Исследования
Google DeepMind запускает Gemini for Science — инструменты ИИ, которые могут изменить научные исследования
Google DeepMind запустила Gemini for Science, набор экспериментальных инструментов ИИ, предназначенных для ускорения научного метода. Инструменты — Генерация гипотез, Вычислительное открытие и Обзор литературы — теперь доступны в ограниченном превью на Google Labs, а сегодня в журнале Nature опубликованы две сопровождающие исследовательские статьи.
Майкл Г ·
История науки во многом является историей узких мест. В течение веков ограничивающим фактором в научном прогрессе был доступ к информации — способность читать, обобщать и действовать на основе накопленных знаний предыдущих исследователей. Печатный станок облегчил это узкое место. Интернет почти полностью его устранил. Сейчас, парадоксально, узкое место вернулось в новой форме: просто слишком много научной литературы, чтобы любой отдельный исследователь мог прочитать её, слишком много потенциальных гипотез для проверки и слишком много вычислительных экспериментов для выполнения.
Ответ Google DeepMind на этот парадокс — Gemini for Science, набор инструментов ИИ, объявленных на Google I/O 2026 и сейчас доступных в ограниченном превью на Google Labs. В состав набора входят три основных инструмента — Генерация гипотез, Вычислительные открытия и Литературные обзоры — каждый из которых нацелен на различную фазу научного метода. Сегодня в журнале Nature были опубликованы две научные статьи, описывающие лежащие в основе системы, что придает объявлению определенную научную достоверность, отличающую его от обычного запуска продукта.
Генерация гипотез: Турнир идей
Первый инструмент, Генерация гипотез, основан на системе Co-Scientist от Google, которая разрабатывается в DeepMind последние два года. Этот инструмент решает то, что исследователи описывают как один из самых трудоемких и когнитивно сложных аспектов научной работы: процесс генерации, оценки и уточнения гипотез перед тем, как направить ресурсы на экспериментальную проверку.
Система работает через то, что DeepMind называет «турниром идей с множественными агентами». Исследователь начинает с определения исследовательской задачи — вопроса, на который он хочет получить ответ, или проблемы, которую хочет решить. Затем система задействует нескольких ИИ-агентов, которые независимо генерируют кандидатные гипотезы, используя корпус научной литературы, включающий более 200 миллионов статей. Затем агенты оценивают гипотезы друг друга, выявляя слабые стороны, несоответствия и возможности для доработки. Процесс продолжается через несколько раундов, пока не появится небольшое количество качественных гипотез.
То, что отличает этот подход от простого поиска литературы, — это глубина проверки, применяемой к каждой гипотезе. Каждое утверждение, которое генерирует система, поддерживается ссылками, на которые можно кликнуть, взятыми из рецензируемой литературы. Система отмечает гипотезы, которые противоречат установленным результатам, и выделяет те, которые представляют собой настоящую новизну — области, где существующая литература скудна или где предложенный механизм ранее не исследовался.
Вычислительное открытие: тестирование тысяч идей параллельно
Второй инструмент, Вычислительное Открытие, решает другую узкую часть: время, необходимое для проверки гипотез с помощью вычислений прежде, чем переходить к физическим экспериментам. В таких областях, как разработка лекарств, материаловедение и моделирование климата, вычислительные эксперименты могут занимать дни или недели даже на мощном оборудовании. Это ограничение заставляет исследователей крайне избирательно подходить к тому, какие гипотезы они проверяют, что потенциально может привести к упущению перспективных направлений.
Вычислительное открытие, основанное на AlphaEvolve и системе Empirical Research Assistance (ERA) от Google, подходит к этой проблеме, генерируя и оценивая тысячи вариантов кода параллельно. Исследователь описывает вычислительный эксперимент, который он хочет провести — например, тестирование различных молекулярных конфигураций потенциального кандидата на лекарство — и система генерирует большую популяцию кандидатских реализаций, оценивает их по заданным критериям и итеративно совершенствует наиболее перспективные.
