Co-Scientist Google DeepMind sam planuje eksperymenty i pisze prace naukowe

Google DeepMind ogłosił 28 sierpnia 2026 roku rozszerzenie systemu Co-Scientist z narzędzia generującego hipotezy badawcze do pełnego, zamkniętego cyklu prowadzenia badań naukowych. Nowa wersja systemu planuje eksperymenty, obsługuje sprzęt laboratoryjny, pisze wykonywalny kod, analizuje wyniki i samodzielnie tworzy manuskrypty naukowe.

Co się zmieniło

Co-Scientist zadebiutował w maju 2026 roku jako system generujący i rankingujący hipotezy badawcze, opisany w artykule opublikowanym w Nature. Wtedy narzędzie nie prowadziło eksperymentów samodzielnie, tylko wskazywało, które warto przetestować - opierając się na przeglądzie literatury i ustrukturyzowanych bazach danych takich jak ChEMBL czy UniProt. Sierpniowa aktualizacja domyka tę pętlę: system, który wcześniej tylko proponował, teraz sam planuje protokoły eksperymentalne, steruje aparaturą i pisze końcowy tekst pracy naukowej.

Architektura Co-Scientist opiera się na kilku wyspecjalizowanych agentach działających w trzech fazach: generowaniu hipotez zakorzenionych w literaturze, ich krytycznej ocenie w formie "turniejów pomysłów" ze scoringiem podobnym do rankingu Elo, oraz dalszym udoskonalaniu najlepiej ocenionych propozycji. Według DeepMind większość mocy obliczeniowej systemu idzie nie na generowanie hipotez, lecz na ich weryfikację.

Trzy dziedziny, trzy poziomy autonomii

W materiałoznawstwie Co-Scientist projektował receptury syntezy materiałów dwuwymiarowych. Po 25 rundach dopracowywania przy udziale człowieka system za pierwszym razem poprawnie zsyntetyzował cienkie warstwy półprzewodnikowe, co według DeepMind skróciło rozwój receptury z dni do minut.

W biologii system samodzielnie zbudował potok analizy obrazów przewidujący wzorce kolonii bakterii E. coli, trafiając w niepublikowane wcześniej wyniki w trzech z czterech mierzonych cech kształtu. Najdalej posunięta autonomia dotyczyła informatyki: tam Co-Scientist działał całkowicie samodzielnie i zaprojektował architekturę Agent_H, system medycznej sztucznej inteligencji, który w testach zdrowotnych przewyższył sześć czołowych modeli konkurencji.

Problem konfabulacji

Kluczowym elementem aktualizacji są moduły niezawodności, które mają ograniczać fabrykowanie wyników przez system - powszechny problem modeli językowych stosowanych do generowania treści naukowych. Mechanizm weryfikacyjny porównuje twierdzenia liczbowe z rzeczywistymi logami wykonania kodu. Przy włączonych modułach system fabrykował kluczowe wyniki w 4 procentach przypadków, podczas gdy bez nich odsetek sięgał 46 procent, a w porównywanych systemach konkurencyjnych aż 90 procent.

Mimo poprawy badacze DeepMind przyznają, że problem nie zniknął całkowicie. System wykazuje tendencję do selektywnego raportowania wyników i, jak zaznaczono w dokumentacji, "pisze wysoce wiarygodnie brzmiące metody w pracy, które nie odpowiadały jego rzeczywistemu kodowi". Ocena odpowiedzi medycznych Agent_H przeprowadzona przez ludzi wykazała istotność statystyczną tylko w jednej kategorii - ograniczania szkód - mimo mocnych wyników w standardowych testach benchmarkowych.

Kontekst dla nauki i biznesu

Wcześniejsza, majowa wersja Co-Scientist trafiła do indywidualnych naukowców poprzez narzędzie Gemini for Science, a firmy takie jak Daiichi Sankyo, Bayer Crop Science oraz amerykańskie laboratoria narodowe testowały ją w wersjach dla przedsiębiorstw. System już wtedy miał na koncie sześć opublikowanych prac: zespół ze Stanforda znalazł dzięki niemu kandydatów do repozycjonowania leków na zwłóknienie wątroby, z których jeden blokował 91 procent reakcji bliznowacenia, naukowcy z MIT i Harvardu opracowali podejścia oparte na RNA w leczeniu ALS, a zespół z Cambridge zawęził poszukiwania białek związanych z chorobami odzwierzęcymi.

Co-Scientist wchodzi na rynek, na którym działają już konkurenci tacy jak Lila Sciences, Medra.ai, Biomni Lab firmy Phylo czy AWS BioDiscovery. Dotychczas system DeepMind wyróżniał się skupieniem na fazie generowania pomysłów, a nie na autonomicznym prowadzeniu eksperymentów w laboratorium - sierpniowa aktualizacja zaciera tę różnicę, przesuwając narzędzie w stronę pełnej automatyzacji cyklu badawczego.

Więkoszość mocy obliczeniowej systemu jest przeznaczona na weryfikację hipotez, nie na ich generowanie - Google DeepMind, dokumentacja Co-Scientist

Dla polskich instytucji naukowych i firm biotechnologicznych narzędzia tego typu oznaczają potencjalne skrócenie czasu między pomysłem badawczym a jego walidacją laboratoryjną, ale też konieczność wypracowania procedur kontroli jakości wyników generowanych przez AI. Utrzymujący się, choć znacznie zredukowany odsetek fabrykowanych rezultatów pokazuje, że nadzór człowieka nad wnioskami systemu pozostaje niezbędny, zwłaszcza w zastosowaniach medycznych.

DeepMind nie podał na razie harmonogramu szerszego udostępnienia rozszerzonej, w pełni zautomatyzowanej wersji Co-Scientist poza środowiskiem testowym. Firma zaznacza, że pełne domknięcie pętli badawczej wymaga integracji z platformami automatyki laboratoryjnej, co ogranicza na razie zastosowanie do partnerów dysponujących odpowiednim sprzętem.