Главная проблема современной разработки лекарств — не дефицит идей, а парализующая рутина исполнения. Команда исследователей Стэнфордского университета под руководством профессора Юре Лесковеца представила Biomni — AI-агента, который берет на себя «черновую работу», традиционно съедающую месяцы времени. Публикация в журнале Science описывает систему, которая ушла далеко вперед от обычных чат-ботов. Biomni — это не просто начитанный собеседник, а полноценный со-исследователь, способный самостоятельно анализировать литературу, формулировать гипотезы, подбирать датасеты, писать код и интерпретировать результаты в рамках единого рабочего процесса. Для руководителей R&D это долгожданный переход от болтливых LLM к автономным системам, которые умеют строить.
Плотник с набором инструментов
В отличие от универсальных моделей, Biomni архитектурно заточен под сложную механику биомедицины. Лесковец, занимающий пост профессора компьютерных наук в Стэнфорде, использует прагматичную аналогию: агент без инструментов — это просто теоретик, тогда как Biomni — «плотник с чемоданом инструментов». Чтобы добиться этого, в архитектуру агента интегрировали 150 специализированных биомедицинских инструментов и 105 программных пакетов. Система обучалась на всем массиве открытых статей и кода, включая архивы bioRxiv, что позволяет ей безошибочно определять, какие базы данных и софт необходимы для конкретного исследования.
Эта автономия уже демонстрирует радикальное снижение операционных издержек. В одном из тестов Biomni скормили 450 файлов с данными мониторинга глюкозы, дневниками питания и физической активности. Агент очистил данные, привел разношерстные форматы к единому знаменателю, создал визуализации и выдвинул рабочие гипотезы о связи диеты с температурой тела всего за 40 минут. По оценке Лесковеца, человеку на это потребовалось бы не менее 60 часов ручного труда. Сжимая недели подготовки данных в академический час, технология меняет саму экономику R&D: команды получают возможность проверять гипотезы со скоростью, которая раньше казалась фантастикой.
Science-as-a-Service и дефицит строгости
Основной барьер для внедрения AI в науке — риск галлюцинаций. Biomni решает эту проблему через прозрачность: система сопровождает каждый вывод полными цитатами и пошаговым трекингом внутренней логики. По мнению стэнфордских ученых, такая прослеживаемость делает науку более строгой и воспроизводимой. Как пояснил Кэсинь Хуан (Kexin Huang), бывший докторант лаборатории Лесковеца, а ныне глава стартапа по коммерциализации технологии, система буквально «вгрызается» в глубокую аналитическую работу, которую раньше выполняли люди.
Несмотря на высокую степень автономности, методология сохраняет за человеком роль финального арбитра. Главный сюжет здесь — трансформация самого ученого. Вместо того чтобы тонуть в гомогенизации данных и обзорах литературы, лидеры R&D могут сфокусироваться на высокоуровневом проектировании смыслов. Biomni стремится развернуть тренд, при котором инновации замедляются по мере роста объема данных, устраняя тот самый «лабораторный шум», который тормозил прорывы последних лет. Переход к высокопроизводительной генерации гипотез означает, что стоимость проверки каждой зацепки падает. Основной метрикой успеха для исследователей станет эффективность управления агентскими рабочими процессами, хотя стоит признать: пока система опирается на публичные данные вроде bioRxiv, её преимущество наиболее ощутимо в уже сложившихся научных субдоменах.