Исследование
Google DeepMind запускает Gemini для науки — ИИ-инструменты, которые могут изменить исследовательскую работу
Google DeepMind запустила Gemini для науки, набор экспериментальных ИИ-инструментов, разработанных для ускорения научного метода. Инструменты — Генерация гипотез, Вычислительные открытия и Обзор литературы — теперь доступны в ограниченном предварительном просмотре на Google Labs, при этом сегодня в Nature опубликованы две сопроводительные научные статьи.
Майкл Г ·
История науки во многом является историей узких мест. На протяжении веков ограничивающим фактором в научном прогрессе был доступ к информации — способность читать, синтезировать и действовать на основе накопленных знаний предыдущих исследователей. Печатный пресс облегчал это узкое место. Интернет почти полностью его устранил. Теперь, парадоксально, узкое место вернулось в новой форме: научной литературы просто слишком много, чтобы один исследователь смог всё прочитать, слишком много потенциальных гипотез для проверки и слишком много вычислительных экспериментов для проведения.
Ответ Google DeepMind на этот парадокс — Gemini for Science, набор инструментов ИИ, анонсированный на Google I/O 2026 и теперь доступный в ограниченном превью на Google Labs. Набор состоит из трёх основных инструментов — Генерация гипотез, Вычислительные открытия и Анализ литературы — каждый из которых нацелен на определённый этап научного метода. Сегодня в журнале Nature были опубликованы две научные статьи, описывающие базовые системы, что придаёт анонсу определённую научную достоверность, отличающую его от типичного запуска продукта.
Генерация гипотез: Турнир идей
Первый инструмент, Генерация гипотез, основан на системе Co-Scientist компании Google, которая разрабатывается в DeepMind на протяжении последних двух лет. Этот инструмент решает то, что исследователи описывают как один из самых трудоемких и когнитивно сложных аспектов научной работы: процесс генерации, оценки и уточнения гипотез перед тем, как выделять ресурсы на их экспериментальную проверку.
Система работает через то, что DeepMind называет «турниром идей с участием нескольких агентов». Исследователь начинает с определения исследовательской задачи — вопроса, на который они хотят получить ответ, или проблемы, которую хотят решить. Затем система задействует нескольких AI-агентов, которые независимо генерируют кандидатные гипотезы, опираясь на корпус научной литературы, включающий более 200 миллионов публикаций. Агенты затем оценивают гипотезы друг друга, выявляя слабые места, несоответствия и возможности для доработки. Процесс продолжается через несколько раундов, пока не появится небольшое количество гипотез высокого качества.
То, что отличает этот подход от простой библиографической поисковой работы, — это глубина проверки, применяемой к каждой гипотезе. Каждое утверждение, которое генерирует система, подкреплено кликабельными ссылками из рецензируемой литературы. Система отмечает гипотезы, которые противоречат установленным данным, и выделяет те, которые представляют собой настоящую новизну — области, где существующая литература скудна или где предложенный механизм ранее не исследовался.
Вычислительное открытие: тестирование тысяч идей параллельно
Второй инструмент, Computational Discovery, решает другую проблему: время, необходимое для того, чтобы проверить гипотезы с помощью вычислений, прежде чем приступать к физическим экспериментам. В таких областях, как разработка лекарств, материаловедение и моделирование климата, вычислительные эксперименты могут занимать дни или недели, даже на мощном оборудовании. Это ограничение заставляет исследователей быть крайне избирательными в выборе гипотез для проверки, что может привести к упущению перспективных направлений.
Вычислительное открытие, построенное на AlphaEvolve и системе Empirical Research Assistance (ERA) от Google, подходит к этой проблеме, создавая и оценивая тысячи вариантов кода параллельно. Исследователь описывает вычислительный эксперимент, который он хочет провести — например, тестирование различных молекулярных конфигураций потенциального кандидата на лекарство — и система генерирует большую популяцию кандидатских реализаций, оценивает их по определённым критериям и итеративно совершенствует наиболее перспективные из них.
