Googles nye AI “Co-Scientist” sikter på å accelerere vitenskapelige oppdagelser

Tenk deg en forskningspartner som har lest alle vitenskapelige artikler du har, og som ufatigbart brainstromer nye eksperimenter døgnet rundt. Google (GOOGL ) 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 nye hypoteser og til og med skisse ut eksperimentplaner – alt i samarbeid med menneskelige forskere. Googles nyeste verktøy, testet ved Stanford University og Imperial College London, bruker avansert resonnering til å hjelpe forskere å syntetisere store mengder litteratur og generere nye ideer. Målet er å akselerere vitenskapelige gjennombrudd ved å gi mening til informasjonsoverbelastning og foreslå innsikter som en menneskelig forsker 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 Googles nyeste AI-modeller (notabelt Gemini 2.0-modellen) og speiler måten forskere tenker – fra brainstorming til kritikk av ideer. I stedet for bare å summerere 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 opp nye spørsmål å stille. 

Google og dets AI-enhet DeepMind har prioritetert vitenskapelige anvendelser av AI, etter å ha demonstrert suksesser som AlphaFold, som brukte AI til å løse det 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 panseret er Googles AI-co-vitenskapsmann faktisk sammensatt av flere spesialiserte AI-programmer – tenk på dem som et team av super-raskt forskningsassistenter, hver med en spesifikk rolle. Disse AI-agenter arbeider sammen i en pipeline som speiler den vitenskapelige metoden: en genererer ideer, andre kritiserer og finjusterer dem, og de beste ideene sendes til den menneskelige forskeren. 

Ifølge Googles forskningsteam, er dette hvordan prosessen utvikler seg:

• Genereringsagent – graver gjennom relevante forskning og syntetiserer eksisterende funn for å foreslå nye veier eller hypoteser.
• Refleksjonsagent – fungerer som en peer-reviewer, som sjekker nøyaktigheten, kvaliteten og nyskapningen til de foreslåtte hypotesene og fjerner feilaktige ideer.
• Rangeringsagent – gjennomfører en “turnering” av ideer, effektivt lar hypotesene konkurrere i simulerede debatter, og deretter rangerer dem basert på hvilke som ser mest lovende ut.
• Nærhetsagent – grupperer lignende hypoteser sammen og fjerner duplikater så forskeren ikke gjennomgår repetitive ideer.
• Evolusjonsagent – tar de beste hypotesene og finjusterer dem videre, ved å bruke analogier eller forenkle konsepter for å forbedre forslagene.
• Meta-gjennomgangsagent – samler til slutt de beste ideene i 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 arbeider ikke i isolasjon eller tar endelige beslutninger på egen hånd. Forskere begynner med å mata 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 initielle ideer de har. AI-systemet går deretter gjennom syklusen ovenfor for å produsere forslag. Forskeren kan gi tilbakemelding eller justere parametre, og AI-en vil iterere igjen. 

Google bygde systemet til å være “formål-bygget for samarbeid”, noe betyr at forskere kan sette inn egne idéer eller kritikk under AI-prosessen. AI-en kan til og med bruke eksterne verktøy som nett-søk og andre spesialiserte modeller til å dobbelt-sjekke fakta eller samle inn data mens den arbeider, og sikre at hypotesene er grunnlagt i oppdatert informasjon. 

AI-co-vitenskapsmann-agenter (Google)

En raskere vei til gjennombrudd

Ved å utkontraktere en del av det tungroddige arbeidet med forskning – uttømmende litteraturgjennomgang og initial brainstorming – til en maskin som ikke blir trøtt, håper forskere å dramatisk akselerere oppdagelser. AI-co-vitenskapsmannen kan lese langt flere artikler enn noen menneske, og den løper aldri tom for nye kombinasjoner av ideer å prøve. 

“Det har potensialet til å akselerere forskernes innsats for å løse store utfordringer i vitenskap og medisin,” skrev prosjektets forskere i artikkelen. Tidlige resultater er oppmuntrende. I en prøve som fokuserte på leverfibrose (skade på leveren), rapporterte Google at hver tilnærming AI-co-vitenskapsmannen foreslo viste løfterikt evne til å hemme drivere av sykdommen. I virkeligheten var AI-ens anbefalinger i det eksperimentet ikke skudd i blindt – de samsvarte med hva eksperter anser som plausiblene inngrep. 

I tillegg viste systemet en evne til å forbedre menneske-lagde løsninger over tid. Ifølge Google, fortsatte AI-en å finjustere og optimalisere løsninger som eksperter hadde opprinnelig foreslått, noe indikerer at den kan lære og legge til inkrementell verdi utover menneskelig ekspertise med hver iterasjon.

En annen bemerkelsesverdig test involverte det torne problemet med antibiotikaresistens. Forskere ga AI-oppgaven å forklare hvordan et bestemt genetisk element hjelper bakterier å spre deres resistente egenskaper. Uvitende for AI-en, hadde en separat vitenskapelig gruppe (i en foreløpig upublisert studie) allerede oppdaget mekanismen. AI-en fikk bare grunnleggende bakgrunnsinformasjon og noen relevante artikler, og deretter ble den satt til å arbeide på egen hånd. Innen to dager, kom den frem til samme hypotese som de menneskelige forskerne hadde. 

“Dette funnet ble eksperimentelt validerert i den uavhengige forskningsstudien, som var ukjent for co-vitenskapsmannen under hypotesegenerering,” noterte forfatterne. Med andre ord, AI-en klarte å gjenoppdage en nøkkel-innsikt på egen hånd, og viste at den kan koble punkter på en måte som kan rivalisere 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 forskjellige 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. Googles DeepMind-enhet har allerede vist hvordan transformasjonell AI i vitenskap kan være med AlphaFold, som forutså 3D-strukturen til proteiner og ble hyllet som et stort skritt fremover for biologi. Denne prestasjonen, som akselererte legemiddel-utvikling og vaksineutvikling, tjente til og med DeepMinds team en andel av vitenskapens høyeste æresbevisninger (inkludert anerkjennelse knyttet til Nobelprisen). 

Den nye AI-co-vitenskapsmannen sikter på å bringe lignende sprang til hverdagsforskningens brainstorming. Mens de første anvendelsene har vært i biomedisin, kan systemet i prinsippet bli anvendt på ethvert vitenskapelig område – fra fysikk til miljøvitenskap – ettersom metoden for å generere og verifisere hypoteser er fag-uavhengig. Forskere kan bruke det til å jakte på nye materialer, utforske klimaløsninger eller oppdage nye matematiske teorier. I hvert tilfelle er løftet det samme: en raskere vei fra spørsmål til innsikt, potensielt komprimerer år med prøving og feil til en mye kortere tidsramme.