Разбор новых инструментов для ученых, которые автоматизируют генерацию гипотез, вычислительные эксперименты и анализ научной литературы с помощью ИИ-агентов.
3 мин
Современная наука столкнулась с парадоксом: объем коллективных знаний человечества растет настолько быстро, что отдельным исследователям становится все сложнее видеть картину целиком. Чтобы решить эту проблему, корпорация Alphabet представила Gemini for Science — набор инструментов и экспериментов, призванных расширить масштаб и точность научных изысканий.
Суть инициативы заключается в переходе от узкоспециализированных моделей к универсальным агентам (general agents). Эти системы разработаны не для замены ученых, а в качестве мультипликатора их усилий, автоматизируя рутинные процессы сбора данных и тестирования базовых предположений.
Исторически научные прорывы часто зависели от способности исследователя найти неочевидные связи между разрозненными данными. Сегодня ручной поиск таких связей среди миллионов ежегодно публикуемых статей может занимать месяцы. Искусственный интеллект способен устранить это узкое место, позволяя исследователям сосредоточиться на постановке наиболее значимых проблем.
Person using a microscope with "Gemini for Science" text and star icon.
В рамках платформы на базе Google Labs представлены три основных прототипа. Первый — генерация гипотез на базе системы Co-Scientist. Поскольку ни один человек не способен проанализировать всю выходящую литературу, система симулирует научный метод. Она сотрудничает с исследователем для определения задачи, а затем использует многоагентный «турнир идей» (idea tournament), где модели генерируют, обсуждают и оценивают гипотезы. Все утверждения подкрепляются проверяемыми ссылками на источники.
Второй инструмент — вычислительные открытия на базе AlphaEvolve и системы эмпирической помощи в исследованиях (Empirical Research Assistance, ERA). Научный прогресс часто ограничивается количеством гипотез, которые можно физически или вычислительно протестировать. Этот агентный механизм решает проблему, параллельно создавая и оценивая тысячи вариаций кода. Это позволяет ученым тестировать новые подходы к моделированию в сложных областях, таких как эпидемиология или прогнозирование солнечной активности.
Третий элемент — анализ литературы с помощью NotebookLM. Система ищет данные в научных текстах и структурирует результаты в таблицы с настраиваемыми атрибутами для параллельного анализа. Это помогает синтезировать выводы из разных статей и находить пробелы в текущих исследованиях.
The image shows a colorful abstract design with the Google I/O 2026 logo.
Помимо экспериментальных инструментов, компания запускает Science Skills — специализированный пакет на платформе Google Antigravity. Он интегрирует данные из более чем 30 крупных баз данных в области наук о жизни, включая UniProt, базу данных AlphaFold и InterPro. В ходе раннего тестирования это позволило сократить время сложного геномного анализа с нескольких часов до нескольких минут, что уже привело к новым выводам о механизмах редкого генетического заболевания, вызванного мутациями в гене AK2.
Для индустрии это означает постепенный сдвиг парадигмы. Крупные корпорации, такие как BASF и Bayer Crop Science, уже используют эти инструменты в закрытом режиме для оптимизации цепочек поставок и ускорения исследований. Важно отметить, что надежность систем подтверждается академическим сообществом: статьи, посвященные ERA и Co-Scientist, прошли рецензирование и опубликованы в журнале Nature.
В перспективе развитие подобных агентных систем может фундаментально изменить скорость научного прогресса. Однако внедрение будет постепенным, так как требует тщательной проверки на отсутствие галлюцинаций больших языковых моделей (LLM) и адаптации под строгие стандарты научной валидации. Время покажет, насколько эффективно эти инструменты смогут решать не только вычислительные, но и концептуальные задачи в фундаментальной науке.
Изображение из источника
Изображение из источника
Изображение из источника
Искусственный интеллект переходит от роли простого помощника к полноценному участнику научного процесса, способному самостоятельно генерировать, обсуждать и проверять гипотезы на основе миллионов публикаций.
Ключевая инновация заключается не в прямом поиске ответов, а во внутреннем «турнире идей», где ИИ-агенты дискутируют друг с другом, чтобы отсеять слабые гипотезы до того, как они дойдут до человека.
