Google’s nye AI “Co-Scientist” har som mål å akselerere vitenskapelige oppdagelser

Forestiller deg en forskningspartner som har lest alle vitenskapelige artikler du har, og som ufortrent brainstormer nye eksperimenter døgnet rundt. Google prøver å gjøre denne visjonen til virkelighet med et nytt AI-system designet til å fungere som en “co-vitenskapsmann”. 

Dette AI-drevne verktøyet kan gå gjennom enorme biblioteker av forskning, foreslå ferske hypoteser og til og med skisse ut eksperimentplaner – alt i samarbeid med menneskelige forskere. Google’s nyeste verktøy, testet ved Stanford University og Imperial College London, bruker avansert resonnering for å hjelpe vitenskapsmenn til å syntetisere fjell av litteratur og generere nye ideer. Målet er å fremskynde vitenskapelige gjennombrudd ved å gi mening til informasjonsoverlast og foreslå innsikter som en menneske kan overse.

Dette “AI co-vitenskapsmannen”, som Google kaller det, er ikke en fysisk robot i et laboratorium, men et sofistikert programvaresystem. Det er bygget på Google’s nyeste AI-modeller (notabelt Gemini 2.0-modellen) og speiler måten vitenskapsmenn tenker – fra brainstorming til kritikk av ideer. I stedet for bare å sammenfatte kjente fakta eller søke etter artikler, er systemet ment å avdekke original kunnskap og foreslå virkelig nye hypoteser basert på eksisterende bevis. Med andre ord, det finner ikke bare svar på spørsmål – det hjelper med å finne nye spørsmål å stille. 

Google og dets AI-enhet DeepMind har prioritet vitenskapsapplikasjoner for AI, etter å ha demonstrert suksesser som AlphaFold, som brukte AI til å løse den 50 år gamle puslespillet om protein-folding. Med AI co-vitenskapsmannen håper de å “akselerere klokkehastigheten” på oppdagelser i felt fra biomedisin til fysikk.

AI co-vitenskapsmann (Google)

Hvordan en AI Co-Vitenskapsmann fungerer

Under hodet, er Google’s AI co-vitenskapsmann i virkeligheten sammensatt av flere spesialiserte AI-programmer – tenk på dem som et lag av super-raskt forskningsassistenter, hver med en spesifikk rolle. Disse AI-agenter arbeider sammen i en pipeline som mimrer den vitenskapelige metoden: en genererer ideer, andre kritiserer og finjusterer dem, og de beste ideene sendes til den menneskelige forskeren. 

Ifølge Google’s forskningsteam, er dette hvordan prosessen utvikler seg:

• Genereringsagent – graver gjennom relevant forskning og syntetiserer eksisterende funn for å foreslå nye veier eller hypoteser.
• Refleksjonsagent – fungerer som en peer reviewer, sjekker nøyaktigheten, kvaliteten og nyskapningen til de foreslåtte hypotesene og rydder ut feilaktige ideer.
• Rankingsagent – gjennomfører en “turnering” av ideer, effektivt lar hypotesene konkurrere i simulerede debatter, og så rangerer dem basert på hvilke som ser mest lovende ut.
• Nærhetsagent – grupperer lignende hypoteser sammen og eliminerer duplikater så forskeren ikke gjennomgår repetitive ideer.
• Evolusjonsagent – tar de beste hypotesene og finjusterer dem videre, bruker analogier eller forenkler konsepter for klarhet for å forbedre forslagene.
• Meta-gjennomgangsagent – kompilerer til slutt de beste ideene til en sammenhengende forskningsforslag eller oversikt for den menneskelige forskeren å gjennomgå.

Kritisk er at den menneskelige forskeren forblir i løkken på hvert stadium. AI co-vitenskapsmannen fungerer ikke i isolasjon eller tar endelige beslutninger på egen hånd. Forskere begynner med å mate inn et forskningsmål eller spørsmål på naturlig språk – for eksempel, et mål å finne nye strategier for å behandle en bestemt sykdom – sammen med eventuelle relevante begrensninger eller opprinnelige ideer de har. AI-systemet går så gjennom syklusen ovenfor for å produsere forslag. Forskeren kan gi tilbakemelding eller justere parametre, og AI-en vil iterere igjen. 

