Gemini for Science: eksperymentalne funkcje i narzędzia AI dla odkrywców nowej ery

Metoda naukowa przez wieki była głównym motorem napędzającym postęp ludzkości. Celem Google jest tworzenie narzędzi, które przyspieszą jej stosowanie. Nowa era odkryć nie narodzi się z ograniczonych, wyspecjalizowanych modeli, lecz agentów uniwersalnego zastosowania, które będą wspierać badaczy działających na wszystkich polach nauki.

Dlatego Google wprowadza Gemini for Science – zestaw narzędzi i eksperymentalnych funkcji opracowanych z myślą o poszerzeniu skali i precyzji badań naukowych.

Siła potęgująca ludzką inwencję

Dzisiejsza nauka zderza się z paradoksem – nasza zbiorowa wiedza rozrasta się tak szybko, że poszczególnym naukowcom coraz trudniej jest objąć pełen obraz własnej dziedziny. Przełomy naukowe często są wynikiem twórczego znajdowania powiązań między danymi, ale ich ręczne poszukiwanie może trwać tygodnie, a nawet miesiące. Sztuczna inteligencja może pomóc wyeliminować to wąskie gardło i zwielokrotnić efekty pracy naukowej, biorąc na siebie skomplikowane zadania. Dzięki temu badacze będą mogli skoncentrować się na identyfikowaniu i rozwiązywaniu najistotniejszych problemów oraz wytyczaniu kierunków dalszego rozwoju.

Eksperymentalne narzędzia Gemini for Science w Google Labs obejmują trzy główne prototypy przeznaczone do wykonywania takich zadań.

1. Hypothesis Generation (Generowanie hipotez) w Co-Scientist: podstawą nauki jest tworzenie idei, ale żaden człowiek nie jest w stanie zsyntetyzować milionów artykułów publikowanych każdego roku. Hypothesis Generation wypełnia tę lukę przez symulowanie metody naukowej – wraz z badaczem określa problem, a następnie w drodze „turnieju pomysłów” z udziałem wielu agentów generuje, rozważa i ocenia hipotezy. Gwarantuje to bezwzględny rygor – tezy są dogłębnie weryfikowane oraz poparte klikalnymi cytatami.
2. Computational Discovery (Wykrywanie obliczeniowe) w AlphaEvolve i ERA (Empirical Research Assistance): postęp naukowy często jest ograniczony liczbą hipotez, które można realnie przetestować w drodze eksperymentów obliczeniowych. Computational Discovery, agentowy silnik badawczy, to prototyp, który eliminuje ten problem, generując i oceniając tysiące wariantów kodu jednocześnie. Pozwala to naukowcom testować nowatorskie sposoby modelowania w złożonych dziedzinach, takich jak prognozowanie ilości energii generowanej z paneli słonecznych czy epidemiologia, co wykonywane ręcznie zajęłoby miesiące.
3. Literature Insights (Obserwacje z literatury) w Google NotebookLM: zapoznawanie się z literaturą jest kluczowym etapem wszystkich przedsięwzięć badawczych. Literature Insights wyszukuje pozycje naukowe i prezentuje wyniki w formie ustrukturyzowanych tabel z niestandardowymi, umożliwiającymi wyszukiwanie atrybutami, które pozwalają na prowadzenie analiz porównawczych. Za pomocą czatu naukowcy mogą odkrywać niuanse ukryte w wyselekcjonowanych przez siebie korpusach i tworzyć wysokiej jakości materiały, takie jak raporty, prezentacje, infografiki oraz podsumowania audio i wideo. Dzięki funkcjonalności Literature Insights NotebookLM pomaga syntetyzować wnioski z różnych artykułów, wykrywać luki w badaniach oraz odkrywać nowe możliwości rozwoju.

Dostęp do eksperymentalnych narzędzi jest przyznawany stopniowo. Swoje zainteresowanie można zgłosić na stronie labs.google/science.

Poza poszczególnymi narzędziami eksperymentalnymi, zaawansowane możliwości AI Google udostępnia także firmom w ramach Google Cloud. Szereg partnerów wprowadza już rzeczywiste zmiany, wspierając się prywatnymi wersjami testowymi rozwiązań klasy korporacyjnej do badań i rozwoju na polach naukowym i przemysłowym.

