ИИ-агенты выходят на научную арену

Летом 2026 года Google DeepMind опубликовал аналитический материал о том, как ИИ-агенты меняют научные исследования. Авторы — Дон Уоллес, Конор Гриффин, Шон О’Нил, Тханг Луонг и Оуэн Лартер — поговорили с десятью исследователями и инженерами компании, чтобы понять, что нас ждёт. Главный тезис: в ближайшие годы агенты возьмут на себя не только рутинные задачи вроде кодирования, но и выдвижение гипотез, планирование экспериментов и даже открытие новых алгоритмов. Это ставит перед научным сообществом и политиками неотложный вопрос: как проверять вал идей, которые сгенерирует ИИ?

Показательный случай произошёл в Имперском колледже Лондона. Микробиолог Хосе Пенадес и его команда почти десять лет разбирались, как одно семейство супербактерий распространяет устойчивость к антибиотикам. Результат они держали в секрете внутри лаборатории. В 2024 году Пенадес описал проблему агенту Co-Scientist от Google DeepMind. За двое суток агент выдал пять возможных объяснений, ранжированных по приоритету. Первое совпало с гипотезой, которую команда так долго доказывала: некоторые супербактерии заимствуют хвосты у вирусов и используют их как «ключи», чтобы перескакивать между видами-хозяевами. Пенадес был настолько ошеломлён, что заподозрил взлом своего компьютера и написал в Google. Ему подтвердили: агент не подглядывал. Если бы такое прозрение случилось раньше, команда сэкономила бы годы работы.

Что умеют агенты и почему это важно

ИИ-агент — это система на базе большой языковой модели (LLM), которой дают цель и инструменты для её достижения. В отличие от чат-бота, который просто отвечает на запросы, агент планирует шаги, разбивает задачу на подзадачи, запускает параллельные процессы, сам находит и исправляет ошибки. Он может обращаться к внешним базам данных, научным инструментам и даже писать код для управления роботами.

Появление агентов совпало с растущим «бременем знаний»: учёным приходится осваивать всё больше информации, прежде чем они смогут внести вклад. Вопросы в разработке лекарств, климатическом моделировании, материаловедении и биологии становятся настолько сложными и междисциплинарными, что человеческим командам трудно справляться с ними в прежнем темпе. Наука опирается на социальную инфраструктуру — лаборатории, институты, рецензирование, гранты, сети обмена знаниями. Эра ИИ-агентов бросит этой инфраструктуре вызов и потребует быстрых перемен, часть которых, возможно, давно назрела.

Программная инженерия уже пережила похожий сдвиг: за год агенты для кодирования изменили рабочие привычки инженеров. Наука сложнее и «грязнее», но в чём-то агентам даже удобнее: огромная литература доступна в текстовом виде, есть большие базы данных, а многие рабочие процессы уже построены вокруг кода. Кроме того, у науки уже есть поколение специализированных ИИ-моделей — от инструментов для дизайна белков и материалов до современных систем прогноза погоды, — которые агенты могут задействовать.

Три силы, которые делают агентов полезными

Те, кто пробовал ранние версии ИИ-агентов, могли скептически отнестись к их пользе в науке, где важны строгость и надёжность. Но три фактора меняют ситуацию: более сильные фронтальные модели, «скаффолдинг» (строительные леса) и возможность тонкой настройки под конкретного учёного.

Современные модели уже превосходят экспертов-людей в сложных научных тестах, таких как Humanity’s Last Exam и FrontierMath. Ещё важнее — новая глубина мышления благодаря рассуждению во время вывода (inference-time reasoning): модель прорабатывает задачу пошагово, исследует варианты и пересматривает их, прежде чем дать ответ. В математике и информатике, где прорыв может опираться только на рассуждение, модели показывают впечатляющие результаты. Но улучшенное мышление помогает и в других областях: агенты вытаскивают находки из «длинного хвоста» научных статей, находят связи между дисциплинами, решают, какой инструмент вызвать и когда, и ловят собственные ошибки по ходу дела.

Скаффолдинг — это своего рода «упряжь», которая помогает агенту раскрыть скрытые способности базовой модели. Такой код «оборачивает» модель, давая ей структуру, память и доступ к инструментам: исполнению кода, научному софту, поиску литературы. Он же позволяет агенту вызывать специализированные ИИ-модели и общаться с другими агентами. Первые скаффолды были штучными: они содержали детальные инструкции для конкретного агента, но плохо переносились на другие системы или новые поколения моделей. Новые стандарты, например протоколы взаимодействия агентов, должны снизить потребность в такой ручной работе.

Настройка под пользователя — третий фактор. Агентов можно адаптировать под дисциплину, рабочий процесс лаборатории или отдельного исследователя. Ключевой механизм — распространение «навыков» агентов, которые пользователи создают под свои задачи. Базовые модели хранят много явных научных знаний — тех, что записаны в статьях и учебниках. Но им не хватает неявного знания: трудно формулируемого ремесла, наработанного годами практики и неудач, которое позволяет учёному заставить клеточную линию расти или симуляцию работать. Раньше, чтобы передать агенту методологические тонкости, приходилось писать подробные промпты, строить особые скаффолды или переобучать модель. Навыки делают это знание переносимым: это наборы инструкций, часто простые текстовые файлы, которые говорят агенту, как выполнить задачу и что выдать. Их легко создавать, распространять и накапливать. Чем больше учёный пользуется агентом, тем лучше агент учитывает его предпочтения. Лаборатории и институты могут безопасно предоставлять агентам свои закрытые данные — например, старые лабораторные журналы.