Google bygde systemet for å være “tilpasset samarbeid”, noe betyr at forskere kan sette inn egne frøideer eller kritikk under AI-prosessen. AI-en kan sogar bruke eksterne verktøy som nett-søk og andre spesialiserte modeller for å dobbeltsjekke fakta eller samle inn data mens det arbeider, og sikre at hypotesene er grunnlagt i oppdatert informasjon. 

AI co-vitenskapsmann-agenter (Google)

En raskere vei til gjennombrudd

Ved å utkontrakttere noe av det slitende arbeidet med forskning – uttømmende litteraturgjennomgang og initial brainstorming – til en uutmattelig maskin, håper forskere å dramatisk fremskynde oppdagelse. AI co-vitenskapsmannen kan lese langt mer papirer enn noen menneske, og den løper aldri tom for ferske kombinasjoner av ideer å prøve. 

“Det har potensialet til å akselerere vitenskapsmenns bestrebelser for å løse store utfordringer i vitenskap og medisin,” skrev prosjektets forskere i papiret. Tidlige resultater er oppmuntrende. I en prøve som fokuserte på leverfibrose (arr på leveren), rapporterte Google at hver tilnærming AI co-vitenskapsmannen foreslo viste løftende evne til å hemme drivere av sykdommen. I virkeligheten var AI-ens anbefalinger i det eksperimentet ikke skudd i blinde – de stemte overens med hva eksperter regner som plausiblene inngrep. 

I tillegg demonstrerte systemet en evne til å forbedre menneske-designede løsninger over tid. Ifølge Google forbedret AI-en kontinuerlig og optimaliserte løsninger som eksperter hadde opprinnelig foreslått, noe indikerer at det kan lære og legge til inkrementell verdi utover menneskelig ekspertise med hver iterasjon.

En annen bemerkelsesverdig test involverte det tornefulle problemet med antibiotikaresistens. Forskere ga AI-oppgaven å forklare hvordan et bestemt genetisk element hjelper bakterier spre sine legemiddelresistente egenskaper. Uvitende for AI-en, hadde et separat vitenskapelig team (i en ubrukt studie) allerede oppdaget mekanismen. AI-en fikk bare grunnleggende bakgrunnsinformasjon og noen relevante artikler, og så ble den låst til å arbeide på egen hånd. Innen to dager, nådde den samme hypotesen som de menneskelige forskerne hadde. 

“Dette funnet ble eksperimentelt validerbart i den uavhengige forskningsstudien, som var ukjent for co-vitenskapsmannen under hypotesegenerering,” noterte forfatterne. Med andre ord, AI-en klarte å gjenoppdage en nøkkelinnsikt på egen hånd, og viste at den kan koble punkter på en måte som rivaliserer menneskelig intuisjon – i alle fall i tilfeller hvor det finnes rikelig med data.

Konsekvensene av en slik hastighet og tverrfaglig rekkevidde er enorme. Gjennombrudd skjer ofte når innsikter fra ulike felt kolliderer, men ingen enkelt person kan være ekspert i alt. En AI som har absorbert kunnskap over genetikk, kjemi, medisin og mer, kunne foreslå ideer som menneskelige spesialister kan overse. Google’s DeepMind-enhet har allerede vist hvordan transformasjonell AI i vitenskap kan være med AlphaFold, som forutså 3D-strukturen av proteiner og ble hyllet som et stort sprang fremover for biologi. Denne prestasjonen, som fremskyndet legemiddeloppdagelse og vaksineutvikling, tjente til og med DeepMind’s team en andel av vitenskapens høyeste æresbevisninger (inkludert anerkjennelse knyttet til Nobelprisen). 

Den nye AI co-vitenskapsmannen har som mål å bringe lignende sprang til hverdags forskningsbrainstorming. Mens de første applikasjonene har vært i biomedisin, kunne systemet i prinsippet bli brukt i noen som helst vitenskapelig domene – fra fysikk til miljøvitenskap – siden metoden for å generere og verifisere hypoteser er fag-uavhengig. Forskere kunne bruke det til å jakte på nye materialer, utforske klimaløsninger eller oppdage nye matematiske teorier. I hver enkelt tilfelle er løftet det samme: en raskere vei fra spørsmål til innsikt, potensielt komprimerer år med prøving og feil til en mye kortere tidsramme.