Научные исследования десятилетиями буксуют из-за трудоемкого парадокса: чтобы проверить гипотезу, вы должны сначала построить инструменты для ее тестирования. В современном R&D это означает написание сложного вычислительного софта для моделирования процессов — процесс, который Лиззи Дорфман и Майкл Бреннер из Google Research справедливо называют главным «бутылочным горлышком» индустрии. Пока обычные языковые модели упражняются в синтаксисе, научному ПО требуется нечто большее: оптимизация под конкретный показатель качества. Система Empirical Research Assistance (ERA), построенная на базе Gemini, превращает код из статичного продукта в эмпирическую переменную. Она прогоняет тысячи вариантов софта, пока не нащупает пик производительности.
От кодинга как барьера к автономному моделированию
По словам команды Google Research, ERA работает как системный движок для оптимизации кода, принимая на вход описание проблемы и метрику оценки. В отличие от классической разработки, где финишем считается работоспособность программы, ERA фокусируется на задачах прикладной математики и инженерии, поддающихся ранжированию. Система использует стратегию поиска по дереву для перебора вариантов, а LLM выступает в роли «редактора», который на лету переписывает и уточняет алгоритмы. Как отмечают исследователи, ERA находит решения, которые человеческая команда просто не успела бы рассмотреть физически.
Ручное написание кода под каждую идею — это слишком медленно и неэффективно, что делает системный поиск решений практически невозможным.
Этот сдвиг меняет роль исследователя: из программиста вы превращаетесь в супервайзера автономных экспериментов. Эксперт задает методологические директивы, а ERA берет на себя рутину — воспроизведение и комбинацию известных методов. Результат, по заверению Google Research, проверяем и воспроизводим, что критически важно для геномики или геопространственного анализа. Система уже показала экспертный уровень на шести сложных бенчмарках, включая прогнозирование временных рядов. Похоже, монополия человека на создание новых вычислительных решений официально закончилась.
Экономика исследовательского цикла
Для владельцев наукоемкого бизнеса внедрение ERA означает фундаментальный слом кривой Time-to-Market. Автоматизируя слой «эмпирического софта», компании отвязывают скорость открытий от дефицита редких специалистов. Возможность молниеносно протестировать сотни моделей резко снижает стоимость ошибки. Если направление тупиковое, система упрется в предел возможностей метода за дни, а не за месяцы дорогостоящего R&D-прогона.
Однако переход к автономному моделированию требует новых протоколов верификации. Google подчеркивает проверяемость результатов, но сам масштаб генерации — тысячи вариантов кода — делает невозможным аудит «глазами». Бизнес-лидерам придется балансировать между скоростью этого «движка открытий» и риском логических галлюцинаций в расчетах, даже если синтаксис безупречен. Стратегический приоритет здесь не в замене экспертов, а в использовании системы как силового множителя: она расчищает «вычислительные заросли», позволяя старшим исследователям сосредоточиться на постановке задач, которые определят следующее поколение продуктов. Google уже опубликовала препринт с описанием системы, предлагая научному сообществу лично убедиться, насколько быстро их привычный софт превращается в расходный материал.