Эпоха ИИ как «цифрового суфлера» заканчивается там, где начинаются реальные фотонные стенды. Исследовательская группа из Чжэцзянского университета под руководством Шусина Яна и Ихао Яна представила систему Qiushi Discovery Engine — автономного «директора» лаборатории, который перешагнул границы стерильных симуляций. Как следует из препринта на arXiv, этот агентный фреймворк на базе больших языковых моделей (LLM) управляет полным циклом экспериментов на реальном оптическом оборудовании без участия человека.
В отличие от жестко запрограммированных алгоритмов прошлого, Qiushi реализует длинные исследовательские траектории, состоящие из тысяч итераций: от выдвижения гипотезы до физической юстировки приборов. Техническая изящность системы заключается в двухслойной архитектуре и памяти Meta-Trace, которая позволяет ИИ не терять нить исследования в условиях «шумной» реальности физических измерений. По оценке разработчиков, система успешно обработала 145,9 млн токенов и совершила 3 242 вызова LLM, чтобы обнаружить и подтвердить ранее неописанный физический механизм — оптическое билинейное взаимодействие.
По сути, агент нашел аналог операции внимания из архитектуры Transformer в мире оптики. Для этого ИИ самостоятельно сгенерировал 163 научные заметки и 44 скрипта, доказав, что перевод абстрактных формул в исполняемый код для лабораторного оборудования больше не требует участия лаборанта. Это радикально меняет юнит-экономику R&D в материаловедении и фотонике. Мы наблюдаем переход от модели оплаты рабочих часов ученых к экономике непрерывного потока гипотез.
Qiushi Engine сокращает цикл проверки идей с недель до часов, обходя проблему человеческого фактора при интерпретации данных в зашумленной среде. Хотя вопрос масштабирования этой архитектуры на другие физические домены остается открытым, прецедент создан: автономные агенты находят нетривиальные законы природы, которые люди просто просмотрели. Для бизнеса это означает, что гонка за временем вывода продукта на рынок (Time-to-Market) в сфере глубоких технологий теперь выигрывается не количеством нанятых докторов наук, а скоростью интеграции ИИ-агентов в физические контуры лабораторий.