В феврале 2025 года OpenAI объявила, что подключила GPT-5 к автоматизированным биологическим лабораториям компании Ginkgo Bioworks. Система самостоятельно предлагала эксперименты, интерпретировала результаты и итеративно улучшала протоколы — почти без участия человека. Итог: рецепт синтеза конкретного белка подешевел на 40%. Это не демонстрационный стенд — это работающий конвейер научных гипотез и их проверки.
За этим стоит многолетняя ставка индустрии на так называемых ИИ-учёных. Идея не нова: LLM уже давно помогают исследователям искать релевантные публикации, писать код и составлять черновики статей. Но амбиции выросли. Теперь речь идёт о системах, которые могут стать полноправными участниками научной команды или даже инициировать исследовательские проекты с минимальным участием человека. OpenAI прямо называет создание автономного исследователя своей «Полярной звездой» и в 2025 году выпустила GPT-Rosalind — первую модель из запланированной серии специализированных научных систем. Anthropic примерно в то же время анонсировала функции Claude, ориентированные на биологические науки.
Главный ориентир для всей отрасли — Google DeepMind. Компания инвестировала в научный ИИ годами, и в 2024 году это принесло Нобелевскую премию по химии: её получили Демис Хассабис и Джон Джампер за AlphaFold — систему, предсказывающую трёхмерную структуру белков. Задача, над которой биологи бились десятилетиями, оказалась решена с помощью глубокого обучения. В феврале того же года Google выпустила инструмент AI co-scientist для широкой аудитории исследователей.
Google DeepMind получила Нобелевскую премию по химии в 2024 году за AlphaFold — систему предсказания трёхмерной структуры белков.
Под капотом большинства таких систем — не одна модель, а ансамбль специализированных агентов. Инструмент Google использует агента-супервизора, агента генерации гипотез и агента ранжирования, которые совместно формируют исследовательские планы в ответ на цель, заданную учёным. Исследователи из Стэнфордской лаборатории ИИ для науки под руководством Джеймса Зоу пошли дальше: они собрали «виртуальную лабораторию» из агентов, каждый из которых играл роль специалиста в своей области. Система спроектировала новые фрагменты антител, связывающихся с SARS-CoV-2. Ключевое ограничение пока остаётся: агенты не могут физически проверить свои гипотезы в реальной лаборатории — именно поэтому интеграция с роботизированными установками вроде лабораторий Ginkgo Bioworks становится критически важным звеном.
Однако у этого направления есть и обратная сторона, которую фиксирует академическое сообщество. Исследование, опубликованное в Nature, показало: хотя отдельные учёные выигрывают от использования ИИ профессионально, наука в целом рискует потерять в разнообразии. ИИ особенно эффективен при анализе уже существующих массивов данных и литературы, поэтому исследователи, работающие с ним, тяготеют к хорошо изученным областям, где накоплено много структурированных данных. Проблемы, которые плохо поддаются алгоритмизации или требуют принципиально новых экспериментальных подходов, рискуют остаться без внимания. Это не технический, а институциональный вызов: сохранить тематическое разнообразие науки в эпоху ИИ потребует осознанных усилий со стороны научного сообщества — от грантовых комитетов до редакций журналов.
