Google’s Nieuwe AI “Co-Wetenschapper” Beoogt Wetenschappelijke Ontdekkingen te Versnellen

Stel je een onderzoekspartner voor die elke wetenschappelijke paper heeft gelezen die je hebt, en moeiteloos nieuwe experimenten brainstormt rond de klok. Google probeert deze visie werkelijkheid te maken met een nieuw AI-systeem dat is ontworpen om als een “co-wetenschapper” te fungeren.

Deze AI-gepowered assistent kan door enorme bibliotheken van onderzoek gaan, verse hypothesen voorstellen en zelfs experimentplannen schetsen – alles in samenwerking met menselijke onderzoekers. Google’s laatste instrument, getest aan de Stanford University en Imperial College London, gebruikt geavanceerde redenering om wetenschappers te helpen om bergen van literatuur te synthetiseren en nieuwe ideeën te genereren. Het doel is om wetenschappelijke doorbraken te versnellen door zin te geven aan informatie-overbelasting en inzichten voor te stellen die een mens zou kunnen missen.

Deze “AI co-wetenschapper“, zoals Google het noemt, is geen fysieke robot in een lab, maar een geavanceerd software-systeem. Het is gebouwd op Google’s nieuwste AI-modellen (met name het Gemini 2.0 model) en spiegelt de manier waarop wetenschappers denken – van brainstormen tot het bekritiseren van ideeën. In plaats van alleen bekende feiten samen te vatten of naar papers te zoeken, is het systeem bedoeld om oorspronkelijke kennis te ontdekken en echt nieuwe hypothesen voor te stellen op basis van bestaand bewijs. Met andere woorden, het vindt niet alleen antwoorden op vragen – het helpt bij het uitvinden van nieuwe vragen om te stellen.

Google en zijn AI-eenheid DeepMind hebben wetenschappelijke toepassingen voor AI geprioriteerd, nadat ze successen hebben aangetoond zoals AlphaFold, die AI gebruikte om het 50 jaar oude puzzel van eiwitvouwing op te lossen. Met de AI co-wetenschapper hopen ze de “kloksnelheid” van ontdekkingen in domeinen van biomedische wetenschappen tot fysica te versnellen.

AI co-wetenschapper (Google)

Hoe een AI Co-Wetenschapper Werkt

Onder de motorkap is Google’s AI co-wetenschapper eigenlijk samengesteld uit meerdere gespecialiseerde AI-programma’s – denk aan hen als een team van super-snelle onderzoeksassistenten, elk met een specifieke rol. Deze AI-agents werken samen in een pijplijn die de wetenschappelijke methode imiteert: een genereert ideeën, anderen critiseren en verfijnen ze, en de beste ideeën worden doorgestuurd naar de menselijke wetenschapper.

Volgens Google’s onderzoeksteam verloopt het proces als volgt:

• Generatie-agent – mijnt relevante onderzoeken en synthetiseert bestaande bevindingen om nieuwe wegen of hypothesen voor te stellen.
• Reflectie-agent – fungeert als peer reviewer, controleert de nauwkeurigheid, kwaliteit en originaliteit van de voorgestelde hypothesen en verwijdert gebrekkige ideeën.
• Ranking-agent – voert een “toernooi” van ideeën uit, waardoor de hypothesen effectief concurreren in gesimuleerde debatten, en rangschikt ze op basis van welke het meest veelbelovend lijken.
• Proximity-agent – groepeert soortgelijke hypothesen samen en verwijdert duplicaten, zodat de onderzoeker geen herhaalde ideeën hoeft te beoordelen.
• Evolutie-agent – neemt de top-gerangschikte hypothesen en verfijnt ze verder, door analogieën te gebruiken of concepten te vereenvoudigen voor duidelijkheid om de voorstellen te verbeteren.
• Meta-review-agent – compileert uiteindelijk de beste ideeën in een samenhangend onderzoeksvoorstel of overzicht voor de menselijke wetenschapper om te beoordelen.

Cruciaal is dat de menselijke wetenschapper op elk moment in de lus blijft. De AI co-wetenschapper werkt niet in isolatie of neemt zelfstandig beslissingen. Onderzoekers beginnen met het invoeren van een onderzoeksdoel of vraag in natuurlijke taal – bijvoorbeeld een doel om nieuwe strategieën te vinden om een bepaalde ziekte te behandelen – samen met eventuele relevante beperkingen of initiële ideeën die ze hebben. Het AI-systeem gaat dan door de cyclus hierboven om suggesties te produceren. De wetenschapper kan feedback geven of parameters aanpassen, en het AI zal opnieuw itereren.