Система не предназначена для замены специализированных вычислительных инструментов. Скорее, она действует как оркестрационный слой, который может управлять существующим программным обеспечением для моделирования, генерировать новый код для новых экспериментальных разработок и синтезировать результаты по различным вычислительным подходам. BASF использует корпоративную версию системы для оптимизации логистики цепочек поставок, а Klarna применяет её для улучшения производительности моделей машинного обучения. Министерство энергетики США использует систему в рамках миссии Genesis для ускорения исследований в области новых энергетических систем.
Литературные идеи: понимание потопа
Третий инструмент, Literature Insights, основан на Google NotebookLM и решает самую фундаментальную проблему: огромное количество научной литературы, с которой должны справляться исследователи. Ежегодно публикуется более двух миллионов рецензируемых статей, и эта цифра растет примерно на 4% в год в течение последних двух десятилетий. Ни один исследователь не может прочитать больше, чем малую часть литературы, относящейся к его области.
Literature Insights позволяет исследователям определить корпус статей, относящихся к их научному вопросу, а затем взаимодействовать с этим корпусом с помощью запросов на естественном языке. Система может выявлять противоречия между статьями, выделять области формирующегося согласия, отображать эволюцию концепции с течением времени и генерировать структурированные резюме, сравнивающие результаты нескольких исследований.
Статьи Nature и научная достоверность
Публикация двух поддерживающих научных статей в журнале Nature сегодня имеет значение по причинам, выходящим за рамки чисто научного содержания. Nature является одним из самых избирательных и престижных научных журналов, и публикация на его страницах подразумевает уровень критической экспертизы со стороны рецензентов, с которым большинство анонсов AI-продуктов никогда не сталкивается. В статьях подробно описаны системы Co-Scientist и ERA, предоставляя научному сообществу информацию, необходимую для оценки и воспроизведения результатов.
Этот подход — публикация в рецензируемых журналах до или одновременно с анонсом продукта — представляет собой осознанную стратегию DeepMind по позиционированию своих инструментов ИИ как научно обоснованных, а не просто коммерчески привлекательных. Это стратегия, которая хорошо послужила компании в прошлом: публикация AlphaFold в журнале Nature в 2021 году изменила восприятие ИИ в биологии и утвердила DeepMind как заслуживающее доверия научное учреждение, а не просто технологическую компанию.
Партнёрства и доступ
Google объявила о партнерстве с более чем 100 исследовательскими учреждениями для проверки и разработки Gemini for Science tools. These include Stanford University, который работает над исследованием фиброза печени; Имперским колледжем Лондона, который применяет эти инструменты для изучения антимикробной устойчивости; и Институтом Фрэнсиса Крика в Лондоне, который взял на себя обязательства по многолетнему сотрудничеству.
Доступ к инструментам в настоящее время ограничен. Исследователи могут зарегистрировать свой интерес на сайте labs.google/science, и Google заявила, что доступ будет постепенно расширяться в течение следующих месяцев. Корпоративные версии инструментов доступны через Google Cloud для организаций в фармацевтическом, материаловедческом и энергетическом секторах. Постепенное развертывание отражает как экспериментальный характер инструментов, так и практические трудности внедрения систем ИИ в научные рабочие процессы, требующие высокой точности и воспроизводимости.
Широкие последствия
Запуск Gemini для науки поднимает вопросы, которые выходят за рамки непосредственных возможностей инструментов. Если системы ИИ могут генерировать и оценивать гипотезы быстрее, чем человеческие исследователи, характер научной работы изменится фундаментально. Навыки, которые определяют успешного ученого — способность выявлять важные вопросы, разрабатывать элегантные эксперименты и интерпретировать неоднозначные результаты — могут стать более ценными, а не менее, поскольку ИИ будет заниматься более рутинными аспектами исследовательского процесса.
В то же время концентрация этих инструментов в руках одной технологической компании вызывает обоснованные опасения относительно доступа и равенства. Наука исторически была глобальным предприятием, при этом исследователи из стран с низким уровнем дохода вносили значительный вклад, несмотря на меньшее количество ресурсов. Если самые мощные инструменты для исследований в области ИИ будут доступны только учреждениям, которые могут позволить себе корпоративные тарифы Google Cloud, география научных открытий может измениться таким образом, что это будет трудно обратить вспять. Google признала эти опасения и заявила, что изучает способы предоставления этих инструментов исследователям из стран с низким уровнем дохода по сниженной стоимости.