Научные исследования всегда держались на интуиции — том самом «сером веществе», которое связывало гипотезу с данными. Однако команда Sakana AI в сотрудничестве с Оксфордом и Университетом Британской Колумбии решила, что человеческий фактор в этой цепи излишен. В работе «Towards End-to-End Automation of AI Research» Ютаро Ямада, Роберт Тьярко Ланге и их коллеги деконструируют классический R&D-цикл, превращая его в конвейер под управлением системы The AI Scientist. Если раньше алгоритмы лишь ассистировали — предсказывали структуру белков или щелкали математические доказательства, — то теперь машина забирает себе полный цикл: от генерации идеи и написания кода до визуализации данных и оформления готовой статьи.
Архитектура автономной лаборатории
Система The AI Scientist спроектирована как сложная агентская надстройка над моделями Anthropic, OpenAI и семейства Llama. Процесс стартует с автоматического поиска литературы и брейншторма, плавно переходя в планирование экспериментов. У системы два режима: «фокусный», где она использует человеческие шаблоны кода как костыли для конкретных задач, и «свободный поиск», где агенты сами рыщут в поисках научной новизны. Результат впечатляет: статьи, «выпеченные» этим алгоритмом, прошли первый этап рецензирования на воркшопе крупной конференции по машинному обучению с вероятностью принятия в 70%. По сути, мы видим не просто помощника, а полноценного суррогатного исследователя.
Этот успех означает смену парадигмы: R&D перестает быть трудоемким ремеслом и становится функцией, масштабируемой простым наращиванием мощностей.
Для технологического бизнеса это сигнал о начале новой гонки. Методология Sakana AI доказывает, что качество научного выхлопа можно оптимизировать математически. Стоимость открытий в таких отраслях, как фармакология или химия, неизбежно пойдет вниз, следуя за кривой удешевления вычислений. Вместо месяцев ручного перебора вариантов система итерирует со скоростью машинного времени — при условии, что у неё есть верифицируемая среда для запусков. Граница между простой интерполяцией известных данных и подлинным открытием теперь зависит только от того, насколько жестко настроены фильтры автоматической оценки.
Риски загрязнения и роль архитектора
Переход к «автономной науке» не будет гладким. Ютаро Ямада и его группа справедливо указывают на риск коллапса системы рецензирования: если ИИ начнет генерировать тысячи «приемлемых» статей в день, научное сообщество просто захлебнется в синтетическом шуме. Проблема «галлюцинаций» в логике никуда не делась, а значит, любая публикация без внешней верификации остается лишь набором уверенных утверждений. В этой реальности роль живого исследователя радикально меняется: он перестает быть исполнителем, пишущим код или настраивающим стенд, и превращается в архитектора систем постановки задач.
Конкурентное преимущество в R&D теперь измеряется не штатом сотрудников, а эффективностью агентских пайплайнов и доступом к вычислительным ресурсам. Топ-менеджменту пора готовиться к тому, что исследовательские отделы станут напоминать центры управления полетами, где люди управляют флотилиями «цифровых ученых». Главным вызовом остается создание закрытых инфраструктур, где ИИ сможет проверять свои гипотезы, не загрязняя при этом общую научную среду непроверенным мусором. Победит тот, кто быстрее научится превращать вычислительные циклы в интеллектуальный капитал, оставив за человеком лишь право финального вето.