Google DeepMind: agenci AI generują hipotezy naukowe szybciej niż da się je zweryfikować

Google DeepMind opublikował w lipcu 2026 roku analizę zatytułowaną "Conjecture Machines: AI Agents and the New Validation Bottleneck in Science", w której pięcioro autorów z firmy opisuje, jak systemy takie jak Co-Scientist zaczynają zmieniać pracę naukowców - i dlaczego zdolność do generowania nowych hipotez rośnie znacznie szybciej niż zdolność laboratoriów do ich weryfikowania.

Dekada pracy zweryfikowana w dwa dni

Centralnym przykładem w analizie jest historia mikrobiologa José Penadésa z Imperial College London. Jego zespół spędził blisko dziesięć lat na ustalaniu, w jaki sposób pewna rodzina superbakterii przenosi oporność na antybiotyki między gatunkami - wynik pozostawał niepublikowany i znany tylko w jego laboratorium.

W 2024 roku Penadés opisał ten problem systemowi Co-Scientist, wieloagentowemu narzędziu AI zbudowanemu przez Google DeepMind na bazie modeli Gemini. W ciągu dwóch dni system wygenerował pięć uszeregowanych hipotez, a najwyżej oceniona pokrywała się z niepublikowanym wnioskiem zespołu - że niektóre superbakterie zdobywają wirusowe "ogonki", które pozwalają im przeskakiwać między gatunkami gospodarzy. Według opisu w analizie Penadés był na tyle zaskoczony zbieżnością, że skontaktował się z Google, by sprawdzić, czy narzędzie nie miało dostępu do jego niepublikowanych danych - firma potwierdziła, że do żadnego wycieku nie doszło.

Kolejne przykłady z medycyny i matematyki

Analiza opisuje też przypadek Gary'ego Peltza ze Stanfordu, który użył Co-Scientist do poszukiwania leków możliwych do przepozycjonowania w terapii zwłóknienia wątroby. Jego własne dwie propozycje nie wykazały działania w testach laboratoryjnych, podczas gdy dwa z trzech kandydatów wskazanych przez system zablokowały postęp zwłóknienia i wspomogły regenerację wątroby.

Wśród innych narzędzi wymieniany jest AlphaEvolve, wykorzystywany między innymi przy projektowaniu układów scalonych, wspieraniu matematyka Terence'a Tao w pracy nad otwartymi problemami Erdősa oraz w analizie genomicznej. System Aletheia, dedykowany dowodom matematycznym, rozwiązał sześć z dziesięciu niepublikowanych wcześniej problemów podczas inauguracyjnego konkursu First Proof challenge.

Wąskie gardło walidacji

Główna teza dokumentu brzmi, że agenci AI są dziś znacznie skuteczniejsi w generowaniu pomysłów i kandydatów na rozwiązania niż w ich weryfikacji, która wciąż wymaga fizycznych eksperymentów, czasu i pracy recenzentów. Autorzy nazywają to "nowym wąskim gardłem walidacji" - rosnącą przepaścią między tempem, w jakim powstają nowe hipotezy, a tempem, w jakim nauka jest w stanie je sprawdzić.

Pojedynczy sfabrykowany szczegół głęboko w wyniku może podważyć cały rezultat - Vivek Natarajan, Google DeepMind

Badania będą przesuwać się w stronę wysokopoziomowej orkiestracji, a nie ręcznej pracy w laboratorium - Natasha Latysheva, Google DeepMind

Rekomendacje dla polityki naukowej

Dokument formułuje cztery rekomendacje dla decydentów. Pierwsza to zagwarantowanie szerokiego dostępu do agentów AI dla naukowców, traktowane jako priorytet strategiczny porównywalny z historycznym zapewnianiem dostępu do superkomputerów - z powołaniem się na amerykańską inicjatywę Genesis Mission jako możliwy model finansowania.

Druga rekomendacja dotyczy przygotowania danych naukowych pod kątem wykorzystania przez agentów, w tym budowy dostępnych interfejsów API dla otwartych zbiorów danych oraz ram chroniących prywatność - jako przykład wskazano projekt OpenSAFELY dla wrażliwych danych, na przykład genomicznych. Trzecia rekomendacja to rozbudowa infrastruktury eksperymentalnej i zdolności walidacyjnych, w tym zautomatyzowanych laboratoriów - autorzy wspominają tu partnerstwo laboratoryjne Google DeepMind z Francis Crick Institute oraz przykłady finansowania ze strony NSF i instytucji brytyjskich.

Czwarta rekomendacja dotyczy reformy recenzji naukowej: wyposażenia recenzentów w narzędzia AI, opracowania standardów ujawniania użycia sztucznej inteligencji - na przykład znaków wodnych czy tak zwanych Human-AI Interaction Cards - przy jednoczesnym zachowaniu ludzkiego osądu jako centralnego elementu oceny publikacji.

Thang Luong, jeden z autorów analizy, ostrzega w dokumencie przed zjawiskiem, które nazywa "niestrawnością dowodów" - sytuacją, w której tempo generowania wyników przez AI przewyższa zdolność ludzkich recenzentów do ich przetworzenia. Z kolei Alex Davies opisuje możliwy scenariusz, w którym maszyny przejmują część procesu odkrywania, a ludzie skupiają się na decydowaniu, które kierunki badań są warte dalszego eksplorowania.

Dla polskiej nauki i uczelni, które od miesięcy zmagają się z pytaniami o rolę AI w kształceniu i publikacjach, dokument DeepMind stawia sprawę wprost: kluczowym ograniczeniem nie będzie już dostęp do samych modeli, lecz zdolność instytucji do zweryfikowania tego, co modele wygenerują. To pytanie o infrastrukturę laboratoryjną, finansowanie recenzji i standardy ujawniania udziału AI w badaniach, a nie tylko o dostęp do narzędzi.