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

Stel je een onderzoekspartner voor die elke wetenschappelijke paper heeft gelezen die jij hebt, en die onvermoeibaar nieuwe experimenten brainstormt, 24 uur per dag. Google (GOOGL ) probeert deze visie werkelijkheid te maken met een nieuw AI-systeem dat is ontworpen om als een “co-wetenschapper” te fungeren.

Deze AI-gestuurde assistent kan door enorme bibliotheken van onderzoek heen zeven, verse hypothesen voorstellen en zelfs experimentplannen schetsen – alles in samenwerking met menselijke onderzoekers. Google’s laatste tool, 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 informatie-overload te begrijpen en inzichten te suggereren die een mens zou kunnen missen.

Deze “co-wetenschapper” van Google is geen fysieke robot in een laboratorium, 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 beoordelen van ideeën. In plaats van alleen bekende feiten samen te vatten of papers te zoeken, is het systeem bedoeld om oorspronkelijke kennis te ontdekken en echte nieuwe hypothesen voor te stellen op basis van bestaand bewijs. Met andere woorden, het geeft 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, na succesvolle demonstraties zoals AlphaFold, dat AI gebruikte om het 50 jaar oude puzzel van eiwitvouwing op te lossen. Met de co-wetenschapper hopen ze de “kloksnelheid” van ontdekkingen in domeinen van biomedische wetenschappen tot natuurkunde 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 ze als een team van super-snelle onderzoeksassistenten, elk met een specifieke rol. Deze AI-agents werken samen in een pipeline die de wetenschappelijke methode imiteert: een genereert ideeën, anderen beoordelen 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, waarbij 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 elimineert duplicaten, zodat de onderzoeker niet herhaalde ideeën hoeft te beoordelen.
• Evolutie-agent – neemt de top-gerangschikte hypothesen en verfijnt ze verder, door analogieën of vereenvoudigingen te gebruiken 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 zit. 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 bovenstaande cyclus 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 webzoekopdrachten 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 besteeden 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 artikel. Vroege resultaten zijn bemoedigend. In een proef die zich richtte op leverfibrose (littekenvorming van de lever), rapporteerde Google dat elke aanpak die de AI co-wetenschapper suggereerde, veelbelovende mogelijkheden had om de oorzaken van de ziekte te remmen. In feite waren de aanbevelingen van de AI in dat experiment niet willekeurig – ze kwamen overeen met wat deskundigen als plausibele interventies beschouwen.

Bovendien toonde het systeem de mogelijkheid om menselijke oplossingen te verbeteren in de loop van de tijd. Volgens Google bleef de AI de oplossingen die deskundigen aanvankelijk hadden voorgesteld, verfijnen en optimaliseren, wat aangaf dat het kon leren en incrementele waarde kon toevoegen boven menselijke expertise met elke iteratie.

Een andere opmerkelijke 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 resistente eigenschappen van bacteriën. Onbekend aan de AI was een apart wetenschappelijk team (in een nog niet gepubliceerde studie) dat al het mechanisme had 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.

“Deze vinding werd experimenteel bevestigd in de onafhankelijke onderzoeksstudie, die onbekend was aan de co-wetenschapper tijdens de hypothese-generatie,” merkten de auteurs op. Met andere woorden, de AI slaagde erin om een belangrijke inzicht opnieuw te ontdekken, wat aangaf dat het kan verbinden zoals menselijke intuïtie – tenminste in gevallen waarin voldoende gegevens beschikbaar zijn.

De implicaties van dergelijke snelheid en cross-disciplinaire reikwijdte 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, scheikunde, 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, dat de 3D-structuren van eiwitten voorspelde en als een belangrijke stap vooruit in biologie werd gehailed. Die prestatie, die de ontdekking van geneesmiddelen en vaccinontwikkeling versnelde, verdiende zelfs een deel van de hoogste wetenschappelijke onderscheidingen (inclusief erkenning verbonden aan de Nobelprijs).

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