Systemy AI Google DeepMind i Edison Scientific publikują wyniki w Nature

Dwa konkurencyjne zespoły budujące "sztucznego naukowca" opublikowały w maju wyniki swoich systemów w Nature, najbardziej prestiżowym recenzowanym czasopiśmie naukowym na świecie. Co-Scientist od Google DeepMind i Robin od Edison Scientific to programy multi-agentowe, które mają automatyzować kolejne etapy metody naukowej: od stawiania hipotez, przez projektowanie eksperymentów, po interpretację danych.

Co robią te systemy

Co-Scientist działa jako koalicja wyspecjalizowanych agentów opartych na modelu Gemini, sterowana poprzez zapytania w języku naturalnym. System skaluje moc obliczeniową w fazie wnioskowania, co pozwala mu iteracyjnie dopracowywać hipotezy zamiast generować jedną odpowiedź od razu. Za projektem stoi zespół kierowany przez Demisa Hassabisa, laureata Nagrody Nobla z chemii w 2024 roku i szefa Google DeepMind.

Robin, tworzony przez non-profit FutureHouse (za którym stoi między innymi były prezes Google Eric Schmidt), opiera się na modelach OpenAI o4-mini oraz Anthropic Claude 3.7. Kierownikiem FutureHouse jest Sam Rodriques, wcześniej szef zespołu badawczego w Francis Crick Institute w Londynie. Zaktualizowana wersja systemu, Kosmos, wydana w listopadzie 2025 roku, przeszukuje już 175 milionów pełnych tekstów publikacji, rejestrów badań klinicznych i patentów.

Konkretne wyniki w laboratorium

To, co odróżnia te doniesienia od wcześniejszych zapowiedzi "AI dla nauki", to zweryfikowane w laboratorium wyniki. Robin zaproponował ripasudil, lek stosowany w jaskrze, jako potencjalną terapię suchego zwyrodnienia plamki żółtej związanego z wiekiem, a także wskazał modulator zegara okołodobowego KL001 do tego samego celu. Obie propozycje potwierdzono w testach na komórkach nabłonka barwnikowego siatkówki pochodzących od pacjentów.

Co-Scientist z kolei wspierał badaczy w poszukiwaniu nowych zastosowań istniejących leków przy ostrej białaczce szpikowej, a także w wyjaśnianiu mechanizmów oporności na antybiotyki. Gary Peltz, genetyk ze Stanford University, korzysta z systemu przy poszukiwaniu terapii zwłóknienia wątroby. Biolodzy Omar Abudayyeh i Jonathan Gootenberg wykorzystali Co-Scientist do przyspieszenia badań nad odwracaniem starzenia komórkowego - system przeanalizował dekady literatury naukowej i zaproponował nowe cele genetyczne, które w testach laboratoryjnych odmłodziły komórki.

Od miesięcy i lat do minut i godzin - Vivek Natarajan, naukowiec badawczy Google DeepMind, o tempie, w jakim Co-Scientist ma pomagać naukowcom dochodzić do odpowiedzi.

Dlaczego recenzja w Nature ma znaczenie

Publikacja w Nature to co innego niż premiera produktu czy wpis na blogu firmowym. Oba zespoły przeszły proces recenzji naukowej, w którym niezależni eksperci sprawdzali metodologię i wiarygodność wyników, zanim trafiły one do druku. Dla branży, w której zarzuty o przesadzone obietnice AI pojawiają się regularnie, taka walidacja ma wagę odmienną od zwykłych zapowiedzi marketingowych.

Odkrycia z pomocą sztucznej inteligencji budzą też pytania o to, jak rozdzielić zasługi między systemem a ludzkim zespołem, który go zaprojektował i zweryfikował wyniki. W obu przypadkach systemy nie zastępują laboratorium, tylko skracają etap generowania i przesiewania hipotez, po którym wciąż następują testy na żywych komórkach czy zwierzętach.

Co to znaczy dla biotechnologii

Tradycyjny proces odkrywania leków trwa zwykle ponad dekadę i pochłania setki milionów dolarów, głównie przez liczbę ślepych zaułków, które trzeba przetestować, zanim znajdzie się działający kandydat. Systemy takie jak Co-Scientist i Robin obiecują skrócić właśnie ten wstępny etap, przesiewając literaturę naukową i bazy danych szybciej niż zespół ludzki jest w stanie to zrobić.

Edison Scientific ogłosiło też niedawno współpracę z firmą farmaceutyczną Incyte, mającą włączyć Robina i Kosmosa do jej wewnętrznego procesu odkrywania i rozwoju leków. To sygnał, że narzędzia wychodzą poza środowisko akademickie i trafiają do komercyjnych zespołów badawczo-rozwojowych, gdzie liczy się przede wszystkim tempo i koszt kolejnych faz testów klinicznych.

Dla polskich instytucji naukowych i firm biotechnologicznych to kolejny dowód, że narzędzia AI do wspomagania badań przestają być eksperymentem, a stają się elementem standardowego warsztatu. Ośrodki takie jak Instytut Biologii Doświadczalnej PAN czy krajowe firmy zajmujące się projektowaniem leków będą musiały zdecydować, czy i kiedy włączyć podobne systemy do własnych procesów badawczych, zanim zrobi to konkurencja za granicą.