Система не предназначена для замены специализированных вычислительных инструментов. Скорее, она действует как слой оркестрации, который может управлять существующим программным обеспечением для моделирования, генерировать новый код для новых экспериментальных разработок и синтезировать результаты различных вычислительных подходов. Компания BASF использует корпоративную версию системы для оптимизации логистики цепочки поставок, а Klarna применяет её для повышения производительности моделей машинного обучения. Министерство энергетики США в рамках миссии Genesis использует её для ускорения исследований новых энергетических систем.
Литературные инсайты: Понимание потока
Третий инструмент, Literature Insights, создан на базе Google NotebookLM и решает самую основную проблему всех: огромный объем научной литературы, с которым исследователи должны работать. Ежегодно публикуется более двух миллионов рецензируемых статей, и эта цифра растет примерно на 4% в год на протяжении последних двух десятилетий. Ни один отдельный исследователь не способен прочитать более чем малую часть литературы, относящейся к его области.
Literature Insights позволяет исследователям определить корпус статей, релевантных их исследовательскому вопросу, а затем взаимодействовать с этим корпусом через запросы на естественном языке. Система может выявлять противоречия между статьями, выделять области, где формируется согласие, отображать эволюцию концепции с течением времени и создавать структурированные обзоры, сравнивающие результаты нескольких исследований.
Статьи в Nature и научная достоверность
Публикация сегодня двух поддерживающих исследовательских статей в Nature имеет значение по причинам, выходящим за рамки научного содержания. Nature является одним из самых избирательных и престижных журналов в области науки, и публикация на его страницах подразумевает уровень экспертизы рецензирования, с которым сталкиваются далеко не все анонсы продуктов ИИ. В статьях технически подробно описаны системы Co-Scientist и ERA, предоставляя научному сообществу информацию, необходимую для оценки и воспроизведения результатов.
Этот подход — публикация в рецензируемых журналах до или одновременно с объявлением о продукте — представляет собой осознанную стратегию DeepMind по позиционированию своих инструментов ИИ как научно обоснованных, а не просто коммерчески привлекательных. Эта стратегия уже хорошо служила компании в прошлом: публикация AlphaFold в журнале Nature в 2021 году изменила восприятие ИИ в биологии и утвердила DeepMind как авторитетное научное учреждение, а не просто технологическую компанию.
Партнёрства и доступ
Google объявила о партнёрстве с более чем 100 исследовательскими учреждениями для проверки и разработки инструментов Gemini for Science. Среди них Стэнфордский университет, который занимается исследованиями фиброза печени; Имперский колледж Лондона, который применяет эти инструменты для изучения устойчивости к антимикробным препаратам; и Институт Фрэнсиса Крика в Лондоне, который обязался к многолетнему сотрудничеству.
Доступ к инструментам в настоящее время ограничен. Исследователи могут зарегистрировать свой интерес на сайте labs.google/science, и Google отметил, что доступ будет постепенно расширяться в течение следующих месяцев. Корпоративные версии инструментов доступны через Google Cloud для организаций в фармацевтическом, материаловедческом и энергетическом секторах. Постепенный выпуск отражает как экспериментальный характер инструментов, так и практические трудности внедрения ИИ-систем в научные рабочие процессы, которые предъявляют строгие требования к точности и воспроизводимости.
Более широкие последствия
Запуск Gemini for Science поднимает вопросы, которые выходят за рамки непосредственных возможностей инструментов. Если системы ИИ смогут генерировать и оценивать гипотезы быстрее, чем человеческие исследователи, природа научной работы изменится фундаментально. Навыки, которые определяют успешного ученого — способность выявлять важные вопросы, разрабатывать изящные эксперименты и интерпретировать неоднозначные результаты — могут стать более ценными, а не менее, поскольку ИИ будет заниматься более рутинными аспектами исследовательского процесса.
В то же время концентрация этих инструментов в руках одной технологической компании вызывает законные опасения относительно доступа и равенства. Наука исторически была глобальной деятельностью, и исследователи из стран с низким уровнем дохода вносили значительный вклад, несмотря на меньшие ресурсы. Если самые мощные инструменты для исследований в области ИИ будут доступны только учреждениям, которые могут позволить себе корпоративные тарифы Google Cloud, география научных открытий может измениться так, что это будет трудно обратить назад. Google признала эти опасения и указала, что изучает способы сделать инструменты доступными для исследователей из стран с низким уровнем дохода по сниженной цене.