W kierunku pełnej automatyzacji badań AI

Dlaczego robot-naukowiec ma znaczenie

Wyobraź sobie niestrudzonego cyfrowego badacza, który potrafi wymyślać pomysły, pisać kod, prowadzić eksperymenty, tworzyć wykresy, a nawet przygotowywać i recenzować artykuły naukowe przy niemal minimalnej pomocy człowieka. W artykule opisano taki system, nazwany „Naukowcem AI”. Pokazuje on, że współczesna sztuczna inteligencja potrafi teraz zająć się niemal każdym etapem projektu badawczego w uczeniu maszynowym, zapowiadając przyszłość, w której odkrycia pojawiają się szybciej — ale jednocześnie stawiając poważne pytania o zaufanie, miejsca pracy i kondycję samej nauki.

Od pomysłu do gotowego artykułu

Naukowiec AI zaprojektowano tak, by przechodził przez pełny cykl życia badania, podobnie jak doktorant. Najpierw proponuje kierunki badań w wybranym obszarze uczenia maszynowego, wyjaśniając, dlaczego każdy pomysł może być interesujący, i szkicuje plan jego przetestowania. Następnie sprawdza te pomysły w internetowych bazach badań, by uniknąć zwykłego powielania istniejących prac. Do przodu przechodzą tylko idee, które wydają się naprawdę nowe. Potem system pisze i edytuje kod potrzebny do przeprowadzenia eksperymentów, samodzielnie naprawia wiele błędów i prowadzi bieżący „zeszyt laboratoryjny” opisujący, co próbował i jakie były wyniki.

Dwa sposoby eksploracji przez system

Naukowcy zbudowali dwie wersje tego cyfrowego badacza. W trybie „z szablonem” ludzie dostarczają prosty program startowy, a system stopniowo modyfikuje go, by badać powiązane pytania. W trybie „bez szablonu” AI zaczyna niemal od zera: wymyśla pomysły, projektuje eksperymenty i pisze kod samodzielnie, kierując się jedynie szerokimi instrukcjami, takimi jak temat warsztatu konferencyjnego. Ta otwarta wersja wykorzystuje rozgałęziające się przeszukiwanie wielu równoległych „ścieżek” eksperymentalnych, promując obiecujące gałęzie i odrzucając te, które się zawiesiły lub dały słabe wyniki. Większa moc obliczeniowa pozwala eksplorować więcej gałęzi i zwykle prowadzi do mocniejszych końcowych badań.

Nauczanie AI zachowania jak recenzent

Ocenianie jakości niekończącego się strumienia artykułów napisanych przez AI stanowi wyzwanie, więc zespół stworzył także Zautomatyzowanego Recenzenta. Narzędzie to czyta artykuły naukowe, ocenia ich rzetelność i wkład, wymienia mocne i słabe strony oraz wydaje rekomendację przyjęcia lub odrzucenia, stosując te same wytyczne, co czołowa konferencja z dziedziny uczenia maszynowego. Testowane na tysiącach rzeczywistych artykułów z znanymi decyzjami, sądy Zautomatyzowanego Recenzenta pokrywały się z ocenami ludzkich recenzentów w przybliżeniu tak dobrze, jak ludzie zgadzają się między sobą. Podobnie radził sobie także z niedawnymi artykułami, które nie były w jego danych treningowych, co sugeruje, że naprawdę nauczył się zadania recenzowania, a nie tylko zapamiętywał wyniki.

Testowanie Naukowca AI

Aby sprawdzić, jak system radzi sobie w praktyce, autorzy poprosili go o wygenerowanie pełnych artykułów na warsztat podczas wiodącej konferencji z uczenia maszynowego. Za zgodą komisji etycznej i przy współpracy organizatorów, trzy manuskrypty wygenerowane przez AI zostały złożone obok artykułów napisanych przez ludzi. Recenzenci zostali poinformowani, że niektóre zgłoszenia mogą być wygenerowane przez AI, ale nie powiedziano im, które to są. Jeden z trzech artykułów stworzonych przez AI otrzymał oceny, które wystarczyłyby do przyjęcia na warsztat; autorzy wycofali go potem zgodnie z wcześniej ustalonym protokołem. Dwa pozostałe artykuły nie spełniły wymagań. Ogólnie system wygenerował prace, które nie dorównują jeszcze najlepszym ludzkim badaniom, ale są już wystarczająco dobre, by czasami przejść prawdziwą recenzję.

Obietnice, pułapki i droga naprzód

Chociaż Naukowiec AI wciąż popełnia błędy — takie jak płytkie pomysły, błędy w kodzie czy mylące cytowania — badanie sugeruje, że wraz z poprawą modeli AI i zasobów obliczeniowych takie systemy prawdopodobnie będą się znacznie ulepszać. To mogłoby dramatycznie przyspieszyć odkrycia w dziedzinach, gdzie eksperymenty można przeprowadzać na komputerach lub w zautomatyzowanych laboratoriach. Równocześnie łatwe generowanie artykułów może zalewać czasopisma niskiej jakości pracami, zacierać granice autorstwa i zasług oraz umożliwiać ryzykowne lub nieetyczne eksperymenty. Autorzy argumentują, że społeczność naukowa potrzebuje teraz jasnych zasad i zabezpieczeń, podczas gdy technologia wciąż się rozwija, aby zautomatyzowani badacze wzmacniali naukę zamiast ją osłabiać.

Cytowanie: Lu, C., Lu, C., Lange, R.T. et al. Towards end-to-end automation of AI research. Nature 651, 914–919 (2026). https://doi.org/10.1038/s41586-026-10265-5

Słowa kluczowe: zautomatyzowane badania naukowe, robot-naukowiec, eksperymenty uczenia maszynowego, automatyzacja recenzji, integralność naukowa