U poslednjim godinama, Google je na misiji da integriše generativnu veštačku inteligenciju u svaki zamišljeni proizvod i inicijativu. Ovo uključuje robote koji sumiraju rezultate pretrage, interaguju sa aplikacijama i analiziraju podatke prikupljene sa vašeg telefona. Često, rezultati koje generišu ovi AI sistemi mogu biti neočekivano impresivni, čak i ako im nedostaje istinsko razumevanje. Ali, da li oni mogu zaista sprovoditi naučna istraživanja? Google Research se sada fokusira na razvoj AI koja deluje kao "saradnik u nauci. " Njihov najnoviji multi-agent AI sistem, zasnovan na okviru Gemini 2. 0, cilja biomedicinske istraživače i dizajniran je da pomaže sugerirajući nove hipoteze i istraživačka područja. Ipak, takozvani AI saradnik u nauci osnovno funkcioniše poput naprednog chatbota. Pravi naučnik može koristiti Googleovog saradnika u nauci unosom svojih istraživačkih ciljeva, koncepata i citata iz prethodnih studija, što omogućava AI-u da predloži nove pravce istraživanja. Sistem se sastoji od različitih povezanih modela koji obrađuju ulazne podatke i koriste online resurse kako bi poboljšali svoje sugestije. U okviru ovog sistema, različiti agenti izazivaju jedni druge, stvarajući "ciklus samo-poboljšanja" sličan drugim modelima razonovanja AI kao što su Gemini Flash Thinking i OpenAI-ov o3. Iako je generativni AI sistem poput Gemini, ne poseduje nikakva stvarno nova znanja ili ideje. Umesto toga, može praviti razumske ekstrapolacije na osnovu postojećih podataka. Na kraju, AI saradnik u nauci generiše istraživačke predloge i hipoteze, a ljudski istraživač može komunicirati sa sistemom putem chatbota kako bi razgovarao o tim idejama. Možda možete gledati na AI saradnika u nauci kao na sofisticirani alat za brainstorming. Baš kao što pojedinci mogu deliti ideje za planiranje proslava s AI-jem na potrošačkom nivou, naučnici mogu generisati nove istraživačke koncepte s AI-jem posebno dizajniranim za naučna istraživanja. Testiranje AI u nauci Trenutno, široko korišćeni AI sistemi imaju poznati problem s tačnošću.

Generativna AI često proizvodi odgovore bez obzira na to da li ima prave podatke za obuku ili modelne težine, a provera činjenica korišćenjem dodatnih AI modela ne garantuje tačnost. Sa svojim sposobnostima rezonovanja, AI saradnik u nauci sprovodi unutrašnje evaluacije kako bi poboljšao svoje izlaze, a Google tvrdi da su ove ocene samo-evaluacije povezane s poboljšanom naučnom tačnošću. Međutim, iako su interni metrik informativni, šta stvarni naučnici misle?Google je zamolio ljudske biomedicinske istraživače da ocenjuju predloge koje je napravio robot, i navodno su klasifikovali AI saradnika u nauci povoljnije nego druge manje specijalizovane AI sisteme. Stručnjaci su takođe primetili da su rezultati AI saradnika u nauci pokazivali veći potencijal za inovativni uticaj u poređenju sa standardnim AI modelima. Ipak, ne daju svi AI-ovi predlozi nužno zvučati razumno. Ipak, Google je sarađivao s nekoliko univerziteta kako bi testirao neke od AI-generisanih istraživačkih predloga u laboratorijskim okruženjima. Na primer, AI je preporučio preusmeravanje određenih lekova za lečenje akutne mijeloidne leukemije, a prvobitni laboratorijski testovi su ukazali da je ovaj pristup izvodljiv. Istraživanje sprovedeno na Stanford univerzitetu takođe je otkrilo da su sugestije AI saradnika u nauci za lečenje fibroze jetre zaslužile dalju istragu. Iako je ovo istraživanje svakako zanimljivo, nazivanje sistema "saradnikom u nauci" može biti donekle pretenciozno. I pored tvrdnji vođa AI da se približavamo dobijanju autonomnih, mislećih mašina, AI je daleko od toga da bude sposoban samostalno sprovoditi naučna istraživanja. Ipak, ovaj AI saradnik u nauci bi i dalje mogao biti ključan u pomaganju ljudima da interpretiraju i kontekstualizuju velike skupove podataka i istraživačku literaturu, čak i ako mu nedostaje istinsko razumevanje ili sposobnost da pruži duboke uvide.