Google’s nye AI “Co-Scientist” sigter mod at accelerere videnskabelige opdagelser

Forestil dig en forskningspartner, der har læst alle videnskabelige artikler, du har, og uafbrudt brainstormer om nye eksperimenter døgnet rundt. Google forsøger at omsætte denne vision til virkelighed med et nyt AI-system, der er designet til at fungere som en “co-scientist”.

Dette AI-drevne værktøj kan gennemgå enorme biblioteker af forskning, foreslå friske hypoteser og endda skitsere eksperimentplaner – alt i samarbejde med menneskelige forskere. Google’s seneste værktøj, der er testet på Stanford University og Imperial College London, bruger avanceret resonnering til at hjælpe videnskabsmænd med at syntetisere bjerge af litteratur og generere nye ideer. Målet er at accelerere videnskabelige gennembrud ved at give mening til informationsoverbelastning og foreslå indsigt, som et menneske måske ville overse.

Denne “AI co-scientist“, som Google kalder det, er ikke en fysisk robot i et laboratorium, men et sofistikeret software-system. Det er bygget på Google’s nyeste AI-modeller (notably Gemini 2.0 model) og spejler den måde, videnskabsmænd tænker – fra brainstorming til kritik af ideer. I stedet for kun at opsummere kendte fakta eller søge efter artikler, er systemet designet til at afsløre original viden og foreslå ægte nye hypoteser baseret på eksisterende beviser. Med andre ord, det finder ikke kun svar på spørgsmål – det hjælper med at opfinde nye spørgsmål at stille.

Google og dets AI-enhed DeepMind har prioriteret videnskabsapplikationer for AI, efter at have demonstreret succeser som AlphaFold, der brugte AI til at løse den 50 år gamle gåde om protein-folding. Med AI co-scientist håber de at “accelere urets hastighed” for opdagelser i fag som biomedicin til fysik.

AI co-scientist (Google)

Hvordan en AI Co-Scientist fungerer

Under overfladen er Google’s AI co-scientist i virkeligheden sammensat af multiple specialiserede AI-programmer – tænk på dem som et hold af super-hurtige forskningsassistenter, hver med en specifik rolle. Disse AI-agenter arbejder sammen i en pipeline, der ligner den videnskabelige metode: en genererer ideer, andre kritiserer og forfiner dem, og de bedste ideer sendes videre til den menneskelige forsker.

Ifølge Google’s forskningshold, er dette, hvordan processen udvikler sig:

• Generation agent – udvinder relevant forskning og syntetiserer eksisterende resultater for at foreslå nye vejretninger eller hypoteser.
• Reflection agent – fungerer som en peer-reviewer, der tjekker nøjagtigheden, kvaliteten og nytænkningen af de foreslåede hypoteser og eliminerer fejlbehæftede ideer.
• Ranking agent – gennemfører en “turnering” af ideer, hvor hypoteserne konkurrerer i simulerede debatter, og derefter rangerer dem baseret på, hvilke der synes mest lovende.
• Proximity agent – grupperer lignende hypoteser sammen og eliminerer duplikater, så forskeren ikke gennemgår repetitive ideer.
• Evolution agent – tager de top-rangerede hypoteser og forfiner dem yderligere, ved at bruge analogier eller forenkle begreber for klarhed til at forbedre forslagene.
• Meta-review agent – samler til sidst de bedste ideer i en sammenhængende forskningsforslag eller oversigt for den menneskelige forsker at gennemgå.

Vigtigt er, at den menneskelige forsker forbliver i løkken på hvert trin. AI co-scientist fungerer ikke i isolation eller tager finale beslutninger på egen hånd. Forskere begynder med at indføre et forskningsmål eller spørgsmål i naturligt sprog – for eksempel, et mål at finde nye strategier til at behandle en bestemt sygdom – sammen med eventuelle relevante begrænsninger eller initiale ideer, de har. AI-systemet går derefter gennem cyklen ovenfor for at producere forslag. Forskeren kan give feedback eller justere parametre, og AI vil iterere igen.

