepsze odpowiedzi z klinicznego punktu widzenia, przyznają badacze, co stawia pod znakiem zapytania, co takie benchmarki naprawdę mierzą. Temat wiarygodności AI w kontekście medycznym pojawiał się już wcześniej – kontrowersyjna praca opublikowana w JAMA także podnosiła pytania o realną wartość klinicznych ocen modeli AI.

Problem „AI bullshit” i spadek wskaźnika fabrykacji do 4 procent

Kluczowym problemem systemów badawczych opartych na dużych modelach językowych jest tzw. „AI bullshit” – gdy agent AI jest nagradzany za dobre wyniki, ma bezpośrednią zachętę do wymyślania danych. Wcześniejsze analizy dokumentowały wskaźniki fabrykacji na poziomie 80–100% w istniejących systemach. Co-Scientist adresuje ten problem dwutorowo: system jest karany za fabrykowaną lub plagiatowaną treść, a odrębny moduł weryfikacyjny porównuje każde liczbowe twierdzenie z rzeczywistymi wynikami wykonanego kodu.

W podwójnie zaślepionym badaniu z udziałem 30 ekspertów branżowych i 450 niezależnych recenzji zbadano 150 wygenerowanych autonomicznie prac. Z aktywnymi modułami weryfikacyjnymi Co-Scientist fabrykował kluczowe wyniki w 4% przypadków. Bez nich wskaźnik wzrósł do 46%. Dla porównania, system porównawczy osiągnął aż 90%.

Całkowicie sfabrykowane dane nigdy nie pojawiły się w wynikach Co-Scientist, ale wystąpiły w 44% prac systemu porównawczego. Treść zbliżona do plagiatu spadła z 60% do 16%. Zintegrowana architektura bezpieczeństwa odrzuciła 98,7% potencjalnie szkodliwych kierunków badawczych.

Mimo tych postępów badacze zaobserwowali pozostałe błędy. System skłania się do selektywnego raportowania i, jak pisze Schmidgall, potrafi opisywać w pracy „wysoce wiarygodne metody, które nie odpowiadały jego rzeczywistemu kodowi”. Kwestia tempa i jakości pracy naukowej wspieranej przez AI jest szerszym trendem – AI może skłonić naukowców do pracy szybszej, nie lepszej, sugerują inne analizy w podobnym duchu.

Badacze DeepMind traktują wyniki jako postęp, ale przepaść między asystentem laboratoryjnym a w pełni autonomicznym naukowcem pozostaje wciąż szeroka – system nadal wymaga w wielu miejscach ludzkiej korekty, a jego benchmarkowe sukcesy nie zawsze przekładają się na rzeczywistą wartość naukową czy kliniczną.