Google zmienia strategię AI w nauce — od wyspecjalizowanych narzędzi do autonomicznych agentów

Podczas tegorocznej konferencji Google I/O, CEO Google DeepMind Demis Hassabis ogłosił, że obecnie „stoimy u podnóża osobliwości technologicznej”. Ta odważna wypowiedź padła w kontekście prezentacji naukowych zastosowań AI, co ukazało napięcie między dwoma różnymi podejściami do sztucznej inteligencji w nauce. Szczegółową analizę tej zmiany kierunku publikuje MIT Technology Review.

Hassabis przedstawił swoje prognozy tuż po zaprezentowaniu systemu WeatherNext, który ostrzegł przed katastrofalnym uderzeniem huraganu Melissa na Jamajkę w zeszłym roku i potencjalnie uratował życie ludzi. Sukces tego systemu podkreśla rosnące znaczenie wyspecjalizowanych narzędzi AI, ale jednocześnie kontrastuje z wizją autonomicznych systemów badawczych opartych na dużych modelach językowych.

Kluczowe wnioski

• Google przesunęło noblistę Johna Jumpera, twórcę AlphaFold, do pracy nad kodowaniem AI zamiast wyspecjalizowanych narzędzi naukowych.
• Nowy pakiet Gemini for Science łączy systemy LLM-based pod jedną marką, w tym AI Co-Scientist generujący hipotezy i optymalizujący algorytmy AlphaEvolve.
• OpenAI ogłosiło, że ich model ogólnego przeznaczenia obalił ważną hipotezę matematyczną — być może najważniejszy wkład generatywnej AI w matematykę.
• Struktury białek przewidziane przez AlphaFold wykorzystuje już ponad trzy miliony naukowców na całym świecie.
• Isomorphic Labs, spółka Google wykorzystująca technologie AlphaFold do rozwoju leków, pozyskała 2 miliardy dolarów w rundzie Series B.

Dwa konkurujące podejścia do AI w nauce

Branża AI stoi obecnie przed wyborem między dwoma fundamentalnie różnymi strategiami. Pierwsza koncentruje się na wyspecjalizowanych narzędziach zaprojektowanych do rozwiązywania konkretnych problemów naukowych, takich jak WeatherNext czy AlphaFold. Druga wizja zakłada rozwój autonomicznych systemów agentowych opartych na LLM, które mogłyby samodzielnie prowadzić przełomowe badania.

Pushmeet Kohli, główny naukowiec Google Cloud, w swojej publikacji w czasopiśmie Daedalus napisał: „Zmierzamy w kierunku AI, która nie tylko ułatwia naukę, ale zaczyna uprawiać naukę”. Ta perspektywa napędza obecny entuzjazm wokół rekursywnego samodoskonalenia — idei, że systemy AI mogłyby stać się głównymi motorami postępu w dziedzinie sztucznej inteligencji.

Konkretne sygnały tej zmiany kierunku są już widoczne. Los Angeles Times doniosło w zeszłym miesiącu, że John Jumper, który otrzymał Nagrodę Nobla za AlphaFold, obecnie pracuje nad kodowaniem AI, a nie nad narzędziami naukowymi. To może sygnalizować priorytet Google dla agentowej nauki, ponieważ umiejętności kodowania są kluczowe dla sukcesu takich systemów.

Gemini for Science i przyszłość autonomicznych badaczy

Głównym naukowym ogłoszeniem podczas I/O był pakiet Gemini for Science, który łączy kilka systemów naukowych opartych na LLM pod jedną marką. Obejmuje to generujący hipotezy AI Co-Scientist oraz optymalizujący algorytmy AlphaEvolve, które nadal nie są publicznie dostępne, ale Google pozwala obecnie każdemu naukowcowi ubiegać się o dostęp.

Naukowcy zaangażowani we wczesne testy wykazują entuzjazm co do potencjału tych systemów. Gary Peltz, genetyk ze Stanford, porównał korzystanie z AI Co-Scientist do „konsultacji z wyrocznią delficką” w artykule opublikowanym w Nature Medicine.

W tym samym tygodniu OpenAI ogłosiło, że jeden z ich modeli obalił ważną hipotezę matematyczną — co niektórzy matematycy uznają za być może najważniejszy wkład generatywnej AI w matematykę. Co istotne, wykorzystany model nie był wyspecjalizowany w rozwiązywaniu problemów matematycznych, ale stanowił model ogólnego rozumowania podobny do GPT-5.5.

Google nie porzuca całkowicie pracy nad wyspecjalizowanymi narzędziami naukowych — AlphaGenome i AlphaEarth Foundations zostały wydane latem zeszłego roku, a najnowsza wersja WeatherNext w listopadzie. Jednak przesunięcie zasobów i personelu, w tym Jumpera, sygnalizuje wyraźną zmianę priorytetów w kierunku systemów agentowych, które mogą współpracować z ludzkimi naukowcami jako równorzędni partnerzy, a być może nawet przewyższyć ich w niektórych obszarach badawczych.