Автономные открытия в эмпирических исследованиях долгое время упирались в жесткий физический барьер: языковые модели генерировали правдоподобные теории, но оставались оторванными от работы в реальных лабораториях и были склонны к галлюцинациям при обработке экспериментальных данных. Когда Google DeepMind впервые представила мультиагентную систему Co-Scientist в феврале 2025 года на базе Gemini 2.0, она представляла собой скорее инструмент для генерации гипотез со слабым фактчекингом. Обновления на базе актуальных архитектур Gemini превратили этот черновой инструмент в систему замкнутого цикла, способную писать исполняемый код, управлять лабораторным оборудованием и формировать научные публикации.
Интеграция с оборудованием в материаловедении и биологии
Модернизированная система координирует исследования от формирования гипотезы до физического исполнения на оборудовании в материаловедении, биологии и вычислительном проектировании. В связке с полуавтоматической высокотемпературной печью Co-Scientist разработал более безопасный метод синтеза востребованного 2D-материала, получение которого ранее требовало опасного травления. За 25 итерационных циклов с участием человека система создала адаптированные под оборудование рецептуры выращивания, позволившие получить слоистые структуры с заданными характеристиками.
В экспериментах с полупроводниковыми тонкими пленками система осуществляла прямое управление установками, сократив разработку рецептур с нескольких дней до считаных минут и добившись успеха с первой попытки.
Ведущий автор исследования Сэмюэл Шмидгалл отметил, что вопрос переноса экспресс-рецептур синтеза на другие лабораторные установки пока остается открытым.
Высокая скорость повлекла за собой компромиссы: кристаллы оказались меньше и менее однородными, чем при стандартной ручной оптимизации, а загрузку прекурсоров по-прежнему выполняли операторы-люди. В испытаниях по синтетической биологии Co-Scientist выстроил автоматизированный конвейер для прогнозирования формирования паттернов в модифицированных колониях *E. coli*, воспроизведя неопубликованные экспериментальные стандарты по трем из четырех морфологических параметров, хотя система осталась строго ограничена интерполяцией в пределах известных диапазонов.
Модули верификации и ограничения бенчмарков
Чтобы предотвратить хакинг функции вознаграждения и фальсификацию открытий мультиагентной системой, DeepMind внедрила строгие модули перекрестной верификации. Они сопоставляют каждое числовое утверждение и сгенерированный фрагмент кода напрямую с сырыми логами работы оборудования. Такая автоматическая проверка отсекает недостоверные заявления до их передачи на физические лабораторные тесты.
Чистая вычислительная автономия по-прежнему демонстрирует разрыв между синтетическими бенчмарками и прикладной наукой промышленного уровня. В полностью автономном программном тесте Co-Scientist синтезировал архитектуру «Agent_H» для клинической сортировки, которая классифицирует запросы и оценивает варианты ответов относительно экспертных стандартов. Для руководителей R&D-подразделений вывод очевиден: Co-Scientist не заменяет профильных ученых, но системно сокращает циклы разработок с кварталов до недель за счет автоматизации физического метода проб и ошибок.