Отчет OpenAI показывает, как ИИ-агенты помогают ученым модернизировать программное обеспечение, смещая фокус исследователей с рутинного программирования на проверку научных результатов.
3 мин
Научные вычисления лежат в основе современных исследований, от академической среды до коммерческого сектора. Однако программное обеспечение, необходимое для анализа этих данных, часто не поспевает за скоростью их генерации. Недавний отчет OpenAI демонстрирует, как автономные ИИ-агенты начинают менять эту динамику, помогая ученым модернизировать инфраструктуру и ускорять научные открытия.
Исторически сложилось так, что многие популярные исследовательские инструменты начинались как код, написанный в дополнение к научной статье. Их создавали небольшие команды ученых с минимальным инженерным опытом. У них не было времени на качественную упаковку, тестирование, оптимизацию или обеспечение долгосрочной поддержки. В результате современная научная инфраструктура часто опирается на медленные и хрупкие процессы, требующие постоянного обслуживания. Это напрямую тормозит темпы научных открытий.
ИИ-агенты предлагают решение этой проблемы. Снижая затраты на инженерную работу и беря на себя рутинные задачи по написанию кода, они позволяют исследователям быстрее прототипировать идеи. В отчете OpenAI проанализированы восемь проектов в области наук о жизни. Пять из них использовали только модель Codex, а три — комбинацию Codex и Claude Code. Проекты варьировались от рутинного обслуживания до крупномасштабных миграций на новые языки программирования и адаптации под вычисления на графических процессорах (GPU).
Diagram mapping agent-assisted scientific software projects across a spectrum from maintenance to workflow redesign.
Одним из ярких примеров стала модернизация cyvcf2 — популярной библиотеки на Python для работы с файлами геномных вариантов. Использование модели GPT-5.5 позволило заменить устаревшую систему сборки на современный процесс, что значительно упростило установку, тестирование и выпуск обновлений библиотеки.
Ключевой вывод исследования заключается в изменении роли самого ученого. Исследователи все чаще переходят от непосредственной реализации (написания кода) к оркестрации и верификации. Теперь их главная задача — определить, что именно нужно создать, как измерить правильность работы и когда проект готов к релизу. Ученые сохраняют контроль над научным направлением и стандартами качества, получая при этом значительное ускорение за счет ИИ-ассистентов.
Однако технология не лишена недостатков. Агенты эффективно справляются с четко сформулированными задачами, но не могут надежно оценить научную достоверность своей работы. Часто они демонстрируют высокую уверенность даже тогда, когда их код содержит очевидные ошибки. Это требует от людей создания надежных методов проверки: использования внешних эталонов, точного совпадения выходных данных с существующими инструментами или применения заранее подготовленных симулированных данных.
GPT-Red art card
Процесс разработки с ИИ также имеет свои особенности. Проекты развиваются итеративно: глобальные цели разбиваются на мелкие задачи, а результаты работы агентов постоянно проверяются с помощью промежуточных тестов. Практика показывает, что агенты быстро создают первоначальные версии кода, но решение пограничных случаев и устранение тонких математических расхождений занимает гораздо больше времени. Так называемая «последняя миля» разработки остается самой трудоемкой частью.
Долгосрочное управление созданным программным обеспечением (stewardship) становится новым вызовом. Снижение стоимости написания кода приводит к тому, что создавать новые версии программ становится слишком легко. Это может привести к фрагментации базы пользователей и распылению внимания экспертов, необходимого для поддержания надежности инструментов. Без четкого плана развития и ответственного владельца сегодняшний современный код завтра превратится в заброшенный проект.
В будущем ценность ИИ-агентов в науке будет определяться не только тем, сколько кода они могут написать, но и тем, насколько грамотно люди смогут управлять этим процессом. По мере совершенствования алгоритмов ученые смогут тратить меньше времени на поддержку аналитических пайплайнов и больше — на развитие своих научных дисциплин.
Separating signal from noise > Art Card
Introducing GeneBench-Pro > Cover image
ИИ-агенты освобождают ученых от рутинного программирования, смещая их роль в сторону управления проектами и проверки научных гипотез.
Удешевление и ускорение написания кода создает новый риск: без грамотного долгосрочного управления появится множество фрагментированных и быстро заброшенных научных инструментов.