Искусственный интеллект уже не просто помогает врачам ставить диагнозы или искать новые лекарства. Недавнее исследование показало: ИИ способен на шаг, который ещё вчера казался немыслимым, — проектировать вирусные геномы в лабораторных условиях. Это открытие вызвало бурную реакцию по всему миру: одни видят в нём прорыв в медицине, другие — потенциальную угрозу глобальной биобезопасности.

До сих пор ИИ-системы в науке в основном ускоряли рутинные задачи: анализировали снимки, сортировали данные, подбирали молекулы-кандидаты для лекарств. Но теперь машины начинают выдвигать собственные гипотезы и планировать эксперименты. И это меняет саму логику научного поиска.

От помощника к автору гипотез

Google DeepMind недавно представил анализ того, как ИИ-агенты, подобные Co-Scientist, переходят от помощи в кодировании к самостоятельному выдвижению научных гипотез. Речь не о том, что алгоритм просто перебирает варианты из базы данных. Он формулирует предположения о том, как устроен биологический процесс, и предлагает способы проверки этих идей.

Такой сдвиг порождает новое «узкое место» в науке. Если раньше главной проблемой было придумать эксперимент, то теперь — проверить лавину идей, которые генерирует ИИ. Лаборатории физически не успевают валидировать всё, что предлагают машины. И это не гипотетическая сложность: уже есть примеры, когда сгенерированные ИИ гипотезы оказывались верными, но на их проверку уходили месяцы.

Вирус по чертежу

Прорыв, о котором заговорили в августе 2026 года, касается именно вирусных геномов. Учёные использовали ИИ для разработки генетических последовательностей вирусов в лабораторных условиях. Детали эксперимента держатся в секрете, но сам факт подтверждён: алгоритм спроектировал геном, который затем был синтезирован и, судя по всему, функционировал.

Это не значит, что ИИ «создал живой вирус» в пробирке. Речь о конструировании генетического кода — той самой инструкции, по которой вирус собирается. Но даже такой шаг вызывает тревогу: если машина способна проектировать патогены, где гарантия, что этим не воспользуются злоумышленники?

Биобезопасность под вопросом

Дискуссия развернулась мгновенно. Сторонники технологии указывают на медицинские перспективы: спроектированные ИИ вирусы могут стать основой для новых вакцин, векторов доставки генной терапии или инструментов для уничтожения раковых клеток. Противники напоминают о двойном назначении таких исследований.

Показательно, что само исследование не раскрывает всех деталей. Учёные, похоже, осознают чувствительность темы и не спешат публиковать полные протоколы. Это редкий случай, когда научное сообщество добровольно ограничивает информацию — из соображений безопасности, а не конкуренции.

Ситуация напоминает давний спор о публикации данных по «испанке» или о синтезе вируса полиомиелита в начале 2000-х. Тогда тоже говорили о «рецепте в открытом доступе». Сегодня вопрос стоит острее: ИИ не просто облегчает синтез, а сам становится автором проекта.

Что дальше

Пока нет единого мнения, как регулировать такие разработки. Одни предлагают ввести международный мораторий на использование ИИ для проектирования патогенов. Другие считают, что запреты лишь загонят исследования в тень, а открытость и контроль — лучшая защита.

Ясно одно: грань между «помощником» и «исследователем» для ИИ уже стёрта. И теперь науке придётся решать не только, как проверять идеи машин, но и как отвечать за их последствия.

Проектирование вирусных геномов: от наблюдения к биобезопасности

Исследователи заявили, что цель работы заключалась не в создании опасных патогенов, а в улучшении эпиднадзора за вирусами, вакцинных исследований и научного понимания. Однако сам факт такого прорыва вызвал опасения по поводу биобезопасности и возможного злоупотребления передовым ИИ в синтетической биологии.

Новость мгновенно разлетелась по заголовкам мировых СМИ — от WION до специализированных научных обозревателей. Одни назвали это «кошмаром ИИ, ставшим реальностью», другие сосредоточились на потенциальной пользе для глобального здравоохранения. Дискуссия вышла далеко за пределы лабораторий: теперь о конструировании вирусных геномов рассуждают политики, эксперты по биоэтике и широкая публика.

Тревогу подогревает и недавнее открытие итальянских учёных, о котором мы уже писали: гены могут передаваться по воздуху, как вирусы. Если ДНК способна распространяться при тесном контакте, то возможность целенаправленного проектирования вирусных геномов приобретает ещё более серьёзное звучание. Впрочем, пока что речь идёт о строго контролируемых лабораторных условиях, где каждый шаг документируется и проверяется.

Скептики, впрочем, напоминают: любая технология двойного назначения несёт риски. Вопрос не в том, способен ли ИИ проектировать вирусы, а в том, кто и как будет контролировать этот процесс. Пока что исследователи подчёркивают: их работа направлена на защиту человечества, а не на создание угроз. Но граница между защитой и опасностью в синтетической биологии тоньше, чем кажется.