AI-агенты в лаборатории: что уже автоматизируют в науке

Что происходит

За последние два года крупные лаборатории и стартапы начали связывать языковые модели с реальным оборудованием: жидкостными роботами, спектрометрами, базами химических реакций. Идея простая — агент* получает цель («найди условия синтеза вещества X»), сам разбивает её на шаги, запускает опыты через API оборудования, читает результаты и корректирует план. Раньше эту роль выполнял аспирант с блокнотом.

Самый известный пример — работа группы из Университета Карнеги — Меллона (публикация в Nature, декабрь 2023), где система на базе GPT-4 планировала и проводила химические реакции, включая синтез по мотивам известной реакции Сузуки, управляя лабораторным роботом. Отдельно развиваются проекты вокруг научного поиска: инструменты, которые читают статьи, формулируют гипотезы и предлагают протоколы. Ни один из них пока не заменяет учёного целиком — они закрывают отдельные рутинные участки.

Из чего состоит научный агент

Под «AI-агентом для науки» обычно понимают связку из нескольких компонентов, а не одну модель:

• Планировщик — языковая модель, которая превращает цель в последовательность действий.
• Инструменты — доступ к поиску литературы, базам реакций (например, Reaxys), калькуляторам, коду на Python.
• Исполнительный слой — драйверы для лабораторного оборудования: пипетирующие роботы, нагреватели, анализаторы.
• Память и обратная связь — агент фиксирует, что сработало, и переиспользует это в следующих итерациях.

Критичная деталь: без физического исполнительного слоя «автоматизация экспериментов» остаётся автоматизацией планирования. Робот, который реально смешивает реагенты, есть у единиц лабораторий, и стоит он миллионы.

Агент, который пишет идеальный протокол, но не может нажать ни одной кнопки на приборе, ускоряет не эксперимент, а его описание. Это разные вещи, и их часто путают в пресс-релизах.

Кто на рынке

Строгого лидера нет — направление раннее, и системы решают разные задачи. Ниже — ориентир по типам инструментов, а не рейтинг. Функциональность и доступность меняются, актуальное состояние сверяйте на страницах разработчиков.

Важно не смешивать эти категории. AlphaFold — не агент, а специализированная модель; «AI Scientist» — про генерацию текста и кода, а не про пробирки; химические агенты — про физический эксперимент, но пока в стенах отдельных лабораторий.

Что реально ускоряется

Там, где агенты уже приносят пользу, выигрыш обычно не в «открытии за учёного», а в сокращении рутины:

1. Обзор литературы. Прочитать и структурировать сотни статей — часы вместо недель. С оговоркой: модель может уверенно сослаться на несуществующую работу, поэтому ссылки проверяют вручную.
2. Оптимизация условий. Перебор параметров реакции или культивирования, где пространство вариантов огромно, а логика перебора однообразна.
3. Написание и отладка кода анализа. Обработка данных, статистика, визуализация.
4. Документирование. Ведение электронного лабораторного журнала, черновики методической части.

Кому это пригодится, а кому нет

Пригодится:

• Химическим и материаловедческим лабораториям с автоматизированным оборудованием — там агент закрывает перебор условий.
• Биоинформатикам и аналитикам данных — как ускоритель разбора датасетов и кода.
• Группам, которые тонут в литературе перед грантом или обзором.

Пока не пригодится:

• Лабораториям без роботизированного оборудования — «автоматизация эксперимента» сведётся к планированию на бумаге.
• Областям, где эксперимент нельзя формализовать в набор параметров (полевые, клинические с людьми).
• Тем, кто ждёт систему, которой можно доверять без проверки: галлюцинации ссылок и ложная уверенность в выводах остаются реальной проблемой.

Где риски

Три момента, которые обсуждают чаще всего. Первый — воспроизводимость: если протокол сгенерировал агент, а условия он подбирал итеративно, восстановить логику «почему именно так» бывает сложно. Второй — безопасность: агент с доступом к базам реакций и оборудованию потенциально способен предложить синтез опасных веществ, и разработчики выстраивают ограничения. Третий — авторство и рецензирование: научные журналы уже требуют раскрывать использование ИИ, и целиком сгенерированные тексты вызывают вопросы у рецензентов.

* Агент — программа на основе языковой модели, которая не просто отвечает на запрос, а самостоятельно планирует последовательность действий, вызывает внешние инструменты (поиск, код, оборудование) и корректирует план по результатам. В отличие от чат-ответа, агент выполняет цепочку шагов до достижения цели.