Google DeepMind Co-Scientist: ИИ сам ставит опыты и пишет статьи

Когда ИИ перестает советовать и начинает делать

Представьте: вы приходите в лабораторию утром, а ваш ИИ-коллега уже спланировал эксперимент, запрограммировал установку, получил первые результаты и набросал черновик статьи. Именно к этому сценарию вплотную приблизился Google DeepMind с обновленным Co-Scientist. И это не рендер из презентации - это реально работающая система, прошедшая валидацию в трех научных дисциплинах.

Co-Scientist впервые показали публике в феврале 2025 года - тогда система на базе Gemini 2.0 умела генерировать гипотезы, но грешила слабой проверкой фактов и поверхностной работой с литературой. За полтора года команда DeepMind переделала архитектуру до неузнаваемости. Теперь это замкнутый исследовательский цикл: гипотеза → план эксперимента → машиночитаемый протокол → управление оборудованием → анализ → рукопись. И все это - в рамках единой мультиагентной системы.

Три дисциплины, три уровня автономии

Авторы исследования намеренно выстроили эксперименты по нарастающей автономии - и это методологически честный подход.

В материаловедении Co-Scientist работал в паре с полуавтоматическим реактором химического осаждения из газовой фазы. Система нашла безопасный путь синтеза MXene-подобных 2D-материалов - класса соединений, который традиционно получают через токсичное химическое травление. После 25 итераций с участием людей удалось вырастить слоистые структуры, похожие на Ti₃C₂Tₓ MXene. Атомная структура пока окончательно не подтверждена, но сам факт нахождения альтернативного маршрута синтеза - уже результат. Отдельно: система с использованием Gemini 3 Deep Think за минуты разработала рецепты роста монослоев MoS₂, MoSe₂ и WS₂ - три полупроводниковые пленки выросли с первой попытки. Раньше такая оптимизация занимала дни.

В биологии Co-Scientist построил автономный пайплайн анализа изображений для предсказания поведения колоний генетически модифицированных E. coli при разных концентрациях химических индукторов. Предсказания на базе Gemini 3 Pro Image совпали с неопубликованными лабораторными данными по трем из четырех морфологических признаков. Система рассуждает между известными состояниями - предсказывать поведение в принципиально новых условиях она пока не умеет, что авторы честно признают.

В компьютерных науках Co-Scientist работал полностью автономно и разработал медицинскую архитектуру под названием Agent_H. Система классифицирует входящие запросы, параллельно генерирует десятки вариантов ответов и затем их рафинирует. На бенчмарках HealthBench (Hard и Professional) Agent_H обошел шесть фронтирных моделей, включая GPT-5 и Claude Opus 5. Но вот незадача: когда три сертифицированных врача оценили ответы вслепую по девяти категориям, статистически значимое преимущество Agent_H проявилось лишь в одном параметре - меньшем риске потенциально вредных ответов. Автоматические бенчмарки слабо коррелировали с мнением специалистов. Это важный урок: высокий балл на бенчмарке ≠ клинически значимое качество.

Борьба с галлюцинациями: модули верификации

Одна из главных проблем предыдущей версии - склонность системы к выдумыванию фактов. Теперь в архитектуру встроены детерминированные модули надежности: они сверяют численные утверждения в тексте рукописи с логами выполненного кода. Двойное слепое исследование с участием 30 экспертов и 450 рецензий показало, что эти модули действительно снижают галлюцинации и плагиат, одновременно повышая безопасность публикуемых результатов. Это не панацея, но значимый шаг вперед.

Параллельно система интегрирована с профессиональными базами данных - ChEMBL, UniProt - и может использовать предиктивные модели вроде AlphaFold для углубленного анализа.

Реальные применения: от печени до ALS

Помимо трех ключевых экспериментов, Co-Scientist уже работает в прикладных медицинских задачах. Профессор Гэри Пельц из Стэнфордской медицинской школы использовал систему для поиска кандидатов на репрофилирование лекарств против фиброза печени. Co-Scientist выявил препараты, которые исследователи упустили из виду - один из них в лабораторных тестах заблокировал 91% реакции, связанной с образованием рубцов. Результаты опубликованы в журнале *Advanced Science*. Пельц назвал систему "коллегой, который прочитал всю биомедицинскую литературу и умеет находить связи, которые мы упускаем".

Enterprize-версию системы тестируют Daiichi Sankyo, Bayer Crop Science и американские национальные лаборатории в рамках Genesis Mission.

Что это значит для науки - и где ограничения

Co-Scientist - не замена ученому. Это усилитель исследовательского процесса. Люди по-прежнему загружают образцы, верифицируют структуры, оценивают клиническую значимость. Система не предсказывает поведение в принципиально новых условиях и не гарантирует воспроизводимость рецептов в других лабораториях - сам ведущий автор Самуэль Шмидгалл прямо указывает на это в статье.

Но скорость - вот где прорыв. Дни на оптимизацию рецепта превращаются в минуты. Недели на поиск литературных связей - в часы. Для российских исследователей доступ к системе пока ограничен: инструмент "Генерация гипотез" на labs.google требует предварительной регистрации, и российские карты там не принимаются. Энтерпрайз-партнерства идут через Google Cloud - с соответствующими ограничениями для российского рынка.

Мы наблюдаем переход от "ИИ как поисковик по литературе" к "ИИ как полноправный соавтор эксперимента". Это принципиально иной уровень интеграции. И судя по темпу развития - от Gemini 2.0 в феврале 2025-го до Gemini 3 Deep Think с управлением реальным оборудованием к августу 2026-го - пауз в этой гонке не предвидится.

*Информация подтверждена несколькими независимыми публикациями, включая технический препринт и официальный блог Google DeepMind.*