Google heeft het systeem gebouwd om “specifiek voor samenwerking” te zijn, wat betekent dat wetenschappers hun eigen zaadideeën of kritiek kunnen invoeren tijdens het AI-proces. Het AI kan zelfs externe tools zoals webzoek en andere gespecialiseerde modellen gebruiken om feiten te controleren of gegevens te verzamelen terwijl het werkt, om ervoor te zorgen dat zijn hypothesen zijn gebaseerd op actuele informatie.

AI co-wetenschapper agents (Google)

Een Snellere Weg naar Doorbraken

Door een deel van het saaie werk van onderzoek – uitputtende literatuuronderzoeken en initiële brainstormsessies – uit te besteed aan een onvermoeibare machine, hopen wetenschappers de ontdekking aanzienlijk te versnellen. De AI co-wetenschapper kan veel meer papers lezen dan een mens, en hij raakt nooit uitgeput van verse combinaties van ideeën om te proberen.

“Het heeft het potentieel om de inspanningen van wetenschappers te versnellen om grote uitdagingen in wetenschap en geneeskunde aan te pakken,” schreven de onderzoekers van het project in het paper. Vroegresultaten zijn bemoedigend. In een proef die zich richtte op leverfibrose (littekenvorming van de lever), rapporteerde Google dat elke benadering die de AI co-wetenschapper suggereerde, veelbelovende mogelijkheden had om de oorzaken van de ziekte te remmen. In feite waren de aanbevelingen van het AI in dat experiment niet lukraak – ze kwamen overeen met wat experts als plausibele interventies beschouwen.

Bovendien toonde het systeem aan dat het menselijke oplossingen kon verbeteren in de loop van de tijd. Volgens Google verfijnde het AI de oplossingen die experts aanvankelijk hadden voorgesteld, wat aangaf dat het kon leren en incrementele waarde kon toevoegen boven menselijke expertise met elke iteratie.

Een ander opmerkelijk test betrof het probleem van antibioticumresistentie. Onderzoekers gaven de AI de taak om uit te leggen hoe een bepaald genetisch element helpt bij het verspreiden van bacteriën met resistente eigenschappen. Onbekend aan de AI had een apart wetenschappelijk team (in een nog niet gepubliceerde studie) al de mechanisme ontdekt. De AI kreeg alleen basisinformatie en een paar relevante papers, en werd vervolgens aan zijn lot overgelaten. Binnen twee dagen kwam het tot dezelfde hypothese als de menselijke wetenschappers hadden.

“Deze vinding werd experimenteel bevestigd in de onafhankelijke onderzoeksstudie, die onbekend was aan de co-wetenschapper tijdens de hypothese-generatie,” noteerden de auteurs. Met andere woorden, het AI wist een belangrijke inzicht opnieuw te ontdekken, wat aantoont dat het verbindingen kan leggen op een manier die rivaliseert met menselijke intuïtie – tenminste in gevallen waarin voldoende gegevens beschikbaar zijn.

De implicaties van dergelijke snelheid en cross-disciplinaire bereik zijn enorm. Doorbraken gebeuren vaak wanneer inzichten uit verschillende domeinen botsen, maar geen enkele persoon kan een expert zijn in alles. Een AI die kennis heeft geabsorbeerd uit genetica, chemie, geneeskunde en meer, kan ideeën voorstellen die menselijke specialisten zouden kunnen missen. Google’s DeepMind-eenheid heeft al aangetoond hoe transformatief AI in wetenschap kan zijn met AlphaFold, die de 3D-structuren van eiwitten voorspelde en als een grote stap vooruit voor biologie werd gehuldigd. Die prestatie, die de ontdekking van geneesmiddelen en vaccinontwikkeling versnelde, verdiende zelfs een deel van de wetenschappelijke hoogste onderscheidingen (inclusief erkenning gekoppeld aan de Nobelprijs).

De nieuwe AI co-wetenschapper beoogt soortgelijke sprongen te maken in het dagelijkse onderzoeksbrainstormen. Terwijl de eerste toepassingen in biomedische wetenschappen zijn geweest, kan het systeem in principe op elk wetenschappelijk domein worden toegepast – van fysica tot milieukunde – aangezien de methode van het genereren en valideren van hypothesen domein-agnostisch is. Onderzoekers kunnen het gebruiken om naar nieuwe materialen te zoeken, klimaatsoplossingen te onderzoeken of nieuwe wiskundige stellingen te ontdekken. In elk geval is de belofte hetzelfde: een snellere weg van vraag naar inzicht, mogelijk jaren van trial-and-error comprimerend in een veel kortere tijdspanne.