Sa paghahanap ng mga pambihirang tuklas sa agham, pinagsasama ng mga mananaliksik ang pagkamalikhain at kadalubhasaan kasama ang pananaw sa literatura upang makabuo ng mga makabago at magkakaugnay na landas ng pananaliksik at gabayan ang mga eksplorasyon. Gayunpaman, ang pag-navigate sa mabilis na pagdami ng mga publikasyon sa agham habang pinagsasama ang kaalaman mula sa iba't ibang larangan ay nagdadala ng hamon. Ang pagtugon sa isyung ito ay mahalaga, na makikita sa mga modernong tuklas mula sa mga interdisciplinary na pagsisikap, tulad ng 2020 Nobel Prize sa Kimika na ipinanalo nina Emmanuelle Charpentier at Jennifer Doudna para sa kanilang inobasyon sa CRISPR, na pinagsama ang kaalaman sa microbiology, genetics, at molecular biology. Upang talakayin ang mga kinakailangang hindi natutugunan sa pagtuklas sa agham at ang paggamit ng mga pagsulong sa AI, kami ay bumuo ng isang sistema ng AI co-scientist. Ang multi-agent AI na ito, na nakabase sa Gemini 2. 0, ay nagsisilbing isang pang-kolaboratibong kasangkapan para sa mga mananaliksik, na pinahusay ang proseso ng pangangatwiran ng pamamaraang siyentipiko. Ang AI co-scientist ay lumalampas sa karaniwang pagsusuri ng literatura; layunin nito na makabuo ng orihinal na kaalaman at bumuo ng natatanging mga hypothesis ng pananaliksik na naangkop sa mga tiyak na layunin. Ang AI co-scientist ay gumagamit ng test-time compute scaling upang pinuhin ang kanyang output nang paunti-unti.

Kabilang sa mga pangunahing proseso ang mga siyentipikong debate batay sa self-play para sa pagbuo ng hypothesis, ranking tournaments para sa pagsusuri ng hypothesis, at isang "evolution" na estratehiya para sa pagpapahusay ng kalidad. Upang matiyak ang bisa, ginamit namin ang Elo auto-evaluation metric mula sa mga torneyong ito, natuklasan na ang mas mataas na Elo ratings ay may kaugnayan sa mas mataas na katumpakan ng output. Sa mga pagsisikap ng repurposing ng gamot para sa acute myeloid leukemia (AML), iminungkahi ng aming AI co-scientist ang mga novel repurposing candidates, na napatunayan sa pamamagitan ng computational biology, input ng mga eksperto, at mga laboratory test. Dagdag pa, sinuri namin ang mga hypothesis na may kaugnayan sa antimicrobial resistance (AMR) sa pamamagitan ng pagtuturo sa AI na suriin ang mga mekanismo ng paglipat ng gene ng bakterya. Ang AI ay independently na nagmungkahi na ang capsid-forming phage-inducible chromosomal islands (cf-PICIs) ay nakikipag-ugnayan sa phage tails upang palawakin ang kanilang host range, isang natuklasan na kalaunan ay napatunayan sa pamamagitan ng mga naunang eksperimento. Ang gawain na ito ay isang kolaboratibong pagsisikap sa pagitan ng iba't ibang mga koponan sa Google Research, Google DeepMind, at Google Cloud AI, kasama ang mga kasosyo mula sa ilang mga institusyon, kabilang ang Fleming Initiative at Imperial College London. Pinasasalamatan namin ang lahat ng mga nag-ambag at mga eksperto na nagbigay ng mahahalagang feedback, pati na rin ang aming mga panloob na koponan na ang suporta ay naging mahalaga sa pagsisikap na ito.