Firmy takie jak BASF używają AlphaEvolve do optymalizowania łańcuchów dostaw, a Klarna wykorzystuje to narzędzie do ulepszania swoich modeli uczenia maszynowego. Z drugiej strony, organizacje takie jak Daiichi Sankyo, Bayer Crop Science czy amerykańskie laboratoria narodowe (w ramach Misji Genesis Departamentu Energii Stanów Zjednoczonych) korzystają z Co-Scientist do szybszego prowadzenia badań i rozwiązywania fundamentalnych problemów naukowych.

Narzędzia te już w obecnej fazie testów wykazują istotną wartość. Przełomowe odkrycia partnerów budzą wielki optymizm. W nadchodzących miesiącach Google udostępni rozwiązania kolejnym organizacjom.

Ukazało się już kilka publikacji na temat tych i innych narzędzi. Artykuł poświęcony systemowi ERA zadebiutuje wkrótce. Z kolei praca naukowa o Co-Scientist trafia dziś na łamy magazynu Nature.

Panel naukowy na komputerze

W ramach Gemini for Science Google wprowadza również Science Skills – specjalistyczny pakiet, który integruje informacje z ponad 30 głównych narzędzi i baz danych przyrodniczych, w tym UniProt, AlphaFold Database, AlphaGenome API i InterPro. Korzystanie z niego w połączeniu z platformami agentowymi, takimi jak Antigravity, pozwala naukowcom wykonywać skomplikowane i często ręcznie prowadzone badania związane na przykład z bioinformatyką strukturalną czy analizą genomiki w kilka minut zamiast godzin.

Zespoły badawcze korzystające ze Science Skills zauważyły już to przyspieszenie w praktyce. Podczas wczesnych testów pakietu jeden z zespołów w kilka minut przeprowadził złożone analizy, które wcześniej zajęłyby godziny. Doprowadziło to do nowatorskich spostrzeżeń na temat potencjalnych mechanizmów rzadkiej choroby genetycznej spowodowanej mutacją genu AK.

Więcej informacji na temat korzystania ze Science Skills w Google Antigravity można znaleźć na stronie antigravity.google/use-cases/science.

Współpraca ze społecznością naukową

Zobowiązanie Google do odpowiedzialnego tworzenia i wdrażania narzędzi badawczych wywodzi się ze środowiska naukowego. Firma współpracuje w tym zakresie z ponad stoma instytucjami  – w tym Uniwersytetem Stanforda przy badaniach nad włóknieniem wątroby, Imperial College w Londynie przy badaniach nad opornością mikrobów na antybiotyki czy (od wielu lat) z Instytutem Francisa Cricka – w celu weryfikowania działania nowych systemów i narzędzi. Aby zapewnić integralność obserwacji generowanych przez AI, Google zgromadził społeczność zaufanych testerów obejmującą doktorantów, badaczy i laureatów Nagrody Nobla, która sprawdza systemy w złożonych, rzeczywistych zastosowaniach.

Google zainicjował również specjalne programy pilotażowe. Powstały one we współpracy z czołowymi konferencjami naukowymi, takimi jak ICML, STOC oraz NeurIPS. Ich celem jest rozwój pionierskich agentowych narzędzi do weryfikacji naukowej i recenzji eksperckich. Należą do nich eksperymentalne rozwiązania Paper Assistant Tool (PAT) i ScholarPeer.

Wszystkie te dokonania są oparte na długiej historii rozwoju sztucznej inteligencji. Specjalistyczne modele AI od Google już teraz napędzają rozwój. AlphaFold pomógł ponad 3 milionom badaczy w pracach nad szczepionką na malarię i enzymami trawiącymi plastik, a AlphaGenome pomaga naukowcom identyfikować czynniki wywołujące choroby. Oprócz nich Google udostępnia narzędzia wykorzystywane na co dzień w środowisku naukowym – od Google Scholar i Earth Engine po Colab, MedGemma, Earth AI i Gemini Deep Research.

Wraz z wprowadzeniem najnowszej wersji Gemini Deep Think firma kontynuuje ulepszanie możliwości głównego modelu w zakresie złożonych zadań naukowych. Wszystkie te narzędzia stały się istotną częścią ekosystemu naukowego, ponieważ pomagają badaczom porządkować informacje i przeprowadzać skomplikowane analizy danych na dużą skalę.