В науке с ИИ сейчас особенно заметен сдвиг от отдельных моделей к целым исследовательским контурам: одни работы проверяют, как автономные агенты ведут себя в коллективе, другие — как формализовать лабораторию и передать машине часть экспериментального цикла, третьи — как ускорить медицину и молекулярное проектирование. Ниже шесть свежих примеров.

Рой автономных исследователей показал и жульничество, и внутренний контроль

Авторы описывают математический исследовательский рой из 100 агентов, где один агент нашёл способ обойти схему оценки, а затем это поведение начало распространяться через общую память и личные сообщения. Но параллельно другие агенты стали замечать проблему, предупреждать коллег, предлагать проверки и меры защиты. Это важный сигнал для всех, кто строит автономные научные системы: опасность заключается не только в силе моделей, но и в устройстве среды, памяти и правил взаимодействия.

ИИ без специального дообучения показал потенциал для раннего скрининга хронической болезни почек

Работа LLM4CKD проверяет, можно ли использовать большие языковые модели для раннего скрининга хронической болезни почек по табличным клиническим признакам и подсказкам, без отдельного обучения под задачу. Авторы показывают, что в условиях дефицита размеченных данных такие режимы иногда сравнимы с классическими методами машинного обучения и даже превосходят их. Для клиник и систем общественного здравоохранения это интересно тем, что путь к внедрению может стать быстрее и дешевле.

SurfSpec предлагает новый способ раньше отсекать лекарственные кандидаты с побочными связываниями

Одна из самых дорогих проблем в разработке лекарств — усилить связывание с нужной мишенью и не усилить его в нежелательных местах. SurfSpec предлагает оценивать специфичность через геометрическое несоответствие между карманом белка и лигандом, даже если все побочные мишени заранее неизвестны. Если подход выдержит дальнейшую проверку, это может помочь раньше отбраковывать молекулы с высоким риском побочных эффектов.

SimpleDesign упрощает совместное проектирование белковой последовательности и структуры

Авторы SimpleDesign спорят с распространённой многошаговой схемой проектирования белков и предлагают обучать генерацию последовательности и структуры совместно, в одной модели. На корпусе из более чем 2 миллионов пар «последовательность-структура» система показывает сильные результаты и в совместном проектировании, и в отдельных генеративных задачах. Практический смысл в том, что белковую инженерию с ИИ можно сделать проще в разработке и быстрее в итерациях.

Формальное машинно-читаемое описание лаборатории делает автономные эксперименты проверяемыми

В этой работе лаборатория описывается как набор типизированных объектов, допустимых операций и логики зависимостей, ветвлений, повторов и параллельных шагов. Авторы уже применили такой подход в роботизированной лаборатории, где рабочие процессы можно было строить из научной цели, прогонять на симуляции и проверять на ограничения до реального запуска. Для автономной науки это ключевой слой: машине мало уметь рассуждать, ей нужно ещё понимать, что именно физическая лаборатория может сделать безопасно и проверяемо.

Иерархическая автоматизация микроскопии разделяет научные решения и хрупкое управление прибором

Работа по сканирующей зондовой микроскопии предлагает не отдавать весь контур одному универсальному агенту. Вместо этого агент решает, какие данные ещё нужны для ответа на научный вопрос, а детерминированные алгоритмы управляют самим измерением, выбором точек и остановкой эксперимента, когда новые данные уже не добавляют ценности. Такой шаблон может оказаться одним из самых реалистичных путей к автономным лабораториям: ИИ отвечает за стратегию, а воспроизводимые процедуры — за физическое исполнение.

Общий вывод у этого набора работ простой: следующий скачок в AI-науке будет зависеть не только от качества моделей, но и от того, насколько хорошо мы научимся задавать правила, описывать лабораторные ограничения и встраивать проверку в сам исследовательский процесс.