Kísérleteket tervez és cikkeket ír az új Google Deepmind AI

A Google Deepmind Co-Scientist mesterségesintelligencia-rendszere átlépett a laboratóriumi kutatások következő szintjére. A korábbi verzióval ellentétben, amely csupán hipotéziseket generált, az új Co-Scientist már képes kísérleteket tervezni, kódot írni, laborberendezéseket vezérelni és tudományos cikkeket generálni. A rendszer a Google közlése szerint kísérletileg validált eredményeket produkált három tudományterületen.

A Gemini modellekre épülő Co-Scientist egy zárt kutatói munkafolyamatot valósít meg: kutatási kérdésekből indul ki, kísérletterveket és géppel olvasható protokollokat hoz létre, elemzi az eredményeket, majd tudományos kéziratokat generál. Ellenőrző moduljai a szövegben szereplő numerikus állításokat a generált kód végrehajtási naplóival vetik össze, csökkentve ezzel a fabrikált eredmények kockázatát. A Google először 2025 februárjában mutatta be a Co-Scientist elődjét, amely még a Gemini 2.0-n alapult, és problémái voltak a tényellenőrzéssel és az irodalomkutatással — közölte a THE DECODER.

Anyagtudomány és biológia: új receptek és predikciók

Az anyagtudományban a Co-Scientist egy félig automatizált kemencével párosítva biztonságosabb szintézis utat talált egy keresett 2D-s anyaghoz, és teljes növekedési recepteket generált a labor berendezéseihez igazítva. Emberi finomhangolás 25 köre után réteges szerkezeteket állítottak elő, amelyek hasonlítanak a célanyaghoz, bár az atomi szerkezet végleges megerősítése még várat magára.

A rendszer a Gemini 3 Deep Think modellt használta a berendezések közvetlen vezérlésére, ami napokról percekre csökkentette a receptfejlesztést. Azonban a gyors üzemmód kisebb, kevésbé egyenletes kristályokat eredményezett a gondosan optimalizált receptekhez képest. Samuel Schmidgall, a tanulmány vezető szerzője szerint nyitott kérdés, hogy ezek a receptek más laborokban is működnek-e.

A biológiában a Co-Scientist önállóan épített fel egy képelemző rendszert, amely képes megjósolni, hogy genetikailag módosított E. coli telepek milyen mintázatokat mutatnak különböző kémiai koncentrációk mellett. A Gemini 3 Pro Image modellel generált előrejelzések három a négy vizsgált alakjellemző esetében megegyeztek a kiadatlan laboreredményekkel. A kutatók elismerték, hogy a rendszer csak ismert feltételek között tud következtetéseket levonni, és nem képes viselkedést jósolni teljesen új rendszerekben.

Számítástechnika: orvosi AI architektúra és teljesítményteszt-tesztek

A számítástechnikai kísérlet teljesen emberi beavatkozás nélkül futott a kezdeti beállításokon túl. A Co-Scientist tervezte az „Agent_H” nevű orvosi AI architektúrát, amely képes osztályozni a bejövő lekérdezéseket, párhuzamosan több tucat válaszjelöltet generálni, majd ezeket finomítani. A túl hosszú válaszok korrekciója után az Agent_H hat élvonalbeli modellnél, köztük a GPT-5 és a Claude Opus 5 esetében is jobban teljesített egészségügyi benchmarkokon.

Azonban az automatizált tesztek eredményei nem bizonyultak meggyőzőnek emberi értékelés során. Három okleveles orvos kilenc kategóriában pontozta a válaszokat, és az Agent_H csak egyetlen kategóriában mutatott statisztikailag szignifikáns előnyt a Gemini 3.1 Pro alapmodellhez képest: csökkentette a potenciálisan káros válaszok kockázatát. A kutatók szerint a magas teljesítményteszt pontszámok nem feltétlenül jelentik azt, hogy egy rendszer valóban jobb válaszokat ad klinikai szempontból, ami megkérdőjelezi a tesztek valós mérési képességét.

Megbízhatóság és a jövő

Az LLM-alapú autonóm kutatórendszerek egyik fő problémája az AI-s bullshitelés. A Co-Scientist ezt két módon is kezeli: bünteti a fabrikált vagy plágiummal érintett tartalmat, és egy külön ellenőrző modul minden numerikus állítást a végrehajtott kód tényleges eredményeivel vet össze. Egy kettős vak tanulmányban, 30 domain szakértő és 450 független értékelő részvételével a kutatók 150 autonóm generált papírt vizsgáltak.

Az aktív megbízhatósági modulokkal a Co-Scientist az esetek 4 százalékában fabrikált kulcsfontosságú eredményeket, míg ezek nélkül az arány 46 százalék volt. A hibás adatközlés aránya 90 százalékot ért el az összehasonlító rendszeren. A teljesen fabrikált adatok soha nem jelentek meg a Co-Scientist kimenetében, szemben a 44 százalékos aránnyal a másik rendszernél.

A majdnem plágiummal érintett tartalom 60 százalékról 16 százalékra esett vissza. Egy integrált biztonsági architektúra a potenciálisan káros kutatási irányok 98,7 százalékát utasította el. A kutatók szerint még mindig nagy a szakadék a laborasszisztens és az autonóm kutató között, a rendszer hajlamos a szelektív jelentésre, és a módszerek leírása nem mindig egyezik a tényleges kóddal.

A Google Deepmind szerint a rendszer potenciálisan felgyorsíthatja a tudományos kutatásokat, bár még hosszú út áll előttük az emberi és gépi kutatók integrációja terén. Az OpenAI is tervezi egy internetszintű kutatási képességekkel rendelkező AI-ügynök bemutatását ősszel, de vita folyik arról, hogy az LLM-alapú rendszerek valóban képesek-e új tudást felfedezni, vagy csak a képzési adataikban rejlő információkat teszik explicitté.