Narzędzie AI w dwa dni rozwiązało problem, którego badanie naukowcom zajęło lata

Profesor José R. Penadés i zespół mikrobiologów z Imperial College London spędzili dekadę pracując i udowadniając, dlaczego niektóre superbakterie są odporne na antybiotyki. Ten złożony problem w zaledwie dwa dni rozwiązał “AI co-scientist”, wieloagentowy system sztucznej inteligencji zbudowany przez Google przy użyciu Gemini 2.0.

Jak informuje BBC, prof. Penadés dał temu narzędziu krótki monit z pytaniem o główny problem, który badał, a ono doszło do tego samego wniosku w ciągu 48 godzin. Naukowiec był w prawdziwym szoku, zwłaszcza że jego badania nie zostały nigdzie opublikowane, więc nie mogły zostać znalezione przez system sztucznej inteligencji w domenie publicznej.

“Napisałem nawet e-mail do Google, z pytaniem czy nie mają czasem dostępu do mojego komputera” – powiedział prof. Penadés w programie Today w BBC Radio Four.

Przedstawiciel Google potwierdził, że tak nie jest.

Naukowiec stwierdził, że gdyby jego zespół miał tę hipotezę na początku projektu, zaoszczędziłoby mu to lata pracy. Co ciekawe, prof. Penadés dodał, że agent AI w rzeczywistości zrobił więcej niż tylko pomyślne powtórzenie jego badań.

„Nie chodzi tylko o to, że główna hipoteza była właściwa. Narzędzie dostarczyło także kolejne cztery i wszystkie z nich mają sens. O jednej z nich nigdy nie myśleliśmy i obecnie nad nią pracujemy” – powiedział prof. Penadés BBC. “Tego typu rozwiązania AI zdecydowanie zmienią naukę” – dodał.

“AI co-scientist”

To wieloagentowy system sztucznej inteligencji, który funkcjonuje jako narzędzie współpracy dla naukowców. Zbudowany na Gemini 2.0 model zaprojektowano tak, aby odzwierciedlał proces rozumowania leżący u podstaw metody naukowej. Poza standardowym przeglądem literatury, podsumowaniem i narzędziami do „głębokich badań”, system “AI co-scientist” ma na celu odkrycie nowej, oryginalnej wiedzy i sformułowanie wyraźnie nowatorskich hipotez oraz propozycji badawczych, opartych na wcześniejszych dowodach i dostosowanych do konkretnych celów badawczych, wskazują specjaliści Google.

W tym celu system wykorzystuje koalicję wyspecjalizowanych agentów – Generation, Reflection, Ranking, Evolution, Proximity i Meta-review – które są inspirowane samą metodą naukową. Jak tłumaczą eksperci Google, wykorzystują one zautomatyzowane informacje zwrotne do iteracyjnego generowania, oceny i udoskonalania hipotez, co skutkuje samodoskonalącym się cyklem coraz wyższej jakości, nowatorskich wyników.

Więcej szczegółów na temat tego rozwiązania można znaleźć pod poniższym linkiem.