Eseu invitat de Anthropic îndeamnă AI-ul să returneze mulțimi de modele științifice

Pe 6 noiembrie 2026, Anthropic a publicat un eseu de cercetare semnat de un colaborator invitat, în care beneficiarii granturilor programului AI for Science, Jakob Macke, Daniel Gedon și Stefan Wahl, susțin că agenții bazați pe LLM-uri ar trebui să returneze distribuții ponderate ale modelelor științifice plauzibile, în locul unui singur model cu cea mai bună potrivire. Autorii sunt cercetători la ELLIS Institute Tübingen și la University of Tübingen.

Distincția fundamentală pe care o fac este între reproducerea observațiilor și înțelegerea unui sistem. Multe setări ale parametrilor pot produce rezultate echivalente, iar structuri diferite ale ecuațiilor pot explica aceleași măsurători. Prin urmare, un agent care oferă un singur răspuns satisfăcător ascunde alternative ce ar putea susține mecanisme sau predicții diferite.

Construirea, constrângerea și interpretarea modelelor

Eseul împarte modelarea științifică în trei etape recurente: construirea componentelor și ecuațiilor unui model, constrângerea parametrilor ajustabili pe baza măsurătorilor și interpretarea a ceea ce dezvăluie rezultatul despre sistemul real. Exemplul istoric prezentat este modelul celulei nervoase elaborat de Hodgkin și Huxley. Cei doi au ales un termen la puterea a patra, deoarece variantele mai simple se potriveau mai puțin bine cu datele lor, în timp ce Huxley a petrecut peste trei săptămâni rezolvând ecuațiile cu un calculator mecanic cu manivelă, după ce computerul Universității Cambridge s-a defectat în 1951.

Istoricul alternativelor respinse este esențial. Puterea a patra susținea o ipoteză despre mai multe elemente mobile dintr-o poartă membranară; fără să știm că puterile mai mici nu au dat rezultate, simpla potrivire numerică nu ar fi justificat interpretarea. Autorii folosesc acest exemplu pentru a defini un standard pentru AI: să păstreze ceea ce dezvăluie procesul de modelare, inclusiv candidații respinși și incertitudinea rămasă.

De la distribuțiile parametrilor la distribuțiile modelelor

Inferența bayesiană abordează problema parametrilor reprezentând setările plauzibile printr-o distribuție de probabilitate, informată de potrivirea cu datele și de cunoștințele anterioare. Calculele convenționale ale verosimilității sunt adesea imposibil de efectuat în cazul simulatoarelor mecanistice: o analiză publicată în PNAS în 2020 explică faptul că verosimilitatea integrează implicit toate traseele posibile de execuție ale unui simulator.

În schimb, inferența bazată pe simulări eșantionează parametri, rulează simulatorul și antrenează un estimator neuronal pe rezultatele sintetice. Metoda SNPE necesită un model executabil, constrângeri prealabile asupra parametrilor și date observate sau caracteristici rezumative, fără a necesita evaluări ale verosimilității sau cod de model diferențiabil. În experimentul simulat cu Hodgkin-Huxley, o singură rundă a folosit 100,000 de simulări pentru a estima opt parametri biofizici pe baza a șapte caracteristici ale tensiunii. Adăugarea de caracteristici a restrâns distribuția a posteriori și a arătat care parametri erau constrânși puternic sau slab de observații. După etapa inițială de simulare și antrenare, modelul surogat învățat poate evalua eficient date noi.

Eseul extinde această abordare de la parametri la structurile modelelor. Un agent LLM poate scrie cod pentru simulatoare candidate, îl poate executa, le poate constrânge parametrii, poate compara rezultatele cu observațiile și poate revizui ecuațiile. Rulări separate pot produce structuri diferite, dar la fel de satisfăcătoare, așa că rezultatul propus este o populație ponderată: candidații primesc ponderi în funcție de susținerea oferită de date, ajustările excesiv de flexibile sunt penalizate, iar candidații mai promițători stau la baza unor variații suplimentare. Caracteristicile comune modelelor care rămân indică ce susțin dovezile, în timp ce divergențele scot la iveală dovezile insuficiente și posibilele experimente următoare.

ModelSMC caută printre modele executabile

Într-o lucrare ModelSMC anterioară din 2026, Wahl și colegii săi, printre care Macke și Gedon, au formalizat această abordare ca inferență probabilistică asupra programelor executabile de simulare. Fiecare candidat este o particulă propusă sau rafinată de un LLM, folosind implementări ancestrale, feedback-ul evaluării și contextul sarcinii. Ponderile bazate pe verosimilitate și reeșantionarea concentrează populația asupra structurilor promițătoare, în timp ce, pe parcursul descoperirii, parametrii sunt integrați marginal, în loc să fie reduși la o singură estimare optimizată pentru fiecare structură. Lucrarea menționează creditele API oferite prin programul AI for Science al Anthropic, lansat la 5 mai 2025 pentru cercetători selectați, afiliați unor instituții, cu accent deosebit pe biologie și științele vieții.

Experimentele au vizat dinamici epidemiologice sintetice, un simulator al reglării aldosteronului la nivelul rinichilor și o sarcină de descoperire structurală pentru Hodgkin-Huxley, folosind 10 înregistrări reale ale tensiunii. Autorii afirmă că modelele de neuroștiință cu ponderi mari au adăugat în mod repetat un curent lent de potasiu de tip M, uneori împreună cu un alt canal, și că această familie s-a clasat pe primul loc în nouă din 10 rulări. Per ansamblu, performanța cantitativă a fost comparabilă cu cea a FunSearch+ și a unei variante cu o singură particulă, la bugete comparabile; avantajul revendicat constă în analiza a posteriori a familiilor de modele, nu într-un avans uniform al performanței.

Interpretare și validare

Costurile și dependențele documentate ale ModelSMC sunt la fel de importante ca rezultatele sale. Simulările repetate și estimarea verosimilității sunt costisitoare din punct de vedere computațional, verosimilitățile surogat pot introduce erori sistematice atunci când modelul este specificat greșit, iar descoperirea depinde de capacitatea LLM-ului de a propune structuri utile. Eseul invitat adaugă o precizare mai amplă: aceste sisteme au fost testate în principal pentru redescoperirea unor modele cunoscute, iar dovezile că funcționează în probleme științifice fără un răspuns cunoscut sunt puține.

Autorii consideră interpretarea cel mai dificil pas de delegat, deoarece potrivirea cu datele poate fi măsurată, în timp ce îmbunătățirea înțelegerii nu are un obiectiv la fel de clar. Acordul dintre modelele ajustate după ce un sistem este perturbat consolidează o predicție, în timp ce dezacordul scoate la iveală mecanisme nerezolvate și poate orienta următorul experiment. Această cerință devine mai importantă dacă IA înlătură presiunea istorică de a folosi modele compacte, ușor de înțeles de oameni, deoarece modelele mai mari sporesc nevoia de a exprima explicit incertitudinea și de a oferi rezumate mecanistice concise.

Prin urmare, standardul stabilit de autori depășește cerința unui model care se potrivește datelor: un sistem de IA ar trebui să documenteze dovezile care susțin răspunsul său, inclusiv măsurătorile care determină fiecare componentă, candidații care au eșuat, incertitudinea rămasă nerezolvată și întrebările apărute în timpul căutării. Având în vedere această bază limitată de validare, întrebarea decisivă este dacă păstrarea distribuțiilor de modele, împreună cu istoricul alternativelor respinse, generează înțelegere în probleme științifice cu adevărat deschise.