I de seneste år har Google været på en mission for at integrere generativ AI i alle tænkelige produkter og initiativer. Dette inkluderer robotter, der opsummerer søgeresultater, interagerer med applikationer og analyserer data indsamlet fra din telefon. Ofte kan de resultater, som disse AI-systemer genererer, være uventet imponerende, selvom de mangler ægte forståelse. Men kan de virkelig udføre videnskabelig forskning? Google Research fokuserer nu på at udvikle AI, der fungerer som en "co-forsker. " Deres nyeste multi-agent AI-system, bygget på Gemini 2. 0-rammen, henvender sig til biomedicinske forskere og er designet til at assistere ved at foreslå nye hypoteser og forskningsområder. Dog fungerer denne såkaldte AI-co-forsker grundlæggende som en avanceret chatbot. En rigtig forsker kan bruge Googles co-forsker ved at indtaste deres forskningsmål, koncepter og citater fra tidligere studier, hvilket gør det muligt for AI'en at foreslå nye forskningsretninger. Systemet består af forskellige sammenkoblede modeller, der behandler inputdataene og trækker på online ressourcer for at forbedre sine forslag. Inden for denne ramme udfordrer de forskellige agenter hinanden og skaber en "selvforbedrende loop, " som ligner andre ræsonnerende AI-modeller som Gemini Flash Thinking og OpenAI's o3. På trods af at det er et generativt AI-system som Gemini, besidder det ikke nogen reelt ny viden eller ideer. I stedet kan det lave rimelige prognoser baseret på eksisterende data. I sidste ende genererer AI-co-forskeren forskningsforslag og hypoteser, og den menneskelige forsker kan interagere med systemet via et chatbot-interface for at diskutere disse ideer. Du kan betragte AI-co-forskeren som et sofistikeret brainstormingsværktøj.

Ligesom enkeltpersoner kan dele idéer til festplanlægning med en forbrugerlevel AI, kan forskere generere nye forskningskoncepter med en AI, der er specielt designet til videnskabelig undersøgelse. Testning af AI i videnskaben I øjeblikket har de almindeligt anvendte AI-systemer et berygtet problem med nøjagtighed. Generativ AI har tendens til at producere svar, uanset om det har de rette træningsdata eller modelvægte, og verifikation af fakta ved hjælp af yderligere AI-modeller garanterer ikke nøjagtighed. Med sine ræsonneringsevner udfører AI-co-forskeren interne evalueringer for at forbedre sine resultater, og Google hævder, at disse selv-evalueringsscore er knyttet til forbedret videnskabelig nøjagtighed. Men selvom interne metrics er informative, hvad mener faktiske forskere?Google bad menneskelige biomedicinske forskere om at vurdere de forslag, der blev givet af robotten, og de vurderede angiveligt AI-co-forskeren mere positivt end andre mindre specialiserede AI-systemer. Eksperterne bemærkede også, at resultaterne fra AI-co-forskeren viste større potentiale for innovativ indflydelse sammenlignet med standard AI-modeller. Når det er sagt, er ikke alle AI'ens forslag nødvendigvis velbegrundede. Ikke desto mindre har Google samarbejdet med flere universiteter for at afprøve nogle af de AI-genererede forskningsforslag i laboratoriemiljøer. For eksempel anbefalede AI'en at genbruge visse medikamenter til behandling af akut myeloid leukæmi, og indledende laboratorietests indikerede, at denne tilgang var gennemførlig. Forskning udført ved Stanford University fandt også, at AI-co-forskerens behandlingsforslag til leverfibrose berettigede en nærmere undersøgelse. Selvom denne forskning bestemt er interessant, kan det være en smule overdrevet at omtale systemet som en "co-forsker. " På trods af påstande fra AI-ledere om, at vi nærmer os fremkomsten af autonome, tænkende maskiner, er AI langt fra at være i stand til at udføre videnskabelig forskning uafhængigt. Dog kunne denne AI-co-forsker stadig være afgørende for at hjælpe mennesker med at tolke og kontekstualisere store datasæt og forskningslitteratur, selvom den mangler ægte forståelse eller evnen til at give dybe indsigter.