Google byggede systemet til at være “specialbygget til samarbejde”, hvilket betyder, at videnskabsmænd kan indsætte deres egne sædeideer eller kritik under AI-processen. AI kan endda bruge eksterne værktøjer som web-søgning og andre specialiserede modeller til at dobbelttjekke fakta eller indsamle data, mens det arbejder, og sikre, at dets hypoteser er grundet i opdateret information.

AI co-scientist-agenter (Google)

En hurtigere vej til gennembrud

Ved at outsourcere noget af det tungeste arbejde i forskningen – udførlige litteraturgennemgange og initial brainstorming – til en uophørlig maskine, håber videnskabsmænd at dramatisk accelerere opdagelser. AI co-scientist kan læse langt mere papirer end noget menneske, og det løber aldrig tør for friske kombinationer af ideer at prøve.

“Det har potentialet til at accelerere videnskabsmænds indsats for at tackle store udfordringer i videnskab og medicin,” skrev projektets forskere i artiklen. Tidlige resultater er opmuntrende. I en prøve, der fokuserede på leverfibrose (arvæv i leveren), rapporterede Google, at hver tilgang, AI co-scientist foreslog, viste lovende evne til at hæmme drivkræfterne for sygdommen. Faktisk var AI’ens anbefalinger i det eksperiment ikke skud i blinde – de var i overensstemmelse med, hvad eksperter betragter som plausibler interventioner.

Desuden demonstrerede systemet en evne til at forbedre menneske-designede løsninger over tid. Ifølge Google forbedrede AI løsningerne, som eksperter havde foreslået, og indikerer, at det kan lære og tilføje værdi ud over menneskelig ekspertise med hver iteration.

En anden bemærkelsesværdig test involverede det tornede problem med antibiotikaresistens. Forskere gav AI-opgaven at forklare, hvordan et bestemt genetisk element hjælper bakterier med at sprede deres resistente egenskaber. Uvidende for AI’en havde et andet videnskabeligt hold (i en endnu ikke offentliggjort studie) allerede opdaget mekanismen. AI’en fik kun grundlæggende baggrundsinformation og et par relevante artikler, og derefter var det på egen hånd. Inden for to dage nåede det samme hypotese, som menneskelige videnskabsmænd havde.

“Dette fund blev eksperimentelt valideret i den uafhængige forskningsstudie, som var ukendt for co-scientist under hypotesegenerering,” noterede forfatterne. Med andre ord, AI’en formåede at genopdage en nøgleindsigt på egen hånd, og viste, at det kan forbinde punkter på en måde, der kan rivalisere med menneskelig intuition – i hvert fald i tilfælde, hvor der findes omfattende data.

Konsekvenserne af en sådan hastighed og tværfaglig rækkevidde er enorme. Gennembrud sker ofte, når indsigt fra forskellige fag kolliderer, men ingen enkelt person kan være ekspert i alt. En AI, der har absorberet viden på tværs af genetik, kemi, medicin og mere, kunne foreslå ideer, som menneskelige specialister måske overse. Google’s DeepMind-enhed har allerede bevist, hvor transformerende AI i videnskab kan være med AlphaFold, der forudsagde 3D-strukturer af proteiner og blev hyldet som et stort spring for biologi. Denne præstation, der accelererede lægemiddelforskning og vaccineudvikling, fik endda DeepMind’s hold en andel af videnskabens højeste æresbevisninger (herunder anerkendelse knyttet til Nobelprisen).

Den nye AI co-scientist sigter mod at bringe lignende spring til daglig forskningsbrainstorming. Mens de første anvendelser har været i biomedicin, kan systemet i princippet anvendes på ethvert videnskabeligt område – fra fysik til miljøvidenskab – da metoden til at generere og verificere hypoteser er fag-agnostisk. Forskere kunne bruge det til at jagte nye materialer, udforske klimaløsninger eller opdage nye matematiske teorier. I hvert tilfælde er løftet det samme: en hurtigere vej fra spørgsmål til indsigt, potentielt komprimerer år af prøver og fejl til en meget kortere tidsramme.