К автоматизации исследований с ИИ от начала до конца

Почему робот-учёный важен

Представьте неутомимого цифрового исследователя, который может придумывать идеи, писать код, запускать эксперименты, строить графики и даже подготавливать и рецензировать научные статьи с минимальным участием человека. В этой статье описана такая система, названная «ИИ-учёный». Показано, что современные методы искусственного интеллекта способны справляться практически с каждым этапом исследовательского проекта в области машинного обучения, что указывает на будущее, где открытия будут происходить быстрее — но также поднимает серьёзные вопросы доверия, занятости и здоровья самой науки.

От идеи до готовой статьи

ИИ-учёный спроектирован так, чтобы проходить полный жизненный цикл исследования, подобно аспиранту. Сначала он предлагает направления исследований в выбранной области машинного обучения, объясняет, почему каждое предложение может быть интересным, и намечает план его проверки. Затем система сверяет идеи с онлайн-базами исследований, чтобы не повторять уже существующую работу. Вперед идут только те идеи, которые кажутся действительно новыми. Далее система пишет и редактирует код для экспериментов, исправляет многие собственные ошибки и ведёт «лабораторную тетрадь» с записями о том, что пробовалось и какие были результаты.

Два способа исследования системой

Исследователи создали две версии этого цифрового учёного. В режиме «на основе шаблона» люди предоставляют простой стартовый программный код, а система постепенно модифицирует его, чтобы исследовать смежные вопросы. В режиме «без шаблона» ИИ начинает почти с нуля: он сам генерирует идеи, проектирует эксперименты и пишет код, руководствуясь лишь общими указаниями, например темой воркшопа конференции. Эта открытая версия использует разветвлённый поиск по множеству параллельных «ветвей» экспериментов, продвигая наиболее перспективные и отсеивая те, что падают или дают слабые результаты. Большее вычислительное мощность позволяет исследовать больше ветвей и, как правило, приводит к более сильным итоговым исследованиям.

Обучение ИИ вести себя как рецензент

Оценивать поток статей, написанных ИИ, непросто, поэтому команда также создала Автоматизированного Рецензента. Этот инструмент читает научные работы, оценивает их по обоснованности и вкладу, перечисляет сильные и слабые стороны и даёт рекомендацию принять или отклонить в соответствии с теми же руководящими принципами, что и ведущая конференция по машинному обучению. При проверке на тысячах реальных статей с известными решениями суждения Автоматизированного Рецензента совпадали с оценками людей примерно так же, как люди совпадают друг с другом. Он показал схожую производительность даже на недавних статьях, которые не входили в обучающую выборку, что указывает на то, что модель действительно научилась задаче рецензирования, а не просто запомнила результаты.

Испытание ИИ-учёного в реальных условиях

Чтобы понять, как система работает в реальной среде, авторы попросили её сгенерировать полные статьи для воркшопа на ведущей конференции по машинному обучению. С этическим одобрением и при сотрудничестве организаторов три рукописи, созданные ИИ, были поданы наряду с работами, написанными людьми. Рецензентам сообщили, что некоторые материалы могут быть сгенерированы ИИ, но не уточняли, какие именно. Одна из трёх статей, созданных ИИ, получила оценки, позволившие бы принять её на воркшоп; впоследствии авторы отозвали её согласно заранее согласованному протоколу. Две другие статьи не достигли требуемого уровня. В целом система пока создаёт работы, которые ещё не сравнимы с лучшими человеческими исследованиями, но уже достаточно хороши, чтобы изредка проходить реальное рецензирование.

Обещания, риски и дальнейший путь

Хотя ИИ-учёный по-прежнему делает ошибки — например, предлагает поверхностные идеи, допускает ошибки в коде и вводит в заблуждение при цитировании — исследование показывает, что по мере улучшения базовых моделей ИИ и роста вычислительных ресурсов такие системы, вероятно, станут значительно лучше. Это может резко ускорить открытия в областях, где эксперименты можно проводить на компьютерах или в автоматизированных лабораториях. В то же время простая генерация статей может наводнить журналы работами низкого качества, размыть границы авторства и заслуг и открыть возможности для рискованных или неэтичных экспериментов. Авторы утверждают, что научному сообществу сейчас нужны чёткие правила и защиты, пока технология ещё развивается, чтобы автоматизированные исследователи усиливали науку, а не ослабляли её.

Цитирование: 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

Ключевые слова: автоматизированные научные исследования, ИИ-учёный, эксперименты машинного обучения, автоматизация рецензирования, научная целостность