Nature опубликовал работу о Paper2Agent: системе, которая собирает из статьи, кода, данных и дополнительных материалов интерактивного агента. Такой подход делает публикацию не только текстом для чтения, но и инструментом, который можно проверять, запускать и спрашивать о новых научных сценариях.
Две заметки Nature сходятся в одном предупреждении: ИИ ускоряет научную работу, но без прозрачных данных, проверки методологии и понятной ответственности он может сделать слабые исследования убедительнее на бумаге.
Новый материал Nature утверждает, что AI всё заметнее входит не только в прикладные лабораторные задачи, но и в самые теоретические дисциплины — математику и теоретическую физику. Речь не о замене человеческой интуиции, а о новом способе исследовать гипотезы, сужать пространство поиска и точнее формулировать вопросы, с которых начинается настоящее открытие.
Во втором материале — две разные, но важные истории: клинический тест сравнил современные AI-системы с врачом на подтверждённых случаях поражений слизистой рта, а Nature Medicine описал идею цифрового организма, где связанные модели должны имитировать биологию от молекул до целого организма.
Две новые статьи в журналах Nature разбирают, как большие языковые модели помогают превращать медицинские отчеты в структурированные данные. Одна работа показывает устойчивую пользу при анализе 20 277 рентгенологических заключений по позвоночнику, но также выявляет заметное падение точности на редких состояниях. Другая описывает агентный конвейер, который делает пригодными для прогноза и анализа даже шумные эхокардиографические отчеты.
В свежей подборке по AI Science — четыре сильные истории: модель DiffSyn предлагает рабочие маршруты синтеза материалов, ИИ помогает проектировать новые ферменты для CRISPR, AlphaFold3-подход снижает риск побочных редактирований ДНК, а система NISE проектирует белки-связыватели малых молекул с нуля. Это уже не только поиск кандидатов на экране, а постепенный переход к более точному и проверяемому эксперименту в биологии, химии и материаловедении.
В Scientific Reports описали лёгкого генеративного ИИ-помощника для раннего поиска лекарств, рассчитанного на ограниченные вычислительные ресурсы. Это важный сигнал для небольших исследовательских групп, которым обычно недоступна тяжёлая инфраструктура.
Nature выпустил сразу две заметные работы о том, как многоагентные системы начинают помогать не только с поиском литературы, но и с выдвижением и проверкой биомедицинских гипотез. В одном случае система Robin дошла до конкретных кандидатов терапии для сухой возрастной макулярной дегенерации, в другом Co-Scientist показала, что дополнительное вычислительное время может повышать качество научных гипотез в реальных исследовательских сценариях.
Nature описывает систему Robin, где несколько ИИ-агентов связаны в единый исследовательский цикл: от поиска литературы и выдвижения гипотез до планирования эксперимента и разбора результатов. Главное здесь не красивый тест, а заявка на полный рабочий контур в реальной биологической задаче.
