В 2024 году Демис Хассабис и Джон Джампер получили Нобелевку за AlphaFold — нейросеть, предсказавшую структуру белков. Достижение реальное, но урок из него индустрия выучила неправильный. Все бросились создавать «AlphaFold для химии», «AlphaFold для материалов», ожидая повторения чуда. Чудо держалось не на архитектуре, а на редчайшем ресурсе: базе данных из 170 000 белковых структур, которую собирали 53 года и потратили на это 21 миллиард долларов. Повторить такое в большинстве наук физически невозможно — эксперименты слишком нестабильны, чтобы накопить сопоставимые данные в промышленных масштабах.
Прорыв случился тише. AI-агенты — модели, которым дали доступ к инструментам и возможность их применять, — начали заменять не данные, а сам процесс исследования. В мае Google показал AI Co-Scientist: систему из нескольких субагентов. Первый генерирует гипотезы, второй разносит их в пух и прах как придирчивый рецензент, третий устраивает турнир между конкурирующими идеями, четвертый доводит победителя до ума. Системе дали страницу с описанием задачи — разобраться, как устойчивость к антибиотикам передается между видами бактерий. Через несколько часов она выдала верный ответ: гены резистентности путешествуют автостопом на бактериальных вирусах. Ученые из Imperial College London шли к этому же выводу десять лет лабораторной работы; их статья на момент эксперимента еще лежала на рецензии, и Co-Scientist ее не видела.
Агенты решают заодно и вечную головную боль науки — кризис воспроизводимости. Человек ленится документировать каждый шаг эксперимента, агент делает это автоматически, оставляя точный протокол для повторения. Плюс формируется коллективная память: вся история исследований лаборатории оседает в едином архиве, а не в блокнотах, которые новый аспирант расшифровывает годами. Но главный эффект — скорость. Агент, читающий тысячу статей за час и способный спроектировать 500 молекул за ночь, меняет экономику эксперимента: когда проверить идею дешевле, чем спорить о ней на совещании, спорить перестают.
Авторы статьи — экс-глава Google Эрик Шмидт и специалист по AI для материаловедения Сухас Махеш — сравнивают масштаб этого сдвига с изобретением математического анализа или спектроскопии. Это не улучшение отдельного инструмента, а универсальный метод, который переопределяет саму способность задавать вопросы.
Во что углубиться:
- История создания Protein Data Bank: как 53 года международного сотрудничества превратились в базу для AlphaFold
- Кризис воспроизводимости в науке: масштаб проблемы и почему ее не решали десятилетиями
- AlphaFold: пять лет влияния на биологию и медицину